MiniMax-H3-Image vs Nano Banana 2.1: Nästan samma pris, inte i närheten av samma bevisning

Två bildmodeller, båda runt tre cent per bild, och valet mellan MiniMax-H3-Image och Nano Banana 2.1 avgörs inte av priset. Vid 1024×1024 kostar nykomlingen med öppna vikter $0,02179 per generering och Googles Nano Banana 2.1 kostar $0,0336 – en skillnad på ungefär en cent. Vid 4096×4096 vidgas gapet till $0,06879 mot $0,113. Så den billiga är verkligen billigare, med en tredjedel till hälften. Det man inte kan köpa till något pris just nu är en anledning att tro på den billiga modellens kvalitetspåstående, eftersom ingen utanför MiniMax har mätt det. Nano Banana 2.1 ligger fyra på båda bildlistorna från Artificial Analysis, med tusentals prover bakom varje placering. MiniMax-H3-Image finns inte med på någon av listorna, i någon placering, med något antal prover. Den asymmetrin är hela jämförelsen, och ingen mängd aritmetik på specifikationsblad stänger den.

Det är värt att vara konkret med datumen innan vi går vidare, eftersom de två modellerna inte befinner sig i samma livsfas. Nano Banana 2.1 har varit allmänt tillgänglig sedan 6 oktober 2026 som gemini-nano-banana-2.1, och den ersatte gemini-3.1-flash-image, som G​oogle avvecklade med nedstängningsdatum den 29 oktober 2026 – så om du anropade den äldre har du redan behövt byta. MiniMax-H3-Image:s vikter publicerades på Hugging Face den 10 november 2026 kl. 14:50 UTC, med ett kortfattat kort i M​iniMaxs API-versionsanteckningar daterat samma dag och inget åtföljande blogginlägg. Den ena modellen har en månads produktionstrafik bakom sig; den andra har varit nedladdningsbar i en dag. Bedöm därefter.

Vad var och en faktiskt ger dig

Nano Banana 2.1 är ett derivat av Gemini 3.6 Flash som endast säljs via Googles API. Tre upplösningsnivåer – 1K, 2K och 4K, utan något 512-pixelsalternativ – med bildförhållanden från den vanliga uppsättningen, en indatakontext på 131 072 tokens och 32 768 utgående tokens. Den tar emot upp till 14 referensbilder i en enda begäran, som Google delar upp i 10 objektreferenser och 4 karaktärsreferenser, och den kan förankra en generering i resultat från Google Search eller Image Search. Tänkandet är aktiverat som standard på medelnivå, med minimal och hög tillgängliga, och det kan inte stängas av via API:t överhuvudtaget. Varje utdata bär en SynthID-vattenstämpel.

MiniMax-H3-Image är en 33,1B tät diffusionstransformer med en CNN-kodare och en 24-lagers ViT-avkodare för sin VAE, distribuerad under MiniMaxs egen community-licens. Text-till-bild och redigering körs båda genom ett och samma endpoint-par, redigeringar tar 1 till 16 referensbilder som adresseras positionellt som <Picture 1> till <Picture 16> i uppladdningsordning, och modellen är destillerad till sex samplingssteg utan classifier-free guidance — det serverade API:et returnerar HTTP 400 om du skickar något annat än num_inference_steps=6 och guidance_scale=1. Utdataytan är begränsad till 20 000 000 pixlar via API:et, med ytnivåer på 1K, 2K och 4K och 4K som standard; model card anger ungefär 16 megapixlar i alla bildförhållanden. Det finns ingen sök-grounding, ingen tankebudget och inget vattenmärkningssystem som anges någonstans i repot eller licensen.

Funktionslistorna skiljer sig åt på ett sätt som tydligt motsvarar vem varje produkt riktar sig till. G​oogle levererade orkestrering: referenser, hämtning, en resonemangsbudget, proveniensmarkeringar. M​iniMax levererade upplösning och kontroll: sexton referensplatser, ett tak på 20 megapixlar, en fast sexstegssamplare som du exakt kan replikera på din egen hårdvara.

