MiniMax-H3-Image vs GPT Image 2.6: Vad du faktiskt kan ändra i varje förfrågan

De flesta bildmodelljämförelser lägger sitt utrymme på poäng. Den här lägger det på reglage, eftersom MiniMax-H3-Image och G​PT Image 2.6 Sunburst inte konkurrerar om samma reglage. MiniMax-H3-Image är en diffusionstransformator med öppna vikter på 33,1B, släppt den 10 november 2026, som kör en fast sexstegssampler utan vägledningsskala, tar emot upp till sexton referensbilder och genererar upp till sexton megapixlar nativt. G​PT Image 2.6 Sunburst – och dess snabbare syskon G​PT Image 2.6 Flare, båda lanserade den 4 november 2026 – är en sluten hostad modell vars senaste framsteg mest handlar om vad du kan ge den och vad den ger tillbaka: återanvända referensbilder, markup-styrda redigeringar, GIF- och SVG-utdata. Om din flaskhals är att styra en lång redigeringskedja är en av dem uppenbart rätt. Om din flaskhals är upplösning eller kostnad är den andra det.

Båda är värda att ta på allvar. De misslyckas bara åt olika håll, och felmoderna går att läsa av enbart utifrån kontrollytorna.

Samplern är en ratt på ena sidan och en konstant på den andra

MiniMax-H3-Image ger dig nästan inget att justera och upprätthåller det vid API-gränsen. Checkpointen är CFG-destillerad ner till sex funktionsutvärderingar, vilket innebär att de vanliga två rattarna inom diffusionsarbete – stegantal och vägledningsskala – har slagits samman i vikterna. Anropa den med num_inference_steps satt till något annat än sex och begäran returneras som HTTP 400. Ställ in guidance_scale på något annat än ett och den avvisas på samma sätt. Skicka en negative_prompt och den avvisas direkt, eftersom det inte finns någon andra framåtpassning för den att verka på.

Det låter begränsande och är mestadels en förenkling. Sex steg är snabbt, deterministiskt givet ett seed och omöjligt att felkonfigurera – det finns inget "jag ökade antalet steg och det blev sämre"-misslyckande. Det du förlorar är möjligheten att byta kvalitet mot latens inuti modellen, och alla negativa prompt-trick du har samlat på dig.

G​PT Image 2.6 har sin egen lilla kontrollpanel i stället för sampler-rattar: en parameter för komplexitet som som standard är hög, vilket är det närmaste en "tänk hårdare"-växel som någon av modellerna har. Dess dokumenterade nyheter för 2.6 handlar om indata och utdata, inte sampling – referensbilder som finns kvar mellan efterföljande redigeringar så att du slipper ladda upp dem igen, markeringar som ritas på en referensbild för att styra en redigering, och två utdataformat som den föregående generationen inte erbjöd.

• Antal steg — MiniMax-H3-Image är fixerat till sex, annat avvisas; G​PT Image 2.6 har ingen exponerad stegkontroll.

• Vägledning – MiniMax-H3-Image låser guidance_scale till ett; GPT Image 2.6 exponerar i stället complexity (standard: hög).

• Negativa prompter – avvisas med 400 av MiniMax-H3-Image; ingen dokumenterad yta i G​PT Image 2.6.

Promptbudget — MiniMax-H3-Image trunkerar vid 4 096 token; G​PT Image 2.6:s prompttak publiceras inte på dess modellsidor.

Sexton referensplatser är den mest omfattande kontrollen som någon av modellerna erbjuder.

Den enskilt största funktionella skillnaden är hur mycket kontext du kan lägga in före redigeringen. MiniMax-H3-Image tar emot upp till sexton referensbilder i en och samma förfrågan, och modellkortet beskriver redigeringsläget som att det arbetar med ungefär samma trohet som generering – vLLM-Omni-portningen rapporterar 0,985 SSIM och cirka 35 dB PSNR mot sin egen referens på en enda GPU vid en redigering i 2048², vilket är en självkonsistenskontroll snarare än ett kvalitetsmått, men det betyder att den parallelliserade körvägen inte omärkligt försämrar din utdata.

Sexton referenser är en annan typ av kontroll än "en bild plus en mening". Produktfotografi med sex vinklar, ett stilark, ett karaktärsark och en varumärkesriktlinje kan alla läggas in samtidigt. Priset för den bredden är att promptteknik blir kontextteknik: med sexton bilder inblandade måste texten ange vilken som styr vilket attribut, och modellen har inget sätt att fråga.

G​PT Image 2.6:s svar på samma problem är minne snarare än bredd. Referensbilder finns kvar mellan uppföljande redigeringar inom en session, så en retuschering över flera turer behöver inte ladda upp originalet varje gång, och den markupstyrda redigeringsvägen låter dig peka på ett område i stället för att beskriva det. För iterativt arbete på en enda bild är det ett bättre gränssnitt än sexton statiska platser. För en engångskomposit byggd av ett dussin tillgångar är det inte det.

