MiniMax-H3-Image vs MiniMax-H3: Den ena är en videomodell, den andra är dess stillbildsvariant

Det ärligaste med MiniMax-H3-Image är dess filförteckning. Sextiosex gigabyte diffusionstransformer, 2,34 GB VAE, tolv megabyte per-steg-samplingshuvuden – och ingen textkodare någonstans i repositoriet. Textkodaren saknas inte. Den är lånad: model_index.json når in i MiniMax-H3, den 33B omnimodala videomodellen som M​iniMax släppte med öppen källkod den 31 juli 2026, och läser in text_encoder/ därifrån, 66,7 GB Qwen3-VL, oförändrat. Om MiniMax-H3 redan finns på din disk kostar bildmodellen inget extra för att koda en prompt. Om inte kostar din första stillbild 135 GB nedladdningar, och den andra modellen i den här jämförelsen gör ett riktigt jobb åt den första.

Den enda konfigurationsraden är relationen mellan de två modellerna, och den förklarar de flesta praktiska skillnaderna mellan dem. MiniMax-H3-Image är MiniMax-H3 med audiogrenen borttagen, utmatningshuvudet omriktat från latent video till latent bild och det hela destillerat ner till sex samplingssteg. Inget på textsidan ändrades. DiT läser till och med samma hidden states från det 50:e lagret från samma encoder, vilket är varför tokenizer- och processor-mapparna är byte-identiska och varför bildmodellen ärver H3:s engelskspråkiga prompthantering utan en rad ny träning på den vägen.

Det som gör detta värt att skriva om nu är sättet släppet skedde på snarare än dess innehåll. M​iniMax har inte publicerat ett blogginlägg för bildmodellen. Företagets blogg och nyhetsindex innehåller ingenting om bildmodellen — det nyaste där är M3.1 Flash-inlägget från 19 oktober — och modellsidorna leder fortfarande med H3 som ett videosystem. Det enda vi kunde hitta för leverantörens del är ett kort daterat 10 november 2026 i API-dokumentationens lista över modellsläpp, med texten ”En ledande bildmodell med öppna vikter. Från idéer till nya världar” — en mening utan specifikation, utan benchmark och utan eget datum. Hugging Face-repositoriet skapades den 3 november, och vikterna landade den 10 november kl. 14:50 UTC. Två README-revisioner och en vLLM-Omni-driftsättningsguide följde inom en timme. Det är en tyst lansering: artefakterna är verkliga och nedladdningsbara, tillkännagivandet är det inte. Allt nedan är hämtat från repositoriet, licensfilen och M​iniMax egen dokumentation, och där ett tal är leverantörens egen icke-reproducerade uppgift säger vi det.

De två modellerna, utifrån de villkor som var och en faktiskt säljs på

MiniMax-H3 är en allmän omnimodal generator. Den tar text, bilder, video och ljud som en enda packad kontext och producerar 4 till 15 sekunders video vid 24 bilder per sekund med nativt 32 kHz stereoljud, nativt i 768p, med ett separat återgenereringspass – H3-Regenerate-2K – som skickar resultatet och den ursprungliga kontexten tillbaka genom modellen för att nå 2K. Två indatavarianter är viktiga: H3-Base-FL2VA tar noll, en eller två bilder som första-/sistabildrutor, och H3-Base-Ref2VA tar upp till 9 bilder, 3 videoklipp och 3 ljudklipp, med ett tak på 12 filer totalt. En hostad förprocessor som kallas H3-Context-IR tolkar den blandade indatan och skriver om den till en strukturerad form, och MiniMax är tydliga med att den inte ingår i den öppna utgåvan eftersom den är beroende av flera hostade modeller.

MiniMax-H3-Image tar text och upp till 16 referensbilder och genererar en bild. Diffusionstransformatorn har 33,1B parametrar – en dense single-stream-design med 50 lager, dold storlek 5 376, 56 attention-huvuden, FFN-bredd 14 336, 3D multimodal RoPE, BF16-vikter med FP32-inbäddning samt tidsstegs- och utdatalager. Bild-VAE:n är en CNN-encoder med en 24-lagers ViT-avkodare, 16× rumslig nedskalning och 24 latenta kanaler; DiT:n patchifierar den latenta representationen 2×2, så en transformator-token täcker ett 32×32-pixelblock. Utdataarean når upp till 20 megapixlar via API:et, och kortets huvudpåstående är ungefär 16 megapixlar i alla bildförhållanden – 4096×4096 vid 1:1 upp till 6272×2688 vid 21:9, utan uppskalare.

Läs de två styckena sida vid sida och förgreningen är uppenbar. Videomodellen lägger sin kapacitet på tid och på en andra modalitet. Bildmodellen lägger den på rummet. Samma stam, olika mål.

Sex steg och ingen classifier-free guidance är det faktiska ingenjörsarbetet.