Prisstegen, med rabattfönstret utskrivet

Nano Banana 2.1 debiteras med 30 USD per miljon bildtoken för utdata, vilket Googles egen dokumentation anger motsvarar 0,0336 USD per 1K-bild, 0,0504 USD per 2K och 0,113 USD per 4K. Indatabilder debiteras med 1,50 USD per miljon token och textutdata med 7,50 USD per miljon. Det finns en batch-nivå till halva dessa utdataavgifter för jobb som kan vänta, och Artificial Analysis listar den effektiva 1K-avgiften som 33,60 USD per tusen bilder – samma siffra uttryckt i bulk.

MiniMax-H3-Image debiteras enligt samma princip men med mycket olika utfall. Standardnivå: 2,30 USD per miljon indatatexttoken, 1,50 USD per miljon indatabildtoken, 3,80 USD per miljon utdatabildtoken. Räknat utifrån leverantörens egna exempel:

• 1K text-till-bild — Nano Banana 2.1 $0.0336 vs MiniMax-H3-Image $0.02179.

• 2K text-till-bild — $0.0504 vs $0.02333.

• 4K text-till-bild — 0,113 $ vs 0,06879 $, eller 0,03439 $ med M​iniMaxs tidsbegränsade 50 % rabatt.

• Redigera med en referens — G​oogle publicerar inget pris per bildredigering på dessa nivåer; M​iniMax tar $0.02654 vid 1K, $0.02658 vid 2K och $0.07312 vid 4K.

• Redigera med tre referenser – $0.03563 vid 1K, $0.04177 vid 2K, $0.07914 vid 4K på M​iniMax.

Två detaljer i den prisstegen är lätta att missa och förändrar kalkylen. För det första gäller MiniMax rabatt endast när den levererade bilden är minst 16 600 000 pixlar, och den löper ut den 17 november 2026 kl. 16:00 UTC – sex dagar efter att vikterna lades upp. Om du prissätter en pipeline utifrån det rabatterade 4K-priset prissätter du utifrån en kampanj. För det andra är MiniMax prisstege ovanligt platt: sexton gånger så många pixlar för drygt tre gånger pengarna, eftersom mätningen sker i tokens och antalet tokens inte skalar med arean på det sätt som prislappen antyder. Googles prisstege är närmare proportionell. Vid 4K, upplösningen som modellen med öppna vikter byggdes för, är det i den plattheten den verkliga besparingen ligger.

Det är här ett routningslager gör sig förtjänt av sin plats – genom att man inte behöver bry sig om vilken av de två mätarna man ligger på. OrcaRouter för vidare leverantörens listpris med 0 % påslag, vilket innebär att en prisförändring från leverantören – inklusive en kampanj som MiniMax och även när den löper ut – slår igenom hos oss samma dag i stället för att vänta på en faktureringsmigrering. Ingen av modellerna i den här jämförelsen finns i vår katalog: MiniMax-H3-Image är en vecka gammal och saknar hostad route, och Nano Banana 2.1 nås via Googles eget API. Det vi däremot har från den linjen är den föregående generationen, google/gemini-3.1-flash-image-preview, tillsammans med OpenAIs bildroutes och en videoroute för MiniMaxs H3. Anledningen till att säga det rakt ut är att en artikel som jämför en omätt öppenviktsmodell med en poängsatt stängd sådan inte bör låtsas att den nya modellen är ett tangentryck bort.

Bara en sida av detta har en resultattavla

Artificial Analysis ger Nano Banana 2.1 Elo 1160 på sin text-till-bild-topplista, fjärde plats, över 6 055 prover, och Elo 1137 på sin bildredigeringstopplista, också fjärde plats, över 5 968 prover. Båda placeringarna har ett placeringsintervall från fjärde till sjätte beroende på vilket intervall man läser. De är oberoende, provbaserade och jämförbara med alla andra modeller på listan – inklusive de du redan använder.