Vad som kommer tillbaka ut

Det är i listan över utdataformat som G​PT Image 2.6 drar ifrån varje bildmodell med öppna vikter, inklusive den här. Version 2.6 lade till animerad GIF-utdata och SVG-utdata vid sidan av de vanliga rasterformaten. Ett SVG-resultat spelar större roll än det låter: det är skillnaden mellan en bildmodell som du använder för att ta fram ett logotypkoncept och en som du kan lämna till en frontend. MiniMax-H3-Image returnerar PNG – dess serveringsväg valideras med bitidentisk PNG-jämförelse – och inget i vLLM-Omni-pipelinen eller modellkortet tyder på vektor- eller animationsutdata.

Upplösningen går åt andra hållet, och det är inte ens nära. MiniMax-H3-Image genererar upp till sexton megapixlar inbyggt, i alla bildförhållanden från kvadratiskt till ultrabredt, utan uppskalare i kedjan – 4096×4096 och 6272×2688 är båda inbyggda utdata. Arbetsområdet är cirka fyra till tjugo megapixlar, med kvaliteten som högst nära den övre gränsen. GPT Image 2.6:s modellsidor dokumenterar format och referenshantering men publicerar inget maximalt pixelantal, så upplösningsargumentet i den här jämförelsen handlar om att MiniMax publicerar en siffra medan OpenAI inte publicerar någon, snarare än en uppmätt direkt jämförelse.

• Ursprunglig utdata – MiniMax-H3-Image upp till 16 MP i valfritt förhållande, ingen uppskalning; GPT Image 2.6 anger ingen maxgräns.

• Format – MiniMax-H3-Image returnerar PNG; G​PT Image 2.6 lägger till GIF och SVG.

• Bildförhållanden — MiniMax-H3-Image accepterar alla kombinationer av bredd och höjd; GPT Image 2.6:s uppsättning publiceras inte per modellsida.

• Redigeringsindata — MiniMax-H3-Image tar upp till 16 referensbilder per begäran; G​PT Image 2.6 behåller referenser mellan turer och accepterar ritade markeringar.

Fakturan, baserat på varje leverantörs egna genomräknade exempel.

Båda leverantörerna mäter bilder i tokens, vilket gör att prislapparna ser jämförbara ut medan kostnaden per bild inte alls ser likadan ut. MiniMax publicerar genomräknade exempel på sin prissättningssida, så detta är aritmetik på deras egna siffror snarare än en härledning:

• MiniMax-H3-Image 1024×1024, text-till-bild — 0,02179 USD per bild, mot 3,80 USD per miljon utdatatoken.

• MiniMax-H3-Image 2048×2048 — 0,02333 USD per bild. Att fördubbla antalet pixlar kostar en halv cent, eftersom antalet token växer mycket långsammare än ytan i den här änden av intervallet.

• MiniMax-H3-Image 4096×4096 — 0,06879 USD per bild, sänkt till 0,03439 USD under ett tidsbegränsat 50 %-erbjudande som gäller till 17 november 2026 kl. 16:00 UTC och förutsätter att den levererade bilden är minst 16 600 000 pixlar.

• MiniMax-H3-Image-redigering, en referensbild vid 1024×1024 — 0,02654 USD per bild, med indatabilder debiterade till 1,50 USD per miljon tokens och indatatext till 2,30 USD.

• GPT Image 2.6 — utdatatokens till $30 per miljon. Vid det tokenantal som OpenAIs egen dokumentation antyder för ett resultat på 1024×1024 hamnar det nära 21 cent per bild, ungefär tio gånger MiniMax-siffran för samma nominella storlek.

Hastigheterna skiljer sig också, och det är här de två produkterna slutar vara utbytbara. Enligt de siffror som M​iniMax publicerade med utgåvan den 4 november kör G​PT Image 2.6 Flare en text-till-bild-förfrågan på en median på omkring 30 sekunder, ned från ungefär 55 för föregående generation, och en redigering på cirka 32 sekunder, ned från ungefär 58. Sunburst är den långsammare nivån med högre återgivning och blev ännu långsammare – omkring 135 sekunder mot 113. MiniMax-H3-Images egen latens går bara att mäta där du har den hostad: 0,88 sekunder för en 2048²-bild på fyra H200, 1,35 sekunder för en 2048²-redigering, enligt det officiella receptet. Det är inte samma sorts siffra – latens för en självhostad nod kontra en hanterad endpoints median inklusive kö – och att sätta dem i en och samma mening som om de vore det skulle vara ohederligt. Vad jämförelsen med fog säger är att en hostad 2.6-förfrågan tar tiotals sekunder och en lokal H3-Image-förfrågan tar under två, förutsatt att du redan äger de fyra GPU:erna.

