MiniMax-H3-Image finns på tre ytor: vad var och en faktiskt ger dig

Den kortaste sanna meningen om MiniMax-H3-Image den här veckan är att den finns på tre ställen: Hugging Face, MiniMax Code och MiniMaxs eget API. Meningen en köpare faktiskt behöver är snävare. Två av dessa tre ger dig en förfrågningsendpoint och ett prisblad; en ger dig 135 gigabyte vikter, en licens att läsa och ett hårdvarubeslut. Det är inte tre varianter av samma åtkomst, och att behandla dem som utbytbara är hur ett team till slut budgeterar en vecka för något som det kunde ha köpt per bild för två cent.

Själva modellen är en äkta lansering snarare än en ompaketering. MiniMax lade vikterna i Hugging Face-repositoriet MiniMaxAI/MiniMax-H3-Image den 10 november 2026 kl. 14:50 UTC och skrev om det kl. 15:40 samma eftermiddag; själva repositoriet dateras till den 3 november, vilket innebär att vikterna fanns privat i en vecka innan någon kunde ladda ner dem. Det är en diffusionstransformer med 33,1 miljarder parametrar som genererar ungefär sexton megapixlar, vilket är "4K" i tillkännagivandet, och den gör text-till-bild och referensstyrd redigering från en enda checkpoint. Det som följer är organiserat kring den enda fråga som tillkännagivandet inte besvarar: vilken yta du bör vara på.

Tre huvudingångar, och bara en av dem är en nedladdning

Börja med vad varje dörr är, eftersom skillnaden är strukturell, inte kosmetisk.

:etAPI är den konventionella vägen. Modellen listas som MiniMax-H3-Image med ett Highspeed-syskon på M​iniMax plattformar för internationella marknader och det kinesiska fastlandet, och faktureras per miljon tokens in och ut i stället för per bild. Gränssnittet är ovanligt förutbestämt — sex samplingssteg, ingen guidance scale, ingen negativ prompt — och M​iniMax egen referens säger att en begäran som ber om något annat returneras som HTTP 400. Du köper en fungerande endpoint med ett fast recept inbyggt.

M​iniMax Code och Hailuo AI är produktgränssnitt: samma modell bakom en promptruta, med samplingbesluten redan fattade och ingen aritmetik per token för dig att utföra. Användbart för att utvärdera om utdata är något att ha; inte användbart för att bygga något, eftersom det du skulle bygga mot inte exponeras. Notera också att M​iniMax Code är en kodagentprodukt, så bildgenerering där är en sidodörr snarare än huvudfunktionen – läs inte "tillgängligt på M​iniMax Code" som ett bild-API med ett kodhölje.

Hugging Face är den tredje dörren, och det är den enda som är en överföring snarare än en tjänst. Du får ett repository, en licensfil och en uppsättning vikter som du nu måste få att köra. Självhosting är anledningen till att de flesta team ens tittar på en bildmodell med öppna vikter; det är också där matematiken slutar handla om modellen och börjar handla om ditt rack.

Repositoriet är tyngre än vad parameterantalet i rubriken antyder.

33,1 miljarder parametrar i BF16 är ungefär 66 GB innan man räknar med något annat, och det är i "något annat" som repot överraskar folk. Enbart diffusion-transformern är 66,28 GB. Den fullständiga nedladdningen är 68,65 GB, vilket motsvarar transformern plus VAE:n och konfigurationen. Textkodaren ingår inte i den siffran: MiniMax-H3-Image återanvänder Qwen3-VL-textkodaren från MiniMax-H3-videorepot, läser från lager 50 i den, och den kodaren är en separat nedladdning på 66,7 GB. Räkna alltså med ungefär 135 GB artefakter på disk innan den första bilden, och det är innan någon ramverks egen cache.

Arkitekturen är värd ett stycke eftersom den berättar vad modellen är. Femtio transformerlager, dold storlek 5 376, 56 uppmärksamhetshuvuden, feed-forward-bredd 14 336, med tredimensionella multimodala roterande positionsinbäddningar. VAE:n är en konvolutionell kodare parad med en 24-lagrig tvådimensionell ViT-dekoder vid 16× rumslig nedskalning och 24 latenta kanaler – ett dekoderval som kostar mer beräkningskraft i slutet av pipelinen än en vanlig konvolutionell dekoder skulle göra, och som rimligen är där en del av de fina detaljerna i 4K kommer ifrån. Designen beskrivs i modellkortet som H3-arkitekturen minus ljud, vilket är en rättvisande sammanfattning: detta är videomodellens bildgren, levererad separat.

