MiniMax-H3-Image-PE: MiniMax เปิดตัว Prompt Expander ขนาด 27B สำหรับโมเดลภาพของตัวเอง โดยไม่ได้บอกใครเลย

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

ในรีโปมีอะไรอยู่จริง ๆ และ timestamps บอกอะไรบ้าง

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

สิ่งที่มันทำอย่างแม่นยำ

มีเวิร์กโฟลว์สองแบบอยู่ในรีโป และทั้งสองแบบไม่เหมือนกัน นี่คือสิ่งที่สำคัญที่สุดเพียงอย่างเดียวที่ต้องเข้าใจก่อนคุณดาวน์โหลด 18 GB

• Text-to-image PE — คุณได้รับครบทุกอย่าง: ไฟน์จูนเวตส์ พรอมต์ระบบ พรอมต์งาน พารามิเตอร์ของคำขอ และไคลเอนต์ที่ใช้งานได้ เส้นทางนี้สมบูรณ์และพร้อมรันได้แล้ววันนี้

Image editing PE — คุณจะได้รับพรอมป์ต์และตัวอย่างการประกอบข้อความ ไม่มีน้ำหนักโมเดล การ์ดระบุไว้ตรง ๆ ว่า "Image editing PE ยังอยู่ระหว่างการพัฒนา; รีลีสนี้ให้เฉพาะพรอมป์ต์เท่านั้น" คุณต้องนำพรอมป์ต์นั้นไปรันผ่านโมเดลภาษาและภาพ (vision-language model) ที่คุณเลือกเอง

เส้นทาง text-to-image รับคำสั่งของคุณ ขยายความ แล้วส่งคืน JSON ที่ถูกจำกัดด้วยสคีมาให้มีเพียงสองคีย์เท่านั้น เอาต์พุตสำหรับพรอมต์ทดสอบ — "แมวลายส้มกำลังนอนหลับบนขอบหน้าต่างที่มีแสงแดดส่องถึง" — คือประโยคเดียวเกี่ยวกับภาพถ่ายที่อบอุ่นและแสงยามบ่ายที่นุ่มนวล พร้อมอัตราส่วน "3:2" สคีมานี้เข้มงวด โดยตั้งค่า additionalPropertiesเป็น false และฟิลด์อัตราส่วนเป็นอีนัมของสิบค่า: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16 ไม่มีอัตราส่วนแบบข้อความอิสระ ไม่มีโทเค็น "auto" ในเอาต์พุต และไม่มีทางที่โมเดลจะตอบด้วยสิ่งอื่นใดนอกจากหนึ่งในสิบสตริงเหล่านั้น นี่เป็นการออกแบบโดยเจตนา และแมปโดยตรงกับตารางขนาดที่เผยแพร่ของโมเดลแม่ ซึ่งระบุอัตราส่วนเหล่านี้อย่างชัดเจนพร้อมขนาดพิกเซลตั้งแต่ 4096×4096 ที่ 1:1 ไปจนถึง 6272×2688 ที่ 21:9

การตัดสินใจเรื่องอัตราส่วนไม่ใช่แค่ความรู้สึก พรอมต์งานที่เผยแพร่ออกมาใช้หลายร้อยคำอธิบายลำดับความสำคัญที่เข้มงวด: แคนวาสสุดท้ายที่ระบุไว้อย่างชัดเจนมาก่อน จากนั้นจึงเป็นสิ่งส่งมอบที่ร้องขอ (โปสเตอร์เป็นแนวตั้ง หัวสไลด์เป็นแนวนอน อวาตาร์เป็นสี่เหลี่ยมจัตุรัส) ต่อด้วยองค์ประกอบหลักของตัวแบบ แล้วจึงเป็นบริบทเสริม — พร้อมคำเตือนชัดเจนว่า "ห้องทั่วไป สวน ป่า ท้องฟ้า หรือฉากหลังแบบภาพยนตร์ต้องไม่ทำให้ตัวแบบที่โฟกัสกลายเป็นแนวนอน" พรอมต์ยังห้ามสร้างแพลตฟอร์มขึ้นมาเองด้วย: คุณไม่มีสิทธิ์สมมติว่าเป็น Instagram และมันยังแยกฉากที่ถูกวาดออกจากชิ้นงานสื่อสาร — แดชบอร์ด โปสเตอร์ บรรจุภัณฑ์ แผนภาพทางเทคนิค หรือภาพประกอบหลายแผง จะถูกสร้างเป็นสถาปัตยกรรมข้อมูลมากกว่าจะเป็นฉากที่มีวัตถุตามที่ร้องขอ สำหรับใครก็ตามที่เคยเห็นโมเดลภาพเปลี่ยน "สไลด์ผลประกอบการรายไตรมาส" ให้กลายเป็นภาพถ่ายห้องประชุม ความแตกต่างนั้นคือส่วนที่น่าสนใจของการเปิดตัวครั้งนี้