Den del av MiniMax-H3-Image som inte bara är subtraktion är destillationen, och den genomdrivs snarare än rekommenderas. Checkpointen kör sex samplingssteg – sex NFE:er – helt utan classifier-free guidance. Det tillhandahållna API:et behandlar inte dessa som standardvärden: num_inference_steps måste utelämnas eller vara 6, guidance_scale måste utelämnas eller vara 1, och alla andra värden returnerar HTTP 400. Negativa promptar avvisas direkt. En separat fil, pdd_fused_heads.safetensors, innehåller per-stegs utdatahuvuden som ersätter transformatorns utdatalager, med schemat i pdd_config.json; det är 12 MB av totalt 68,65 GB som utför en oproportionerligt stor del av arbetet.

Det här är skillnaden mellan en modell som du kan lägga bakom en interaktiv yta och en som du inte kan. En guidad diffusionsmodell med 30 steg vid 16 megapixlar är ett batchjobb. Sex oguidde steg vid samma upplösning är en förfrågan. MiniMaxs egen formulering – ”bilder på 16 megapixlar till en praktisk beräkningskostnad” – är ett påstående om FLOPs per pixel, och det sexstegsschemat är hur påståendet infrias. Huruvida det håller på den kvalitetsnivå som showcasebilderna antyder är en fråga som ingen tredje part har besvarat; det finns ingen Artificial Analysis-post för MiniMax-H3-Image på någon av bildtavlorna per den 10 november 2026, och ingen leverantörsutvärderingstabell i kortet.

För lokal servering är ramverksläget ovanligt komplett för en modell så ung. SGLang är referensvägen med en dokumenterad kokbok; vLLM-Omni publicerar ett recept med hårdvaruspecifika konfigurationer och uppmätt latens, där NVIDIA H200, RTX PRO 6000 Blackwell och AMD Instinct MI350X namnges; diffusers och ComfyUI har båda stöd. Sekvensparallelism är en flagga — --ulysses-degree på SGLang, --usp på vLLM-Omni — och en enda GPU räcker för att börja. Textkodaren är den verkliga minneskostnaden, och det är videomodellens textkodare, vilket är poängen med hela den här jämförelsen.

Två mätare, och ingen av dem är en tokenräknare man kan bedöma på ögonmått.

M​iniMax fakturerar dessa två modeller i inkompatibla enheter, vilket är fällan i alla frågor om ”vilken är billigare”. H3 mäts i sekunder genererad utdata, efter upplösning: $0,08 per sekund vid 768P, $0,13 per sekund vid 2K, med indata debiterad ovanpå – de första fem referensbilderna är gratis och därefter $0,04 styck på basmodellen, ljudindata gratis, referensvideo debiteras efter sin egen varaktighet vid utdataupplösningen. Ett 10-sekunders 2K-klipp kostar $1,30 i utdata före eventuella referenser.

MiniMax-H3-Image debiteras i tokens mot en taxa för bildutdata. På standardnivån anger det publicerade prisbladet $2,30 per miljon ingående texttokens, $1,50 per miljon ingående bildtokens och $3,80 per miljon utgående bildtokens, och leverantörens egna genomräknade exempel visar att det motsvarar:

• 1K (1024×1024) text-till-bild — $0.02179 per bild.

• 2K (2048×2048) text-till-bild — 0,02333 USD per bild.

4K (4096×4096) text-till-bild — $0,06879 per bild, listad till $0,03439 med en tidsbegränsad rabatt på 50 %.

• 1K-redigering med en referens — $0.02654; 2K — $0.02658; 4K — $0.07312, rabatterat till $0.03656.

• 1K-redigering med tre referenser — 0,03563 $; 2K — 0,04177 $; 4K — 0,07914 $, rabatterat till 0,03957 $.

Formen på den där prisstegen är det intressanta. Sexton gånger pixlarna kostar lite drygt tre gånger pengarna, eftersom mätaren är tokens och antalet tokens inte skalar linjärt med ytan så som intuitionen antyder. Höghastighetsvarianten MiniMax-H3-Image-Highspeed tar identiska parametrar och gränser och debiterar $7.60 per miljon genererade bildtokens – $0.03529 vid 1K, $0.13001 vid 4K före samma rabatt. Rabatten gäller när den levererade bilden är minst 16 600 000 pixlar och löper till 17 november 2026 kl. 16:00 UTC, vilket är det enda daterade kommersiella faktumet i hela lanseringen.

Sätt de två mätarna bredvid varandra och gaffeln får ett pris. En sekund 768P-video kostar 0,08 dollar; den billigaste stillbilden från M​iniMax kostar cirka 0,022 dollar. Ett fyra sekunder långt klipp – det kortaste som H3 kan skapa – kostar ungefär femton 1K-bilder. Det är inte ett argument för någon av modellerna. Det är anledningen till att ”vilken är billigare” inte har något svar förrän du säger vad du producerar.

Där forken biter i en verklig driftsättning

Tre asymmetrier är viktigare än benchmarkfrågan.

