MiniMax-H3-Image: 16 megapixlar på 10 sekunder är ett påstående, ännu inte en mätning

Tio sekunder för en bild på sexton megapixlar är inte ett kvalitetsanspråk. Det är ett påstående om hur en modell schemaläggs, och det är den enda delen av lanseringen av MiniMax-H3-Image som en användare kan kontrollera på en eftermiddag. MiniMax tillkännagav modellen den 10 november 2026 med ett kort inlägg som inleds med just den siffran: 4K-utdata, ungefär sexton miljoner pixlar, upp till sexton referensbilder, på tio sekunder, med öppna vikter och leverantörens egen API, MiniMax Code och Hailuo som ingångar. Det som tillkännagivandet inte innehåller är en enda latensmätning, en enda kvalitetsbenchmark eller en länk till ett blogginlägg som förklarar hur något av det uppnåddes. Byten är verkliga – 68,65 GB av dem på Hugging Face, plus en textkodare lånad från ett andra arkiv – och detsamma gäller prislistan. De tio sekunderna är ett löfte. Det här är vad löftet bygger på, vad det kostar och vad du skulle behöva köra för att veta om det håller på din egen hårdvara.

Det är värt att säga datumen rakt ut, eftersom utrullningen var ovanlig. Hugging Face-repositoriet för MiniMax-H3-Image skapades den 3 november 2026 och stod tomt. Vikterna landade den 10 november klockan 14.50 UTC. Samma dag fick MiniMaxs API-dokumentation ett kort i versionsanteckningarna med rubriken ”MiniMax H3 Image” och raden ”En ledande bildmodell med öppna vikter. Från idéer till nya världar” – en mening utan någon specifikation – och företagets egen blogg och nyhetsindex innehåller fortfarande ingenting alls om bildmodellen. Så modellen släpptes tyst och annonserades därefter, i den ordningen, vilket är motsatsen till hur de flesta lanseringar går till och anledningen till att annonseringen låter som marknadsföringstext påklistrad på en checkpoint som redan gick att ladda ner.

Varifrån tio sekunder rimligen skulle kunna komma

Merparten av förklaringen finns i filförteckningen snarare än i inlägget. MiniMax-H3-Image är en dense diffusions-transformer på 33,1B – 50 lager, hidden size 5 376, 56 attention-huvuden, FFN-bredd 14 336, 3D-multimodal RoPE – och den är destillerad till sex samplingssteg helt utan classifier-free guidance. Det är inte en standardinställning som anroparen kan justera. Det exponerade API:et avvisar allt utom num_inference_steps=6 och guidance_scale=1 med HTTP 400, och negativa prompts avvisas rakt av. En separat fil på 12 MB, pdd_fused_heads.safetensors, innehåller utdatahuvuden per steg som ersätter transformerns utdatalager, med schemat i pdd_config.json.

Det är sex ostyrda pass som gör att siffran tio sekunder inte är absurd. En guidad 30-stegssampler på sexton megapixlar är ett batchjobb; sex steg över samma yta är en förfrågan. Om det landar på tio sekunder beror helt och hållet på acceleratorn, konfigurationen för sekvensparallelism och upplösningen du faktiskt efterfrågar, och ingen av dessa tre saker finns i tillkännagivandet. MiniMax eget modellkort anger ingen genereringstid någonstans. Siffran finns på ett enda ställe: lanseringsinlägget.

Vad kortet däremot anger, utförligare än inlägget, är geometrin. Utdata går upp till cirka 16 megapixlar i alla bildförhållanden – 4096×4096 vid 1:1, 4736×3552 vid 4:3, 5024×3360 vid 3:2, 5472×3072 vid 16:9, 6272×2688 vid 21:9 – utan någon separat uppskalare i kedjan. API:et begränsar utdataområdet till 20 megapixlar, och kortet beskriver det praktiska arbetsområdet som ungefär 4 till 20 megapixlar. Redigering tar upp till 16 referensbilder, som adresseras positionellt i prompten som <Bild 1> till <Bild 16> i uppladdningsordning. Prompter kan vara upp till 32 000 tecken på det tillhandahållna API:et, även om bara ungefär de första 4 096 token har effekt.

Påståendena, bredvid den evidens som finns för dem

• Upplösning — ”16 miljoner pixlar” och 4K: anges i inlägget och återges i kortets storlekstabell. Inte oberoende uppmätt, men detta är enkelt att kontrollera genom att generera en bild och läsa dess dimensioner.

• Snabbhet – ”allt på 10 sekunder”: leverantörsuppgift, utan angiven hårdvara och utan publicerad tredjepartsmätning per den 11 november 2026. Kortet anger överhuvudtaget ingen siffra.