Vad den offentliga bevisningen omfattar, och vad den inte omfattar

Artificial Analysis poängsätter båda på samma två resultattavlor, vilket gör detta till en av få platser i jämförelsen där de två sidorna är direkt jämförbara i stället för att argumenteras utifrån specifikationsblad. På AA-Image-Editing v2.1 ligger GPT Image 2.6 Sunburst på 1 210 Elo över ungefär 6 400 prover, Flare på 1 206 över cirka 6 700, och MiniMax-H3-Image på 1 138 i ett rangband från åtta till sjutton över omkring 3 200 prover. På AA-Image-T2I v2.1 vidgas gapet: Sunburst på 1 261 på första plats över 5 282 prover mot MiniMax-H3-Image på 1 066, rankad tjugotredje. Samma röstunderlag, samma Elo-skala, ungefär sjuttio poäng isär vid redigering och nästan tvåhundra vid generering.

Om man läser det ärligt står det två saker på en gång. MiniMax-H3-Image är den högst rankade open-weight-modellen på redigeringslistan – före Fibo 2.0 på 1 085 och Qwen-Image-2.1 på 1 084 – så dess kvalitetsanspråk är inte längre ett påstående; det är ett uppmätt tal. Men talet ligger omkring sjuttio Elo under G​PT Image 2.6 Sunburst, och dess intervall omfattar tio placeringar, medan Sunbursts topptreband inte gör det. På den axel som de två modellerna mest uppenbart delar vinner G​PT Image 2.6, och den vinner med mer på listan där H3-Image är svagare. Argumentet om 16 megapixels upplösning och priset på två cent står fortfarande för sig själva; de är bara inte kvalitetsargument.

Det som ingen av listorna berättar är hur mycket av försprånget för G​PT Image 2.6 som finns kvar när uppgiften är den som den här artikeln handlar om – en lång redigeringskedja med många referenser och en fast sampler. Elo är ett aggregat över mänskliga preferenser på okända prompter, och en modell kan ligga sjuttio poäng före i det aggregatet men ändå förlora i ett specifikt arbetsflöde. Det enda sättet att ta reda på det är att köra sina egna prompter genom båda, vilket är rekommendationen i slutet av den här texten snarare än en gardering mitt i den.

Att köra dem sida vid sida utan ett andra kontrakt

Den praktiska komplikationen är att ingen av modellerna är ett enda API-anrop bort för de flesta team. MiniMax-H3-Images väg från dag ett är självhostad – en total sammansättning på 67B av en 33,1B-transformer, en 33,4B Qwen3-VL-textkodare som återanvänds oförändrad från videomodellen och en VAE på 0,58B, där den optimala punkten på 16 megapixlar kräver fyra datacenter-GPU:er vid full hastighet. Den är också tillgänglig via leverantörens egen API och flera tredjepartsplattformar till ovanstående tokenprissättning. GPT Image 2.6 finns endast hos OpenAI.

Om du vill A/B-testa de två på dina egna prompter är den ärliga beskrivningen av routningslagret följande: OrcaRouter har ännu inte MiniMax-H3-Image, och har inte heller GPT Image 2.6 Sunburst eller Flare. Det den däremot har är det tidigare GPT Image-paret — gpt-image-2.5-sunburst och gpt-image-2.5-flare — tillsammans med gpt-image-2 och gpt-image-1.5, alla till leverantörens listpris utan påslag som läggs på ovanpå. Det ger ett användbart mellanliggande test: bygg testramverket mot 2.5 via en enda nyckel, bekräfta att din utvärdering faktiskt skiljer på Sunbursts återgivningstrohet och Flares hastighet, och bestäm dig först då för om 2.6-deltat eller en självhostad öppenviktsmodell är det du behöver. Modellfusion är det andra alternativet som är värt att känna till här — en panel av modeller som svarar på samma bildprompt ger dig en spridning av utdata per prompt utan att du behöver skriva tre klienter.

Det omvända fallet är för övrigt redan täckt: minimax/minimax-h3, videomodellen vars DiT och textkodare MiniMax-H3-Image är byggd av, är routbar idag. Om anledningen till att du tittar på bildmodellen är att du redan kör H3-video, svarar familjen redan på en nyckel.

Vilken ska man välja?

Välj MiniMax-H3-Image när begränsningen är pixlar, referenser eller enhetskostnad: en native utdata på 16 megapixlar, sexton indatabilder och ungefär två cent för en 1024²-generering. Välj GPT Image 2.6 när begränsningen är utdatans form eller smidigheten i en redigeringsloop: SVG och GIF på väg ut, beständiga referenser och ritad markup på väg in, och ett försprång på sjuttio Elo på redigeringstavlan med ett topp-tre-intervall bakom sig.

Välj ingendera med tillförsikt om det du faktiskt behövde var en poäng för dina prompts. Båda modellerna har nu offentliga poäng, och båda poängen är aggregeringar över någon annans prompts; jämförelsen som avgör ditt fall är den du själv kör, med en nota kopplad till vardera sidan av den. Det resultattavlan ger dig är en prior – G​PT Image 2.6 ligger före, och för text-till-bild ligger det före med tillräcklig marginal för att du bör förvänta dig att se det. Det den inte kan ge dig är svaret för en produktkomposit med sexton referenser på fyra megapixlar, eftersom ingen har publicerat den jämförelsen och Elo-tavlorna inte mäter den.