ทำไมต้องใช้พารามิเตอร์ถึง 27B ไปกับแคปชัน

คำตอบอยู่ในเอกสารของโมเดลแม่ และน่าสนใจกว่าตัว prompt expander เอง MiniMax-H3-Image เป็น diffusion transformer แบบ dense single-stream ขนาด 33.1B มี 50 เลเยอร์ ขนาด hidden 5376 มี 56 attention head โดยอ่าน hidden state จากเลเยอร์ที่ 50 ของ text encoder Qwen3-VL แบบเต็มที่สืบทอดมาโดยไม่เปลี่ยนแปลงจาก MiniMax-H3 text encoder นั้นมีขนาด 66.7 GB และไม่ได้อยู่ใน image repository — คุณดาวน์โหลดแยกต่างหากจาก repo ของ video model checkpoint ถูก distill ให้เหลือหกขั้นตอนการสุ่มโดยไม่มี classifier-free guidance และ API บังคับใช้เรื่องนี้: num_inference_stepsค่าใด ๆ ที่ไม่ใช่ 6 และ guidance_scaleค่าใด ๆ ที่ไม่ใช่ 1 จะคืนค่า HTTP 400 และ negative_promptจะถูกปฏิเสธโดยสิ้นเชิง ไม่มีปุ่มใดให้หมุน

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

ใบอนุญาตคือส่วนที่จะหยุดคนได้จริง

MiniMax-H3-Image-PE ไม่ได้มีสัญญาอนุญาตแยกต่างหาก การ์ดระบุว่าโมเดลนี้ "เป็นส่วนหนึ่งของ MiniMax-H3-Image และด้วยเหตุนี้จึงอยู่ภายใต้" ข้อตกลงสัญญาอนุญาตชุมชน MiniMax-H3-Image และไฟล์สัญญาอนุญาตมีบรรทัดวันที่ระบุว่า "วันที่เผยแพร่/วันที่ของสัญญาอนุญาต: 10 พฤศจิกายน 2026" โปรดอ่านข้อความนี้อย่างละเอียด เพราะนั่นหมายความว่าวันที่ของสัญญาอนุญาตของตัวขยายพรอมป์กับวันที่เผยแพร่ของโมเดลภาพต้นแบบนั้นห่างกันแปดวัน ในขณะที่สัญญาอนุญาตเองเป็นเอกสารฉบับเดียวที่กำกับดูแลทั้งสองส่วน

มีสามข้อกำหนดที่สำคัญกว่าข้อที่เหลือ และไม่มีข้อใดเป็นเรื่องราวแบบ "open weights" ที่คุ้นเคย:

• อาณาเขต — การให้สิทธิมีผลใช้บังคับเฉพาะภายใน “อาณาเขตที่ใช้บังคับ” ซึ่งหมายถึงทั่วโลกโดยไม่รวมสหภาพยุโรป สหราชอาณาจักร สาธารณรัฐเกาหลี และสหรัฐอเมริกา การยกเว้นนี้เป็นข้อจำกัดเชิงอาณาเขต มิใช่ข้อจำกัดด้านการใช้งาน และระบุไว้ในคำนิยามแทนที่จะซุกซ่อนไว้ในภาคผนวก

• ระดับเชิงพาณิชย์ — หมวด IV กำหนดให้ต้องได้รับอนุญาตเป็นลายลักษณ์อักษรล่วงหน้าแยกต่างหาก หากรายได้ต่อปีของคุณ หรือของบริษัทในเครือ เกิน 1 ล้านดอลลาร์สหรัฐ หรือ หากคุณให้บริการแบบโฮสต์แก่บุคคลภายนอกไม่ว่ากรณีใดก็ตาม เงื่อนไขที่สองไม่มีเกณฑ์รายได้ขั้นต่ำ

• การระบุแหล่งที่มาบนอินเทอร์เฟซ — หมวดเดียวกันนี้กำหนดให้คุณต้องแสดง "MiniMax-H3-Image" อย่างเด่นชัดบนอินเทอร์เฟซผู้ใช้ของผลิตภัณฑ์หรือบริการเชิงพาณิชย์ใด ๆ ที่ใช้งานเหล่านี้

ยังมีเงื่อนไขการแจกจ่ายต่อที่กำหนดให้มีไฟล์ NOTICE พร้อมบรรทัดลิขสิทธิ์ที่ระบุเฉพาะ และภาระผูกพันตาม Section V ที่ต้องรักษามาตรการป้องกันผลลัพธ์ที่ละเมิด พร้อมกลไกการรายงานและหน้าที่ในการดำเนินการต่อรายงานที่แจ้งโดยสุจริต ทั้งหมดนี้ไม่ใช่เรื่องแปลกสำหรับสัญญาอนุญาตแบบชุมชนในปี 2026 การยกเว้นตามอาณาเขตคือข้อที่จะตัดสินใจสำหรับหลายทีมว่าการดาวน์โหลด 18 GB นั้นคุ้มค่าที่จะเริ่มหรือไม่ และเป็นข้อที่เสี่ยงต่อการถูกมองข้ามมากที่สุด เพราะหน้าโมเดลบน Hugging Face แสดงข้อมูลนี้เพียงในหมวด "other" พร้อมลิงก์