• Promptföljning – "exakt promptföljning": ett kvalitativt påstående. Kortets starkare formulering är "den starkaste instruktionsföljningen bland modeller med öppen källkod", vilket är en jämförelse utan någon bifogad tabell.

• Redigering – ”upp till 16 referensbilder”: bekräftat i kortet och i API-dokumentationen, och motsagt i en detalj av vLLM-Omnis recept från dag ett, som dokumenterar upp till 9 bilder per förfrågan i sitt flöde. Betrakta 16 som modellens tak och 9 som vad ramverkets recept utnyttjar.

• Open weight – sant, och bärande på ett sätt som inlägget inte förklarar: vikterna är öppna under en licens med territoriella villkor och intäktsvillkor, inte under en OSI-godkänd licens. Mer om det nedan.

Vad det kostar, och en rabatt med sex dagar kvar på den

De kommersiella villkoren är det mest konkreta med lanseringen. Faktureringen är tokenbaserad utifrån en taxa för bildutdata: $2.30 per miljon indatatexttokens, $1.50 per miljon indatabildtokens och $3.80 per miljon utdatabildtokens på standardnivån. MiniMaxs egna uträknade exempel landar i en prisstege som är ovanligt platt, eftersom mätaren är tokens och antalet tokens inte skalar med yta på det sätt som intuitionen antyder:

• 1K text-till-bild — 0,02179 USD per bild.
• 2K text-till-bild — 0,02333 USD.
• 4K text-till-bild — 0,06879 USD i listpris, 0,03439 USD så länge den aktuella rabatten gäller.
• 1K-redigering med en referens — 0,02654 USD; 2K — 0,02658 USD; 4K — 0,07312 USD, rabatterat till 0,03656 USD.
• 1K-redigering med tre referenser — 0,03563 USD; 2K — 0,04177 USD; 4K — 0,07914 USD, rabatterat till 0,03957 USD.

Sexton gånger pixlarna för lite drygt tre gånger pengarna är formen att komma ihåg, för det är där modellen verkligen särskiljer sig: vid 4K kostar checkpointen med öppna vikter ungefär en åttondel av en FLUX 3 Image 4K-bildruta och omkring en femtedel av en Nano Banana 2.1 4K-bildruta till listpris.

Rabatten är verklig och den är tillfällig. 50-procentiga reduktionen gäller endast när den levererade bilden är minst 16,600,000 pixlar, täcker hela förfrågans totalsumma och upphör den 17 november 2026 kl. 16:00 UTC — sex dagar efter att vikterna gick upp. Den som budgeterar en pipeline på $0.03439 budgeterar utifrån en kampanj. Sätt priset till $0.06879 och behandla rabatten som marginal.

Det finns en andra, snabbare nivå. MiniMax-H3-Image-Highspeed tar identiska parametrar och gränser och debiterar $7.60 per miljon utdatabildtoken: $0.03529 vid 1K, $0.03622 vid 2K, $0.13001 vid 4K innan samma rabatt halverar det till $0.06501. Om påståendet om tio sekunder är anledningen till att du är intresserad, är Highspeed den variant som måste stämma för att det ska spela någon roll – och MiniMax publicerar ingen latensskillnad mellan de två.

”Open weight” här betyder en licens som du måste läsa

Vikterna går att ladda ner och arkitekturen är dokumenterad, vilket är mer än vad de flesta frontier-bildmodeller erbjuder. Licensen är där ordet ”öppen” slutar göra det arbete folk förväntar sig. MiniMax-H3-Image tillhandahålls under MiniMax-H3-Image Community License Agreement, och villkoren som avgör driftsättningar är inte fotnoter:

• Territorium. Licensens definition av uteslutet territorium omfattar Europeiska unionen, Storbritannien, Republiken Korea och USA, vilket utgör en stor del av marknaden för en kommersiell bildmodell.

• Skala. Separat skriftligt förhandsgodkännande krävs över en miljon amerikanska dollar i annualiserad omsättning.

• Hosting. Samma auktoriseringskrav gäller för att erbjuda modellen som en hostad tjänst, helt utan något intäktsgolv — en klausul som är direkt riktad mot API-återförsäljarmodellen.

• Erkännande. Kommersiella gränssnitt som använder modellen måste visa "MiniMax-H3-Image" på ett framträdande sätt.

• Nedströms. Utdata får inte användas för att träna eller förbättra andra modeller.

Hugging Face-sidan visar detta som en enda rad med texten license: other, vilket är tekniskt korrekt och praktiskt taget oanvändbart. Om du utvärderar modellen för en produkt snarare än en notebook är licensfilen det första du bör läsa och möjligen skälet att avbryta.

