MiniMax-H3-Image vs Qwen-Image 2.1: Två öppna checkpoints, två olika lås

Båda dessa modeller går att ladda ned, och ingen av dem är gratis att använda på det sätt som ordet vanligtvis antyder. MiniMax-H3-Image – en nedladdning på 68,65 GB där enbart transformatorn är 66,28 GB, plus en textkodare på 66,7 GB, med vikter publicerade den 10 november 2026 – distribueras under en communitylicens som utesluter Europeiska unionen, Förenade kungariket, Republiken Korea och USA från sitt beviljande, och som kräver MiniMaxs skriftliga tillstånd vid annualiserade intäkter över 1 miljon US-dollar eller för alla hostade tjänster. Qwen-Image 2.1, som släpptes av Alibabas Qwen-team den 20 september 2026 och är ungefär en fjärdedel av nedladdningsstorleken på 33,13 GB, distribueras under Qwen Research License Agreement, vars avsnitt 2(a) beviljar rättigheter "FOR NON-COMMERCIAL PURPOSES ONLY" och vars avsnitt 2(b) förbjuder kommersiell användning utan en separat licens. Det ena låset är geografiskt med ett intäktsreglage; det andra är absolut. Om du kom hit för att välja den modell du kan använda i en produkt har licensfilerna redan svarat, och resten av den här jämförelsen handlar om den mycket snävare uppsättning användningar där det svaret ger dig ett val.

Den tekniska kontrasten är precis lika skarp, och den går i motsatt riktning mot vad parameterantal antyder. Qwen-Image 2.1 är en visuell generator med 7 miljarder parametrar som avbrusar i fyrtio steg. MiniMax-H3-Image är en tät transformer med 33,1 miljarder parametrar som destillerats ned till sex. Den ena är byggd för att få plats på en arbetsstation; den andra är byggd för att få en hostad förfrågan att kännas omedelbar. Att räkna ut vilken som är billigare per tusen bilder handlar inte om att multiplicera parametrar med något — det handlar om var kostnaden för respektive modell faktiskt ligger.

Vad "öppen" betyder i varje licens, klausul för klausul

Börja med Q​wen, eftersom dess villkor är de enklare av de två och de mer restriktiva i normalfallet. Hugging Face-kortet märker licensen som annat med license_name: qwen-research, och LICENSE-filen i repositoryt är Q​wen Research License Agreement daterat 20 september 2026. Den gällande formuleringen är inte tvetydig: rättigheter beviljas endast för icke-kommersiella syften, "Non-Commercial" definieras som forskning eller utvärdering, och den som vill släppa något måste begära en licens från adressen som avtalet anger. Det finns ingen intäktsgräns, inget territoriellt undantag och ingen väg inskriven i texten genom vilken ett litet företag automatiskt kan kvalificera sig. Det är ett forskningsbidrag, och det är allt det är.

MiniMaxs avtal är mer tillåtande i princip och märkligare i praktiken. Licensgivningen är global men utesluter fyra jurisdiktioner vid namn. Kommersiell användning förutses snarare än förbjuds, men omfattas av två utlösande villkor som kräver skriftligt förhandstillstånd och av en attribueringsklausul som ålägger varje kommersiell produkt att "tydligt visa 'MiniMax-H3-Image'" i sitt gränssnitt. Avtalet kräver också skyddsåtgärder för alla tjänster som genererar utdata – implementera, underhålla, testa och regelbundet granska – vilket är en sådan klausul som ett compliance-team tolkar som en skyldighet och en ensamutvecklare tolkar som standardtext.

Placerade bredvid varandra ger de två dokumenten en märklig karta. En studio i Tokyo kan använda MiniMax-H3-Image kommersiellt, med auktorisering över tröskelvärdet, och kan inte använda Qwen-Image 2.1 kommersiellt alls. En studio i Kalifornien kan inte använda någon av dem: M​iniMax utesluter territoriet helt och hållet, Q​wen förbjuder ändamålet. En forskargrupp var som helst kan använda båda, eftersom forskning är det som Q​wen beviljar och det som M​iniMaxs icke-kommersiella tolkning omfattar. Den sista meningen är den ärliga sammanfattningen av området för bildmodeller med öppna vikter i november 2026, och ingen benchmarktabell ändrar det.