Två konsekvenser följer. För det första är en diffusionstransformator i 33B-klassen vid sexton megapixel inte en modell för bärbara datorer, hur parameterantalet än låter bredvid moderna språkmodeller; aktiveringsminnet skalar med utdataarean, och arean är hela poängen med den här lanseringen. För det andra, eftersom textkodaren delas med videomodellen, har en shop som redan kör MiniMax-H3 större delen av nedladdningen redan på disk. Det är en verklig rabatt, och det är sådant som raden "tillgänglig på Hugging Face" inte förmedlar.

Fyra sätt att servera det, och en siffra som inte stämmer

Modellkortet listar fyra vägar: SGLang, vLLM-Omni, diffusers och ComfyUI. vLLMs team levererade support från dag ett i vLLM-Omni för både NVIDIA- och AMD-hårdvara på releasedagen, med inbyggd utdata på cirka sexton megapixlar, vilket är en starkare lanseringssignal än att vikterna existerar – någon utanför M​iniMax hade det igång innan tillkännagivandet var en timme gammalt. Diffusers täcker referensvägen, och ComfyUI täcker arbetsflödesgraf-publiken.

Meningsskiljaktigheten är värd att påpeka eftersom den kommer att ställa till problem för någon. Modellkortet beskriver redigering med upp till 16 referensbilder, adresserade positionellt som <Picture 1> till <Picture 16> i uppladdningsordning. vLLM-Omni:s release-recept för samma modell dokumenterar upp till 9 bilder per begäran. Båda kan vara sanna samtidigt – ett ramverks serveringsgräns och en modells tränade kapacitet är olika tal, och en batch- eller minnesbegränsning i serveringsstacken kommer att bli den begränsande faktorn först – men om ditt arbetsflöde behöver tolv referenser är det ärliga svaret i dag att kapaciteten finns och att den dokumenterade serveringsvägen kanske inte klarar av den. Testa siffran på din stack i stället för att lita på något av dokumenten.

Samma försiktighet gäller för promptfönstret. Kortet tar emot upp till 32 000 tecken, varav ungefär de första 4 096 tokenen är det som modellen faktiskt betingar sig på. En lång prompt avvisas inte; svansen utför helt enkelt inget arbete. Den som porterar en detaljerad prompt för konstnärlig inriktning från en vana med språkmodeller kommer att upptäcka det på det dyra sättet.

Samplern är en begränsning du ärver, inte en inställning du justerar.

Sex steg, ingen classifier-free guidance, inga negativa prompter. Det är inte en standardinställning med utrymme över; API:et avvisar andra stegantal och guidance-värden direkt. Modellen är destillerad för att köras i sex framåtpassningar, och hela anledningen till att en 33B-transformer kan leverera en bild på sexton megapixlar tillräckligt snabbt för att vara användbar är just destillationen.

För API-vägen är detta osynligt och helt i sin ordning. För självhostningsvägen är det den enskilt mest användbara siffran i specifikationsbladet, och det på två sätt. Den begränsar beräkningskostnaden per bild till sex transformerutvärderingar i stället för de tjugofem till femtio som en icke-distillerad modell skulle behöva, vilket är det som över huvud taget gör sexton megapixlar praktiskt. Och det innebär att den vanliga inställningsslingan för självhostning – prova fler steg, lägg till vägledning, lägg till en negativ prompt, iterera – inte finns här. Om utdatakvaliteten gör dig besviken är spakarna prompten och referenserna, inte samplern. Team som avsätter en vecka för att ”trimma modellen” bör i stället avsätta den för promptarbete.

Vad varje väg kostar, i de enheter som den faktiskt faktureras i

API:et debiterar tokens, och kortets egna genomräknade exempel är det tydligaste sättet att läsa ut det. En text-till-bild-begäran på 1 024×1 024 kostar $0,02179. En begäran på 2 048×2 048 kostar $0,02333 – 1,07 gånger priset för fyra gånger så många pixlar, eftersom antalet tokens växer mycket långsammare än ytan. En begäran på 4 096×4 096 kostar $0,06879 enligt listpris, och $0,03439 med en tidsbegränsad rabatt på 50 % som gäller till 17 november 2026 kl. 16.00 UTC och förutsätter att den levererade bilden är minst 16 600 000 pixlar. Priserna för Standard-nivån är $2,30 per miljon inmatade texttokens, $1,50 per miljon inmatade bildtokens och $3,80 per miljon utmatade bildtokens; Highspeed-nivån behåller inmatningspriserna och tar $7,60 för utmatning.

Läser man de tre siffrorna tillsammans försvinner i stort sett prisargumentet för 4K. Fyra gånger pixlarna för 1,07 gånger pengarna vid 2K-steget är en gåva; att gå från 2K till 4K kostar ungefär tre gånger så mycket för samma fyrdubbla ytvinst, och endast rabatten för tillbaka det nära 2K-priset. Om ditt användningsfall inte behöver 4 096 pixlar per sida är 2K-nivån där den här modellen är billig.

