MiniMax-H3-Image vs GPT Image 2.5: Båda accepterar 16 referenser, och det är där likheten slutar

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Det sammanfallet är det mest användbara med att ställa dessa två modeller sida vid sida, för allt annat hos dem är asymmetriskt på ett sätt som är lätt att konstatera och svårt att överdriva. GPT Image 2.5 är den näst bästa och fjärde bästa bildmodellen i världen på Artificial Analysiss text-till-bild-ranking, med trettontusen blinda röster bakom varje placering. MiniMax-H3-Image har ingen placering alls – dess vikter publicerades på Hugging Face den 10 november 2026 kl. 14:50 UTC, en dag innan detta skrevs, och ingen arena har hunnit poängsätta den. Så detta är inte en jämförelse av två kandidater på lika villkor. Det är en jämförelse av en uppmätt modell och en icke uppmätt, och den användbara frågan är vad den icke uppmätta erbjuder som skulle motivera att ta reda på det.

Hur de två samtalen faktiskt ser ut

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

Storleken är där gapet är som störst, och det är inte ens nära.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Maximal utdata — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: cirka 16 MP, upp till 20 MP via API:et.

Minsta användbara utdata – GPT Image 2.5: 655 360 pixlar, så en miniatyrbild på 768 pixlar är en förfrågan som stöds. MiniMax-H3-Image: ungefär 4 MP, utan någon nivå för små bilder.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Kvalitetskontroll – GPT Image 2.5: sex kvalitetsinställningar plus auto. MiniMax-H3-Image: inga; sex steg, ingen vägledning, påtvingat.

• Utdataformat – GPT Image 2.5: PNG som standard, JPEG och WebP tillgängliga, komprimering 0–100, transparent bakgrund via background: "transparent". MiniMax-H3-Image: en PNG i data[0].b64_json.

En av dessa skillnader avgör fler driftsättningar än de andra. Om det du ska leverera är en 4K-bild kan GPT Image 2.5 inte åstadkomma den – inte med lägre kvalitet, inte genom att ändra en inställning. Den stannar vid 8,29 megapixlar och resten är uppskalning. Det är inte kritik av modellen; det är ett konstaterande om vad produkten är till för. Men det innebär att de två modellerna slutar konkurrera i samma stund som ditt krav passerar 8,3 MP, och ingen uppmätt Elo stänger det gapet.

Båda mäter tokens, och endast en publicerar vad en token köper

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

Evidensbasen är ojämn, och båda halvorna av det har betydelse.

På Artificial Analysiss lista för text-till-bild ligger GPT Image 2.5 Sunburst tvåa med Elo 1228 över 13 370 prover och Flare fyra med 1209 över 12 695. På redigeringslistan är samma par trea och femma – 1199 över 18 617 prover för Sunburst, 1181 över 19 498 för Flare. Siffrorna är punktuppskattningar med konfidensintervall på tiotals Elo, vilket innebär att Sunburst och Flare inte är meningsfullt åtskilda från varandra för text-till-bild och att båda ligger meningsfullt över allt under femteplatsen.

Det är också värt att notera att GPT Image 2.5 inte längre är i toppen av sin egen familj. 2.6-varianterna – Sunburst och Flare – innehar nu första och tredje plats på text-till-bild-listan och första och andra plats inom redigering, till samma $210.72 per tusen bilder. Så en läsare som väljer mellan MiniMax-H3-Image och GPT Image 2.5 väljer mellan en omätt nykomling och den tidigare generationen av en uppmätt linje, medan den nuvarande generationen av den linjen ligger ett modell-id bort till samma pris. Den som väljer 2.5 för poängen bör titta på vad poängen faktiskt är relativ till.

MiniMax-H3-Image har ingen poäng på någon av listorna och ingen leverantörsutvärderingstabell – ingen GenEval, ingen DPG-Bench, inga siffror för mänsklig preferens. Kortets påstående är kvalitativt: "den starkaste instruktionsföljningen bland öppna modeller", utan någon jämförelsetabell bifogad. Showcase-rutnätet är det enda outputbevis som finns, och ett showcase-rutnät är en kurerad artefakt. Inget av detta är misstänkt för en modell som hade varit offentlig i en dag när texten skrevs. Det innebär att varje argument för den i den här artikeln är ett argument utifrån pris, upplösning eller arkitektur, och inget av dem är ett argument utifrån uppmätt kvalitet.

Promptbudget, och vad en modell kan hålla i huvudet

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Licens, kvarhållning och kostnaden för att vara stängd

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Image är öppen, och dess licens är mer restriktiv än vad ordet antyder. Licensavtalet MiniMax-H3-Image Community License Agreement utesluter Europeiska unionen, Storbritannien, Republiken Korea och USA per definition; kräver separat skriftligt tillstånd om de årliga intäkterna överstiger en miljon US-dollar; kräver samma sak för alla hostade tjänster utan någon lägsta intäktsgräns; kräver att modellens namn visas tydligt på kommersiella gränssnitt; och förbjuder användning av utdata för att träna eller förbättra andra modeller. Hugging Face-sidan lyfter fram allt detta som license: other.

Så den vanliga framställningen blir omvänd här. Den slutna modellen har enklare villkor och svagare inlåsning – du kan lämna, du kan bara inte ta med dig vikterna. Den öppna modellen har hårdare villkor och starkare inlåsning, eftersom en licens som utesluter fyra stora marknader är en begränsning för din verksamhet som inga mängder nedladdningsbara vikter uppväger. Om en självhostad väg är anledningen till att du tittar på MiniMax-H3-Image, läs licensen före modellkortet.

När den omätta är det rätta valet

Det finns tre fall där MiniMax-H3-Image är det självklara valet trots att den inte har någon resultattavla, och inget av dem är ”för att den är billigare”.

Det första är upplösningen. Om du behöver mer än 8,29 megapixlar från en enda generering är GPT Image 2.5 inte längre aktuell och jämförelsen är över. Sexton megapixlar för $0.06879 mot att skala upp en bild på 8,29 MP är inget svårt val.

Det andra är reproducerbarhet. Sex steg, ingen vägledning, ett publicerat schema i pdd_config.json, och vikter du kan ladda ner. Om du behöver samma utdata från samma indata på din egen hårdvara om ett år, kan GPT Image 2.5 inte erbjuda det medan MiniMax-H3-Image kan, förutsatt att licensen tillåter det.

Den tredje är volymen vid små storlekar. Med $0.02179 jämfört med ungefär $0.21 vid 1K handlar en pipeline som genererar hundratusen miniatyrbilder i månaden om en skillnad på tiotusentals dollar. Det är tillräckligt med pengar för att motivera att köra en egen blind jämförelse i en vecka, vilket är det enda sättet som någon av dessa siffror kan bli ett beslut.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

Vad skulle göra detta till en riktig jämförelse

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Tills båda finns är beslutet ovanligt enkelt: köp den uppmätta modellen för arbete som måste levereras i måttlig upplösning, och behandla MiniMax-H3-Image som en kandidat för de jobb som GPT Image 2.5 strukturellt sett inte kan utföra – sexton megapixlar, exakt reproducerbarhet, eller volym där prisskillnaden på tio mot ett betalar för utvärderingen flera gånger om.