MiniMax-H3-Image-PE: MiniMax har släppt en 27B-promptexpanderare för sin bildmodell utan att berätta det för någon

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

Vad som faktiskt finns i repot, och vad tidsstämplarna säger

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

Vad det gör, exakt

I repot finns två arbetsflöden, och de är inte samma sak. Detta är det enskilt viktigaste att förstå innan du laddar ner 18 GB.

• Text-till-bild-PE — du får allt: de finjusterade vikterna, systemprompten, uppgiftsprompten, förfrågningsparametrarna och en fungerande klient. Den här vägen är komplett och körbar redan i dag.

• Image editing PE — du får en prompt och ett exempel på meddelandesammansättning. Inga vikter. Kortet säger det rakt ut: "Image editing PE är fortfarande under utveckling; den här utgåvan tillhandahåller endast dess prompt." Du förväntas köra den prompten genom en vision-språkmodell som du själv väljer.

Text-till-bild-vägen tar din instruktion, expanderar den och returnerar JSON som begränsas av ett schema till exakt två nycklar. Utdata för en testprompt – "En orange tabbykatt som sover på en solbelyst fönsterbräda" – är en enda mening om varma fotografier och mjukt eftermiddagsljus, plus förhållandet "3:2". Schemat är strikt, med additionalProperties satt till false, och förhållandefältet är en enum med tio värden: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Det finns inget fritt textförhållande, ingen "auto"-token i utdata och inget sätt för modellen att svara med något annat än en av dessa tio strängar. Det är ett medvetet designval och det mappar direkt till den överordnade modellens publicerade storlekstabell, som listar exakt dessa förhållanden med pixeldimensioner från 4096×4096 vid 1:1 upp till 6272×2688 vid 21:9.

Ratiosbeslutet är inte en vibb. Den släppta uppgiftsprompten ägnar flera hundra ord åt en strikt prioritetsordning: en explicit slutlig canvas vinner först, sedan den efterfrågade leverabeln (en poster är vertikal, en slide-header är horisontell, en avatar är kvadratisk), sedan motivets primära komposition, sedan valfri kontext – med en explicit varning att "ett allmänt rum, en park, en skog, en himmel eller en cinematisk bakgrund får inte göra ett fokuserat motiv horisontellt." Prompten förbjuder också att man hittar på en plattform: du får inte utgå från Instagram. Och den skiljer en avbildad scen från en kommunikationsartefakt – en instrumentpanel, poster, förpackning, tekniskt diagram eller komposit med flera paneler byggs som en informationsarkitektur i stället för som en scen som innehåller de efterfrågade objekten. För den som har sett en bildmodell förvandla "en bild för kvartalsresultat" till ett fotografi av ett mötesrum är den distinktionen det intressanta med den här lanseringen.

Varför lägga 27B parametrar på en bildtext?

Svaret finns i den överordnade modellens dokumentation, och det är mer intressant än själva prompt-expandern. MiniMax-H3-Image är en tät diffusionstransformer med enkel ström på 33,1B, 50 lager, dold storlek 5376, 56 attention-huvuden, som läser dolda tillstånd från det 50:e lagret i en fullständig Qwen3-VL-textkodare som ärvts oförändrad från MiniMax-H3. Den textkodaren är 66,7 GB och finns inte i bildrepot – du laddar ner den separat från videomodellens repo. Checkpointen är destillerad till sex samplingssteg utan classifier-free guidance, och API:t upprätthåller detta: alla num_inference_steps andra än 6 och alla guidance_scale andra än 1 returnerar HTTP 400, och negative_prompt avvisas direkt. Det finns ingen ratt att vrida på.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

Licensen är den del som faktiskt kommer att stoppa folk

MiniMax-H3-Image-PE är inte separat licensierad. Kortet anger att det "är en del av MiniMax-H3-Image och omfattas följaktligen av" MiniMax-H3-Image Community License Agreement, och licensfilen innehåller en datarad som lyder "utgivningsdatum/licensdatum: 10 november 2026." Läs det noggrant, eftersom det innebär att prompt-expanderns licensdatum och den överordnade bildmodellens publiceringsdatum ligger åtta dagar ifrån varandra, medan licensen i sig är ett enda dokument som reglerar båda.