Fyrtio steg mot sex, och vad det gör med en räkning

Skillnaden mellan samplers är det mest betydelsefulla tekniska faktumet i den här matchningen, eftersom den dominerar allt annat som rör kostnaden.

• Steg — Qwen-Image 2.1 kör Flow Matching med diskret Euler-schemaläggning vid fyrtio avbrusningssteg som standard på bascheckpointen, utan någon destillerad variant i basarkivet. Den separata checkpointen Qwen-Image 2.1 Turbo, släppt 9 oktober 2026, minskar det till åtta steg med CFG på 1 och dess schema lagrat i checkpointen. MiniMax-H3-Image kör sex steg och ingen classifier-free guidance alls — inte en standardinställning utan ett krav: det tillhandahållna API:et returnerar HTTP 400 för varje annat stegantal eller vägledningsvärde och avvisar negativa prompter.

• Storlek — {{1}}Q​wens visuella genereringskomponent har 7B parametrar över 32 DiT-lager med enkel ström, med block-kausal uppmärksamhet; text och instruktioner får en kausal mask på tokennivå, bildgenerering en bilateral mask på chunknivå.{{/1}} M​iniMaxs är {{2}}33,1B dense, 50 lager, hidden 5 376, 56 huvuden, FFN 14 336, med 3D multimodal RoPE och en 2×2 latent patch som täcker 32×32 pixlar per token.{{/2}}

• Nedladdning – 33,13 GB totalt för Qwen-Image 2.1 (cirka 20,5 GB för transformer och VAE, resten en Qwen3-VL 8B-textkodare). Ungefär 135 GB för M​iniMax innan du har genererat något.

Räknar man på det vänder intuitionen. En 33B-modell med sex steg utför cirka 199B parametersteg arbete per bild; en 7B-modell med fyrtio steg utför cirka 280B. Den större modellen är inte automatiskt den dyrare — vilket är hela poängen med destillation, och anledningen till att "33B" i ett datablad nästan inte säger dig någonting om vad en bild kostar dig. På ett givet kort är det dock 33B-checkpointen som kanske inte får plats vid sexton megapixlar, och M​iniMax publicerar ingen latenssiffra, inget hårdvarurecept och ingen minnesvägledning någonstans i lanseringsmaterialet som talar om huruvida den gör det. Q​wen publicerar i stället fasta förinställningar: 2048×2048 i 1:1, 2400×1792 i 4:3, 2752×1536 i 16:9 och deras transponat — ungefär 4,2 megapixlar som mest, en fjärdedel av det som M​iniMax hävdar.

Upplösningsgapet är inte oväsentligt för kostnadsjämförelsen. MiniMaxs pristrappa till 4K är ovanligt platt eftersom debiteringsgrunden är tokens och tokenantalet inte skalar med ytan på det sätt som intuitionen antyder – $0,02179 vid 1K mot $0,06879 vid 4K innan lanseringsrabatten halverar den högsta nivån. Qwen har ingen pristrappa att jämföra med, eftersom det inte finns någon hostad basmodell att köpa: Artificial Analysis listar Qwen-Image-2.1 utan något pris alls, vilket för den översikten innebär att det inte finns något API. De Pro- och Turbonivåer som Alibaba faktiskt tillhandahåller är helt separata rader, till $35,33 respektive $16 per tusen bilder.