MiniMax-H3-Image finns inte med på någon av resultattavlorna. Inte med en låg placering; inte alls. Leverantörens modellkort kallar den ”en ledande bildmodell med öppna vikter”, och repots visningsrutnät är det enda beviset på utdatakvalitet som finns, vilket är precis den typ av bevis som är utformat för att se bra ut. Det finns inte heller någon utvärderingstabell från leverantören – ingen GenEval, ingen DPG-Bench, inga siffror för mänskliga preferenser, inget att jämföra med en konkurrents publicerade utvärdering. Om en månad kan det ha ändrats. I dag är den ärliga sammanfattningen att den billigare modellen är billigare och den uppmätta modellen är uppmätt, och de två fakta står inte i konflikt eftersom de handlar om olika saker.

Det finns en andra ordningens kostnad som priset per bild helt döljer, och det är den största siffran i den här artikeln: 68,65 GB diffusionstransformer och VAE i BF16 och FP32, plus en textkodare som inte finns i repot över huvud taget. MiniMax-H3-Image läser in text_encoder/ från MiniMax-H3-videomodellen, 66,7 GB Qwen3-VL, så en första lokal generering är en nedladdning på ungefär 135 GB från två repon. Lägg till GPU:erna: MiniMax egen vägledning för servering med vLLM-Omni anger H200, RTX PRO 6000 Blackwell och AMD Instinct MI350X, och sekvensparallelism över flera GPU:er — --ulysses-degree på SGLang, --usp på vLLM-Omni — är det dokumenterade sättet att få acceptabel latens vid full upplösning. Med $0,02179 per 1K-bild är API:et billigare än elen under mycket lång tid. De öppna vikterna är värdefulla för kontroll och för licensens villkor, inte för ekonomin per enhet i liten skala.

Begränsningar som avgör fler driftsättningar än vad kvaliteten gör

Upplösningstaket är det uppenbara, och det är inte ens nära. Nano Banana 2.1 stannar vid 4K. MiniMax-H3-Image går upp till 20 megapixlar via API:et och ungefär 16 megapixlar i kortets exempel – 4096×4096 i 1:1, 6272×2688 i 21:9, 5472×3072 i 4K 16:9. Om det du ska leverera är en plåt i tryckstorlek eller en bakgrund som kommer att beskäras hårt, är den slutna modellen ute ur leken innan kvaliteten ens kommer in i diskussionen, och de två modellerna i den här artikeln slutar konkurrera helt.

Referenshanteringen är det omvända. G​oogles 14 referenser är typade – 10 objekt, 4 karaktärer – och typningen gör nytta: den talar om för modellen vilken roll varje bild spelar. M​iniMaxs 16 är otypade platser som adresseras via position, vilket ger mer utrymme och mindre struktur. Om ditt arbetsflöde är ”sätt den här personen i den här jackan mot den här bakgrunden” är G​oogles typning finessen. Om det är ”här är sexton bildrutor, håll identiteten genom alla dem” är M​iniMaxs tak finessen. Ingen av dem är en övermängd.

Promptbudgeten är den tredje. Nano Banana 2.1 har 131 072 token i indatakontext att arbeta med. MiniMax-H3-Image tar emot upp till 32 000 tecken i det tillhandahållna API:et, men med promptförbättring avstängd får bara ungefär de första 4 096 token effekt, och den lokala SGLang-vägen trunkerar rakt av vid 4 096 token. För en modell vars säljargument är instruktionsföljning är det en snäv budget, vilket är därför MiniMax släppte en följeslagare: MiniMax-H3-Image-PE, en 27B FP4-finjustering av Qwen3.8-27B som skriver om en kort förfrågan till en lång bildtext plus en rekommendation för bildförhållande och skickar ut det som JSON enligt ett schema. Den får plats i cirka 19 GiB VRAM. Dess halva för redigering beskrivs som enbart promptbaserad och fortfarande under utveckling, så expanderaren hjälper för närvarande text-till-bild och inte mycket annat.