Tre klausuler är viktigare än resten, och ingen av dem är den vanliga berättelsen om "öppna vikter":

• Territorium — beviljandet gäller endast inom "Tillämpligt territorium", definierat som hela världen exklusive Europeiska unionen, Förenade kungariket, Republiken Korea och Amerikas förenta stater. Detta är ett territoriellt undantag, inte en användningsbegränsning, och det anges i definitionerna i stället för att gömmas i en bilaga.

Kommersiell skala – avsnitt IV kräver ett separat skriftligt förhandstillstånd om din årsomsättning, eller dina närstående bolags, överstiger 1 miljon USD, ellerom du överhuvudtaget tillhandahåller en hostad tjänst till tredje part. Det andra villkoret har ingen nedre omsättningsgräns.

• Attribution i gränssnittet – samma avsnitt kräver att du på ett framträdande sätt visar "MiniMax-H3-Image" i användargränssnittet för alla kommersiella produkter eller tjänster som använder verken.

Det finns också ett villkor för vidaredistribution som kräver en NOTICE-fil med en specifik upphovsrättsrad, och en skyldighet enligt avsnitt V att upprätthålla skyddsåtgärder mot utdata som bryter mot villkoren, med en rapporteringsmekanism och en skyldighet att agera på rapporter som lämnats i god tro. Inget av detta är ovanligt för en community-licens 2026. Den territoriella exkluderingen är den som, för många team, kommer att avgöra om nedladdningen på 18 GB ens är värd att påbörja – och det är den klausul som mest sannolikt missas, eftersom modellsidan på Hugging Face endast visar den som "other" med en länk.

Det som ännu inte går att veta

Att vara tydlig med gränsen är mer användbart än att fylla i den.

• Inga benchmark-siffror. Inget av korten publicerar en enda poäng. Föräldramodellen gör endast kvalitativa påståenden – "den starkaste instruktionsföljsamheten bland modeller med öppen källkod", "bästa aktuella prestanda" – och per 2026-11-11 hade ingen oberoende utvärdering av MiniMax-H3-Image, eller av dess prompt-expanderare, hittats. Det finns ingen Elo, ingen preferensvinstfrekvens och ingen jämförelse av expansionskvalitet mot den hostade Context-IR-slutpunkten.

• Inga bevis för att redigeringsvägen fungerar. Redigeringsprompten är genomtänkt och ovanligt specifik – den kräver att anroparen anger varje referensbilds reducerade W:H-förhållande, säger till modellen att aldrig uppskatta källförhållandet från en förhandsvisning och instruerar den att konstruera det avsedda målet i stället för att låtsas ha sett ett dolt resultat. Men inga vikter levereras för den, så ingen har mätt om en allmän VLM följer den lika väl som finjusteringen förmodligen skulle göra.

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

• Nedladdningssiffrorna är för små för att läsas. MiniMax-H3-Image visade 667 nedladdningar och 136 gillningar den 2026-11-11, åtta dagar efter publiceringen. PE-modellen visade 0 nedladdningar och 7 gillningar. På en repo som är en dag gammal är det ett golv, inte en dom — men det betyder att ingen ännu har publicerat en fältrapport.

Var det här passar in om du faktiskt bygger något

Den praktiska frågan är inte "är det här en bra modell" – ingen kan svara på det ännu – utan "vad binder jag mig till om jag inför den". Tre saker, konkret. Du binder dig till att köra två modeller i stället för en: en 18 GB expander plus en bildcheckpoint på 68,65 GB plus en textkodare på 66,7 GB som du troligen redan har om du kör MiniMax-H3. Du binder dig till en fast avkodningsbudget på 4096 token inklusive resonemang, vilket vid en förfrågan-timeout som API-dokumentationen anger till 600 sekunder inte är en latens du kan dölja bakom ett interaktivt gränssnitt utan att vara försiktig. Och du binder dig till en licens vars territoriella omfattning utesluter fyra stora marknader.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

For the third — the territory clause — no amount of engineering helps. If you are in the EU, the UK, Korea or the US, the license does not grant you the rights it grants everyone else, and M​iniMax's own remedy is to contact them for a separate grant "based on robust controls and guardrails." That is a business conversation, and it should happen before the download, not after.

Vad du ska titta på

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

In between, the thing to actually read is the task prompt. It is a few hundred lines of plain English describing how to decide what an image is for, and it is the most concrete artefact M​iniMax has published about how it thinks image prompts should work. You can learn more from it in ten minutes than from any benchmark table, and unlike the weights, it costs nothing to read.