Den enda förmågan Q​wen har som M​iniMax saknar

Inbyggd transparens. Qwen-Image 2.1:s VAE är en RGBA-autoencoder med 64 kanaler och 16× spatial komprimering, så en alfakanal kommer ut ur modellen i stället för från en efterföljande bakgrundsborttagning. Det är en verklig skillnad i arbetsflödet för alla som producerar material som ska kompositeras – produktutklipp, sprites, lagerindelade designfiler – och det är inget man kan prompta MiniMax-H3-Image till att producera. Inget i dess repository, modellkort eller licens nämner en alfakanal, och dess VAE beskrivs som en CNN-encoder med en 24-lagrig ViT-dekoder och 24 latenta kanaler.

Resten av funktionslistan talar på papperet till M​iniMax fördel och är värd att läsas noggrant, eftersom det mesta av den är uppgifter från leverantören:

• Upplösning – Det är här 33B börjar framstå som ändamålsenlig. MiniMax-H3-Image genererar inbyggt upp till ungefär sexton megapixlar i alla bildförhållanden – 4096×4096 till 6272×2688 – med ett API-tak på 20 megapixlar och ingen uppskalare i kedjan. Q​wens dokumenterade förinställningar når som mest nära 4,2 megapixlar.

• Referenser – MiniMax-H3-Image tar emot upp till sexton, och du pekar på dem via plats: prompten säger <Picture 3> och menar den tredje filen du laddade upp. Qwen-Image 2.1 tar emot upp till tio, och dess showcase innehåller ett gruppfoto sammansatt av sex porträtt.

• Instruktionsföljning — M​iniMaxs modellkort hävdar "det starkaste instruktionsföljandet bland öppen källkodsmodeller" utan någon utvärderingstabell bakom meningen. Q​wen publicerar en VDEBench-siffra på 0,81 lokalt och 0,83 globalt över 3 506 prover, vilket är ett verkligt tal med ett verkligt antal prover och fortfarande ett leverantörstal, beräknat av leverantörens eget ramverk.

• Promptlängd – M​iniMax accepterar 32 000 tecken på det tillhandahållna API:et, med ungefär de första 4 096 tokens som får effekt. Q​wens kort och exempel är utformade kring korta strukturerade instruktioner snarare än långa prompter, och dess uppmärksamhet med blandad granularitet är uttryckligen utformad för att cacha instruktions- och villkorsbilderna en gång och återanvända dem mellan stegen, vilket är ett påstående om effektivitet snarare än om kapacitet.

Vad de oberoende styrelserna visar nu

Båda modellerna är poängsatta på båda Artificial Analysis bildarenorna per den 14 november 2026, vilket gör detta till en av få matchningar med öppna vikter där de två sidorna har jämförbar tredjepartsevidens. Text-till-bild-tavlan är nästan oavgjord: MiniMax-H3-Image ligger på 25:e plats av 114 rader med Elo 1 066 och ett intervall på 1 051 till 1 080, och Qwen-Image-2.1 ligger på 28:e plats på 1 047 med 1 035 till 1 059. Tjugo Elo med intervall som bara nätt och jämnt tangerar varandra är en ledning, inte en klyfta, och ingen bör byta pipeline på grund av det.

Redigeringslistan är den som skiljer dem åt. MiniMax-H3-Image ligger på 13:e plats av 84 med Elo 1,138 (1,122–1,154); Qwen-Image-2.1 ligger på 30:e plats med 1,084 (1,071–1,097). Det är femtiofyra Elo utan någon överlappning alls, och det är den enda platsen i den här jämförelsen där bevisen från tredje part säger något avgörande om kvalitet snarare än om kostnad eller licensiering.

Varianter följer sina föräldrar utan att ändra formen. MiniMax-H3-Image Highspeed landar på 24:e plats för text till bild (1 072) och 14:e plats för redigering (1 134), så den snabbare serverade nivån ligger nära standardvarianten på båda listorna. På Qwen-sidan ligger det hostade Pro-syskonet på 1 059 och 1 068, och Turbo på 1 025 och 1 062 – båda under bascheckpointens redigeringspoäng, vilket är den förväntade kostnaden för ett åttastegsschema snarare än en överraskning.