Vad öppna vikter faktiskt kostar dig att köra

68,65 GB transformator och VAE, plus en textkodare som inte finns i repot. model_index.json sträcker sig in i videomodellen MiniMax-H3 och laddar text_encoder/ därifrån — 66,7 GB Qwen3-VL, oförändrat. En första lokal generering innebär därför en nedladdning på ungefär 135 GB från två repon, och kodaren är den större hälften.

Ramverksläget är ovanligt bra för en checkpoint så här ung, och det fanns på plats dag ett i stället för att komma under månaden som följde. SGLang är referensvägen med en dokumenterad kokbok och ett kommando för en GPU; sekvensparallelism är en flagga (--ulysses-degree på SGLang, --usp på vLLM-Omni); vLLM-Omni publicerar hårdvaruspecifika recept som namnger NVIDIA H200, RTX PRO 6000 Blackwell och AMD Instinct MI350X; både diffusers och ComfyUI stöder det. MiniMaxs egen vägledning för servering pekar på multi-GPU för acceptabel latens vid full upplösning, vilket är det närmaste leverantören kommer att erkänna att tio sekunder är en konfiguration, inte en konstant.

För de flesta team är kalkylen som följer obehaglig. Med $0,02179 per 1K-bild och $0,06879 per 4K-bild är det hostade API:et billigare än elen och avskrivningen under en mycket lång tid. Anledningen att ta 135 GB är kontroll – en fast sexstegssampler som du kan återskapa exakt, en licens du kan resonera kring och inget beroende av en leverantörs kö just när du behöver genomströmning.

Tre tester värda att köra innan du committar

Det första är det billiga: generera samma 4K-prompt tio gånger via MiniMax API, registrera klocktiden per begäran och pixelmåtten för varje returnerad bild. Det avgör båda rubriksiffrorna – de tio sekunderna och de sexton megapixlarna – mot ditt eget nätverk och dina egna promptlängder, på under en timme, för långt under en dollar.

Den andra är identitetstestet, och det är där sexton referenser antingen förtjänar sin plats eller inte. Mata in åtta till sexton bildrutor av ett och samma motiv från varierande vinklar, be om en ny scen och titta på om ansiktet, tyget och logotypen överlever. Positionsbaserade platser är mindre strukturerade än typade referenser — det finns inget sätt att tala om för modellen vilken bild som är karaktären och vilken som är jackan — så testet är om positionen ensam räcker för att förmedla den avsikten.

Den tredje är den som ingen kan göra åt dig: ett A/B-test mot vad du än använder nu, på dina egna prompter, blint. MiniMax-H3-Image har ingen placering på någon av bildtavlorna från Artificial Analysis per den 11 november 2026 — inte en låg placering, ingen alls — och ingen utvärderingstabell från leverantören heller. Inga GenEval, inga DPG-Bench, inga siffror för mänskliga preferenser. Showcase-rutnätet på modellkortet är det enda beviset på utdatakvalitet som finns, och ett showcase-rutnät är designat för att se bra ut. En vecka av dina egna jämförelser kommer att säga dig mer än lanseringsinlägget kan.

Vad detta innebär för lanseringen

Den ärliga sammanfattningen är att MiniMax-H3-Image är en riktig checkpoint med en ovanligt komplett driftsättningshistoria, en prisstege som ligger långt under de slutna modellerna vid 4K, och en rubriksiffra som ingen utanför företaget har verifierat. Hastighetspåståendet är rimligt på arkitektoniska grunder – sex ostyrda steg är verkligen en annan kostnadsklass än en trettio-stegs guidad sampler – och rimlighet är inte bevis.

Det som skulle förändra bilden är specifikt och troligen veckor bort: en oberoende placering på en bildleaderboard med angivet antal prover, en tredje part som tar tid på 4K-vägen på namngiven hårdvara, och en titt på hur sexton positionsreferenser beter sig under verkligt identitetstryck. Fram till dess är den användbara hållningen en kandidatväg snarare än en ersättning – kör den vid sidan av modellen du litar på, på en fast promptuppsättning, och låt bilderna avgöra.

OrcaRouter tillhandahåller inte MiniMax-H3-Image i dag; det finns ingen rutt för den i vår katalog, och att påstå något annat skulle vara precis den typ av påstående som den här artikeln argumenterar emot. Det vi däremot har från samma familj är videomodellen, minimax/minimax-h3, till leverantörens listpris med 0 % påslag som förs vidare — vilket innebär att en prisändring från MiniMax, inklusive 4K-rabatten och dess utgång, slår igenom här samma dag som den sker i stället för vid nästa faktureringsmigrering. Om bildmodellen någon gång dyker upp i katalogen kommer den att dyka upp på samma villkor. Tills dess är det här alternativet MiniMax egna API eller dina egna GPU:er.