สิ่งที่ยังไม่อาจรู้ได้

การระบุขอบเขตให้ชัดเจนมีประโยชน์กว่าการเติมเต็มขอบเขตนั้น

• ไม่มีตัวเลข benchmark เลย การ์ดโมเดลทั้งสองไม่ได้เผยแพร่คะแนนแม้แต่ค่าเดียว บริษัทแม่กล่าวอ้างเชิงคุณภาพเท่านั้น — "การปฏิบัติตามคำสั่งได้ดีที่สุดในบรรดาโมเดลโอเพนซอร์ส", "ล้ำสมัย" — และ ณ วันที่ 2026-11-11 ยังไม่พบการประเมินที่เป็นอิสระของ MiniMax-H3-Image หรือตัวขยายพรอมป์ของรุ่นนี้ ไม่มี Elo ไม่มีอัตราการชนะจาก preference และไม่มีการเปรียบเทียบคุณภาพการขยายกับเอนด์พอยต์ Context-IR ที่โฮสต์ไว้

• ไม่มีหลักฐานว่าเส้นทางการแก้ไขทำงานได้ พรอมต์การแก้ไขนั้นคิดมาอย่างรอบคอบและเจาะจงผิดปกติ — โดยกำหนดให้ผู้เรียกส่งอัตราส่วน W:H แบบย่อของภาพอ้างอิงแต่ละภาพ บอกโมเดลว่าห้ามประมาณอัตราส่วนต้นฉบับจากภาพตัวอย่าง และสั่งให้สร้างเป้าหมายที่ต้องการขึ้นมาแทนที่จะแสร้งทำเสมือนว่าได้เห็นผลลัพธ์ที่ซ่อนอยู่ แต่ไม่มี weights จัดส่งมาสำหรับสิ่งนี้ จึงยังไม่มีใครวัดว่า VLM ทั่วไปจะทำตามได้ดีเท่ากับที่ fine-tune น่าจะทำได้หรือไม่

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

• ตัวเลขดาวน์โหลดน้อยเกินไปจนอ่านอะไรไม่ได้ MiniMax-H3-Image แสดง 667 ดาวน์โหลดและ 136 ไลก์ ณ วันที่ 2026-11-11 ซึ่งเป็นแปดวันหลังเผยแพร่ โมเดล PE แสดง 0 ดาวน์โหลดและ 7 ไลก์ บนรีโพที่มีอายุหนึ่งวัน นั่นเป็นเพียงจุดต่ำสุด ไม่ใช่คำตัดสิน — แต่มันหมายความว่ายังไม่มีใครเผยแพร่รายงานภาคสนามเลย

สิ่งนี้อยู่ตรงไหนหากคุณกำลังสร้างอะไรบางอย่างจริง ๆ

คำถามในทางปฏิบัติไม่ใช่ "โมเดลนี้ดีไหม" — ยังไม่มีใครตอบได้ในตอนนี้ — แต่เป็น "การนำมาใช้ผูกมัดฉันไว้กับอะไรบ้าง" สามข้อ อย่างเป็นรูปธรรม คุณผูกมัดตัวเองกับการรันสองโมเดลแทนที่จะเป็นหนึ่งโมเดล: ตัวขยายขนาด 18 GB บวกกับอิมเมจเช็กพอยต์ขนาด 68.65 GB บวกกับตัวเข้ารหัสข้อความขนาด 66.7 GB ซึ่งคุณน่าจะมีอยู่แล้วหากคุณรัน MiniMax-H3 คุณผูกมัดกับงบการถอดรหัสแบบคงที่ 4096 โทเค็นรวมการให้เหตุผล ซึ่งที่เวลาหมดอายุของคำขอที่เอกสาร API กำหนดไว้ที่ 600 วินาทีนั้น ไม่ใช่ความหน่วงที่คุณจะซ่อนอยู่หลัง UI แบบโต้ตอบได้โดยไม่ระมัดระวัง และคุณผูกมัดกับสัญญาอนุญาตที่ขอบเขตอาณาเขตไม่ครอบคลุมสี่ตลาดหลัก

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

For the third — the territory clause — no amount of engineering helps. If you are in the EU, the UK, Korea or the US, the license does not grant you the rights it grants everyone else, and M​iniMax's own remedy is to contact them for a separate grant "based on robust controls and guardrails." That is a business conversation, and it should happen before the download, not after.

ดูอะไรดี

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

In between, the thing to actually read is the task prompt. It is a few hundred lines of plain English describing how to decide what an image is for, and it is the most concrete artefact M​iniMax has published about how it thinks image prompts should work. You can learn more from it in ten minutes than from any benchmark table, and unlike the weights, it costs nothing to read.