Två varningar innan någon bygger ett upphandlingsärende på de siffrorna. För det första kommer Elo från blinda parvisa röster, inte från mätningar av upplösning, alfahantering eller efterlevnad av antalet steg; en styrelse som inte kan se er kompositeringspipeline kan inte betygsätta det som spelar roll för den. För det andra togs Qwen-Image-2.1:s rader fram av personer som körde vikterna själva, eftersom det inte finns någon hostad basendpoint att rikta en prompt mot, medan MiniMax:s rader inkluderar trafik mot dess API. Olika populationer, samma resultattavla – och Artificial Analysis flaggar själva den skillnaden i stället för att dölja den.

Var OrcaRouter passar in, och var det inte passar

Ingen av dessa modeller finns i OrcaRouters katalog, och det är värt att säga det rakt ut i stället för att tona ned det: per den 14 november 2026 finns det ingen väg här för MiniMax-H3-Image eller för Qwen-Image 2.1, och licensanalysen ovan är en stor del av förklaringen till varför en hostad katalog är en annan verksamhet än ett viktrepositorium. Det plattformen faktiskt dirigerar på bildområdet är familjerna från Google och OpenAI – inklusive Geminis bildmodeller och GPT Image-serien – bakom samma nyckel som dess textmodeller, till leverantörens listpris med 0 % påslag som förs vidare.

Den del av det som faktiskt är användbart i den här jämförelsen är routing-DSL:en. En pipeline som behöver en 16 megapixlars bild för ett tryckjobb och en miniatyr på 1 megapixel för en annons vill inte att en enda modell ska göra båda till ett pris, och den vill inte ha två leverantörsavtal för att komma dit. Att komponera anropen – en route för den tunga genereringen, en annan för det billiga derivatet, båda bakom en enda slutpunkt – är precis vad en router finns till för, och det är samma argument för att sätta en forskningslicensierad checkpoint bakom en intern tjänst i stället för att koppla in den i en applikation.

Beslutet, så snävt formulerat som det förtjänar

För en forskargrupp, ett utvärderingsteam eller någon vars utdata aldrig levereras kommersiellt är Qwen-Image 2.1 den bättre nedladdningen: en tredjedel av storleken, dokumenterade förinställningar, ett publicerat utvärderingsvärde med ett urvalsantal, Turbo med åtta steg när du vill iterera och inbyggd alfa om ditt arbete involverar kompositering. Det är också modellen vars beteende du kan karakterisera på din egen hårdvara i eftermiddag.

För ett kommersiellt team utanför de fyra undantagna jurisdiktionerna är MiniMax-H3-Image den enda av de två som ni lagligt kan leverera, och det är den starkare redigeringsmodellen med en marginal som styrelsen kan avgöra. Avsätt budget för nedladdningen, räkna med att förhandla med MiniMax när intäkterna överstiger en miljon, och planera in attributionskravet i gränssnittet före lansering i stället för efter.

För ett kommersiellt team inom dessa jurisdiktioner är svaret inget av dem. Det är otillfredsställande och det är korrekt. Fältet för bildmodeller med öppna vikter har nått en punkt där den intressanta frågan inte längre är vilken checkpoint som får högst poäng, utan vilken din jurist låter dig köra – och i den frågan är det här paret en användbar illustration av hur många olika saker "öppen" har kommit att betyda.

Vad skulle flytta på det här?

En licensändring på endera sidan skulle förändra jämförelsen mer än någon punktrelease. M​iniMaxs lista över territorier framstår som en standardlösning för regelefterlevnad, och företaget har licensierat om modeller tidigare; Q​wens forskningslicens har varit familjens standard sedan 2.1-serien, och en kommersiell nivå för basvikterna – till skillnad från de värdbaserade Pro- och Turbo-slutpunkterna – skulle göra den till det uppenbara valet för alla som vill ha artefakten. Tills något av detta inträffar är de tekniska skillnaderna mellan dessa två modeller verkliga, väl dokumenterade och mestadels akademiska för alla som har en produkt att leverera.