OrcaRouter tillhandahåller inte MiniMax-H3-Image – det finns ingen rutt för den här, och CTA:n i den här artikeln pekar på videosyskonet, minimax/minimax-h3, som vi däremot routar. Det vi erbjuder är relevant för den dag rutten finns: 0 % påslag med leverantörens listpris vidarebefordrat, vilket innebär att en leverantörsprisändring som den där 4K-rabatten når din faktura samma dag som den når leverantörens sida, och automatisk redundansväxling om en leverantörsväg försämras. Fram till dess är jämförelsen som spelar roll API-utgifter mot din egen hårdvara, och inget routinglager ändrar den aritmetiken.

Självhosting, prissatt ärligt

Ingen kan ge dig ett pris per bild för egen drift utan att känna till din GPU, eftersom den dominerande termen är huruvida 135 GB vikter får plats i minnet eller måste offloadas. Vad som kan sägas exakt: sexstegssamplern fastställer beräkningskostnaden, utdata på sexton megapixlar fastställer aktiveringsbudgeten, och båda är stora. Ett enda 80 GB-kort rymmer transformatorn men inte transformatorn plus Qwen3-VL-kodaren i full precision, så de realistiska konfigurationerna är multi-GPU, att offloada kodaren, eller en kvantiserad transformator med en kvalitetsfråga knuten till sig. Lägg till elkostnad, lägg till ingenjörsveckan för att få SGLang eller vLLM-Omni att fungera korrekt som tjänst, och break-even mot $0.02333 per 2K-bild är en volymsiffra på hundratusentals bilder, inte dussintals.

Vilket är argumentet för API:et i de flesta fall och argumentet för vikterna i några få fall: en verksamhet som av dataskäl behöver modellen inom sin egen gräns, eller en som redan kör MiniMax-H3 och håller encodern, eller en som genererar i en volym där den fasta kostnaden slås ut. Alla andra bör prissätta API:et först och endast självhosta om gränsen verkligen kräver det.

Läser licensen före nedladdningen, inte efter

Vikterna släpps under MiniMax-H3-Image Community License Agreement, som inte är Apache 2.0 och inte MIT. "Open-weight" är korrekt; "open-source" är ordet som försätter team i problem, och det är vid den här punkten i processen som en jurist bör läsa den faktiska filen i stället för ett blogginlägg – inklusive detta. Den praktiska frågan är kommersiell användning i stor skala och huruvida licensen innehåller villkor som fäster vid din produkt, och den frågan har ett svar i repositoriet som ingen sammanfattning kan ersätta.

{{1}}Det finns en andra, mindre artefakt som är värd att känna till:{{/1}} M​iniMax levererar en {{2}}Context-IR-komponent{{/2}} för modellen, samt en valfri prompt-expanderingsmodell, MiniMax-H3-Image-PE. Expanderaren förklarar en del av varför modellen klarar långa, detaljerade promptar; den är valfri, den är separat från 68,65 GB, och det är sådant man hittar i en förteckning i ett kodförråd snarare än i ett tillkännagivande.

Vad du bör kontrollera i din egen stack den här veckan

• Referenser – bekräfta om din serveringsväg hanterar 16 bilder eller de 9 som vLLM-Omni-receptet dokumenterar, med en verklig begäran i stället för en dokumentläsning.

• Effektiv yta — modellen kommer att köras under sexton megapixlar, och konfigurationen exponerar en minsta genereringsyta som standard är 4 194 304 pixlar. Testa den nedre gränsen om ditt användningsfall är miniatyrbilder, eftersom en modell av denna storlek kanske inte är det billiga alternativet vid 1K.

• Minne – mät högsta VRAM vid 4 096×4 096 innan du köper hårdvara. Sex steg är billig beräkning; aktiveringarna är det inte.

• Rabattklocka — om 4K är planen gäller 50%-nivån till och med den 17 november 2026 kl. 16:00 UTC, och huruvida du kör via API:et eller på din egen hårdvara avgör om den deadlinen spelar någon roll för dig.

Licens — läs den. Nedladdningen är 135 GB och beslutet går att ångra; licensen gör det inte.

Det intressanta med den här lanseringen är inte att en bra öppen bildmodell har dykt upp – det är att det för första gången på ett tag dök upp en där vikterna, ramverksrecepten och den hostade slutpunkten alla landade samma vecka. Det är en starkare signal än ett benchmarkdiagram, eftersom det betyder att saken faktiskt körs. Huruvida du bör köra den eller anropa den beror helt och hållet på vilken av de tre dörrarna du går igenom, och de tre dörrarna ligger mycket längre ifrån varandra än vad tillkännagivandet får dem att låta.