Det första är indatahantering. H3-Image tar upp till 16 referensbilder i en redigering och refererar till dem positionellt som Bild 1, Bild 2 och så vidare, i uppladdningsordning; den totala förfrågningskroppen är begränsad till 64 MiB, och Base64 ökar storleken på en fil med ungefär en tredjedel, så en förfrågan med 16 bilder måste använda URL:er eller föruppladdade filreferenser i stället för inline-data. H3:s referensläge är en helt annan sak – 9 bilder, 3 videor, 3 ljudklipp, 12 filer, allt packat i en sekvens med tidsmässig struktur. Ingen av modellernas referenshantering är en övermängd av den andras.

Det andra är promptlängd. H3-Images tillgängliga API accepterar upp till 32 000 tecken, men med promptförbättring inaktiverad får bara ungefär de första 4 096 tokenen effekt; den lokala SGLang-vägen trunkerar vid 4 096 token, punkt slut. Det är inte en stor budget för en modell vars säljargument är att följa detaljerade instruktioner, och det är därför den medföljande promptutökaren överhuvudtaget finns – MiniMax-H3-Image-PE, en 27B FP4-fintrimning av Qwen3.8-27B som skriver om en kort förfrågan till en lång beskrivning plus en rekommendation för bildförhållande, släppt den 8 november och omfattad av samma communitylicens. Dess redigeringshalva levererades endast som en prompt; vikterna för expansion på redigeringssidan beskrivs fortfarande som under utveckling.

Den tredje är licensen, och det är samma licens för båda modellerna endast till namnet. MiniMax-H3-Image Community License Agreement kräver separat skriftligt förhandsgodkännande från MiniMax om dina eller dina närstående företags årliga intäkter överstiger en miljon US-dollar, eller om du tillhandahåller hostade tjänster till tredje part. Den kräver att du visar "MiniMax-H3-Image" tydligt i gränssnittet på alla kommersiella produkter som använder den. Den begränsar användningen till det definierade Applicable Territory, förbjuder användning av utdata för att förbättra någon annan AI-modell och gör inga anspråk på rättigheter till själva utdata. H3-videolicensen är ett eget avtal med egna villkor. Om du bygger en produkt på båda har du två licenser, inte en.

Vad ingen av modellerna gör

MiniMax-H3-Image kan inte skapa video. Den har ingen tidsaxel, ingen ljudgren, ingen varaktighetsparameter – ljud-VAE:n är helt enkelt borta från arkitekturen, och utdata är en latent bild per begäran, upp till tio per anrop via API:et. MiniMax-H3 kan inte skapa en stillbild på 16 megapixlar. Den genererar 768p som standard och når 2K via ett regenereringspass; att begära en enskild bildruta på 4096×4096 är inte en begäran som stöds. Om din pipeline behöver en huvudstillbild och en femsekundersloop med synkroniserad dialog från samma visuella värld, anropar du två modeller, och på MiniMax-plattformen betalar du enligt två olika mätare.

Båda har dock en sak gemensamt som är lätt att missa: ingen negativ prompt. H3-Image avvisar fältet. H3:s promptvägledning styr via positiv beskrivning och via Context-IR i stället för via uteslutning. Den som porterar ett Stable Diffusion-arbetsflöde till någon av modellerna förlorar den spaken redan dag ett.

Vilken ska man ringa?

Den ärliga arbetsfördelningen utgår från leverabeln, inte från kvaliteten. Om artefakten är en stillbild – en produktrendering, en nyckelbild, en 16-megapixelsbild med läsbar text i – är MiniMax-H3-Image modellen, och sexstegsschemat gör att du har råd att iterera på den. Om artefakten rör sig är H3 modellen, och ljudgrenen är anledningen att föredra den framför att sy ihop stillbilder till en sekvens.

Vad ett routningslager ändrar här är mer begränsat än det låter, och värt att säga rakt ut: OrcaRouter tillhandahåller inte MiniMax-H3-Image. Modellen fick offentliga vikter den 10 november och har ingen rutt i vår katalog, så om du vill ha den i dag får du den från MiniMax eget API eller köra 68,65 GB-utcheckningen själv. Det vi däremot har är minimax/minimax-h3, videomodellen, som faktureras per sekund till listpris utan påslag — och den användbara egenskapen för en pipeline med två modeller är att samma nyckel som anropar H3 även når de övriga drygt 200 modellerna på plattformen.

Det man ska hålla ögonen på är inte huruvida H3-Image är bra. Det är huruvida MiniMax säger något om det. En modell som levereras med vikter, en licens, ett priskort och fyra ramverksintegrationer, men utan blogginlägg och utan benchmark, är en modell vars påståenden fortfarande helt och hållet tillhör leverantören. Den första oberoende placeringen på en bildtavla, eller den första direkta jämförelsen mot en sluten modell vid samma upplösning, kommer att säga dig mer än demonstrationsrutnätet gör. Fram till dess är repositoriet registret, och registret säger: detta är H3 med ljudet avstängt.