Och licensen, som inte har någon motsvarighet på Googles sida eftersom det inte finns något att licensiera. MiniMaxs communityavtal kräver separat föregående skriftligt tillstånd vid över en miljon amerikanska dollar i årlig intäkt, eller om du erbjuder hostade tjänster, kräver att orden ”MiniMax-H3-Image” visas framträdande på alla kommersiella gränssnitt som använder det, begränsar användningen till ett definierat territorium och förbjuder användning av utdata för att träna eller förbättra andra modeller. Googles villkor är ett standardavtal för API:er. ”Öppna vikter” betyder här en licens som du måste läsa, inte en licens som du kan ignorera.

Hur de två räkningarna ser ut för en verklig månad

Säg att du genererar 20 000 bilder i månaden i 2K. Nano Banana 2.1 kostar 1 008 USD enligt listpris, eller 504 USD på batch-nivån om jobbet kan köas. MiniMax-H3-Image kostar 466,60 USD enligt listpris via MiniMax API – eller, självhostat, vad nu två till fyra av dessa GPU:er kostar dig för de timmar som krävs, vilket för de flesta team är mer. Säg i stället att du genererar 2 000 bilder i månaden i 4K och att rabattfönstret har stängts: 226 USD för Google, 137,58 USD för MiniMax. Besparingen är verklig och den är tresiffrig per månad, inte femsiffrig. Det är den rimliga storleken på vinsten, och den bör vägas mot kostnaden för att vara den första att upptäcka var en omätt modell brister.

Den asymmetrin talar för ett specifikt mönster snarare än en vinnare. Låt produktionsvägen gå till modellen med resultattavlan och skicka en del av trafiken till den billiga för att bygga din egen bevisning – en fast promptuppsättning, din egen granskning, två veckors jämförelse. Det är precis vad failover är till för: en obekant modell som behandlas som en kandidatväg snarare än en ersättare, med den beprövat fungerande bakom sig när ett jobb kommer tillbaka felaktigt. Sexstegs oguidad sampling vid 16 megapixlar är också en lång förfrågan med bildmått mätt, och den är inte idempotent på M​iniMaxs sida – en klienttimeout debiteras, och O​penAI-SDK:erna försöker igen två gånger som standard om du inte anger max_retries=0. Långa förfrågningar som debiteras vid timeout är precis de där du vill ha en andra väg under.

Frågan som avgör detta om ungefär en månad

Ingen av modellerna är fel val; valet beror på om du har råd att vara den som mäter. Om leveransen behöver en resultattavla innan den behöver ett beslut är Nano Banana 2.1 den enda sidan i den här jämförelsen som har en, och i 4K kostar den $0.113 mot MiniMax $0.06879 — en skillnad som du kommer att lägga mer än en gång på att argumentera om internt. Om leveransen behöver 16 megapixlar spelar typade referenser ingen roll men upplösningen gör det, och MiniMax-H3-Image är den enda sidan som levererar det.

Det som skulle avgöra saken är det som inte har hänt: en oberoende placering. MiniMax-H3-Image har varit offentligt i en dag, frågor om dess licensvillkor ställdes fortfarande i repots diskussionstråd timmar efter att modellvikterna dök upp, och dess egen prompt-expander är halvfärdig. När den dyker upp på Artificial Analysis med ett antal sampel upphör prisskillnaden att vara ett indirekt argument och blir en faktisk avvägning. Fram till dess: köp den uppmätta modellen för arbetet som måste levereras, och behandla den billiga som en kandidat du utvärderar – inte som en ersättare du har bestämt dig för.