
MiniMax-H3-Image: สิ่งที่โพสต์เปิดตัวอ้างไว้ กับสิ่งที่ vLLM-Omni ส่งมอบจริง
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 90 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 96 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0717 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 133 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 157 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 221 tok/s
ข้อกล่าวอ้างสามข้อมาพร้อมกับ MiniMax-H3-Image และควรแยกออกจากกัน เพราะมีปริมาณเอกสารรองรับที่แตกต่างกันมาก โมเดลนี้เป็นทรานส์ฟอร์เมอร์แบบดิฟฟิวชันสตรีมเดียวขนาด 33.1B ที่สร้างและแก้ไขภาพที่ประมาณสิบหกล้านพิกเซล ถูกกลั่นให้เหลือหกขั้นตอนการสุ่มตัวอย่างโดยไม่ใช้ classifier-free guidance และน้ำหนักโมเดลถูกปล่อยบน Hugging Face เมื่อวันที่ 10 พฤศจิกายน 2026 เวลา 14:50 UTC โพสต์ที่ประกาศเรื่องนี้ระบุว่าโมเดลนี้เป็นโมเดลน้ำหนักเปิดอันดับหนึ่งสำหรับการแก้ไขภาพบน Artificial Analysis ว่า การรองรับ NVIDIA Vera Rubin สำหรับ MiniMax-H3-Image กำลังถูกนำเข้าสู่ vLLM-Omni และว่า การสร้างภาพ 4K แบบเนทีฟใช้เวลา 0.87 วินาที ข้อแรกเป็นจริง แต่เฉพาะภายในกลุ่มโมเดลน้ำหนักเปิดเท่านั้น และเฉพาะภายในช่วงความเชื่อมั่นที่กว้างสิบอันดับเท่านั้น ข้อที่สองอธิบายงานเอกสารที่มุ่งเป้าไปยังโมเดลอื่นและถูกปิดโดยไม่มีการ merge ข้อที่สามเป็นตัวเลขที่วัดได้จริงซึ่งผูกกับแคนวาสที่มีขนาดเพียงหนึ่งในสี่ของขนาดที่ประโยคของมันบอกเป็นนัย
ไม่มีข้อใดในนั้นทำให้โมเดลแย่ลง แต่กลับทำให้การประกาศครั้งนี้ใช้งานได้ยากขึ้น เพราะผู้อ่านที่เชื่อทั้งสามข้อตามที่เขียนไว้จะวางแผนไปป์ไลน์ 4K โดยอิงจากตัวเลขความหน่วงที่เป็นของรุ่น 4 เมกะพิกเซล
ตัวเลข 0.87 วินาทีนั้นอยู่ใน repo และมันถูกผูกไว้กับแคนวาสขนาด 2048 พิกเซล
สูตรเฉพาะของ vLLM-Omni สำหรับ MiniMax-H3-Image มีตารางค่าเวลาแฝงที่วัดได้จากการจัดวาง GPU แปดรูปแบบ และค่าที่ถูกนำไปใช้ในโพสต์เปิดตัวคือ บน H200 จำนวนสี่ตัวที่ใช้ Ulysses sequence parallelism ครบทั้งสี่ตัว คำขอ text-to-image ขนาด 2048×2048 ใช้เวลา 0.88 วินาที และการแก้ไขภาพขนาด 2048×2048 ใช้เวลา 1.35 วินาที ค่าเหล่านี้เป็นค่ามัธยฐานจากสามคำขอ หลังการวอร์มอัพหนึ่งครั้งที่ concurrency หนึ่ง โดยใช้ seed คงที่ และวัดฝั่งไคลเอนต์แบบ end to end
แถวเดียวกันนี้วัดคำขอที่ใหญ่ที่สุดที่ผู้เขียนลอง — 4736×3552 ซึ่งเป็น 16.8 เมกะพิกเซล และเป็นสิ่งที่ใกล้เคียงที่สุดในตารางกับแผ่นภาพ 4K — ที่ 3.84 วินาที ดังนั้นคำกล่าวอ้างเรื่องความเร็วฉบับซื่อสัตย์ก็คือ ภาพ 4 เมกะพิกเซลใช้เวลาประมาณเก้าในสิบของวินาทีบนโหนดที่มี GPU สี่ตัว และภาพ 16 เมกะพิกเซลที่โมเดลถูกออกแบบมาสำหรับนั้นใช้เวลาประมาณสี่วินาที ตัวเลข 0.87 อยู่ในช่วงความคลาดเคลื่อนจากการวัดของ 0.88; สิ่งที่เปลี่ยนคือแคนวาส ไม่ใช่โมเดล
สิ่งที่ทำให้เรื่องนี้ไม่ใช่แค่ปัญหาการปัดเศษก็คือ คำขอที่เล็กกว่า 2048×2048 ไม่ได้ทำงานที่ขนาดตามที่ระบุไว้จริง ๆ เส้นทางการให้บริการจะสร้างภาพที่เล็กกว่านั้นบนแคนวาสขนาดอย่างน้อย 2048×2048 ในอัตราส่วนภาพเดียวกัน แล้วลดขนาดลงด้วย Lanczos บนอุปกรณ์ นั่นคือเหตุผลที่ 1024×1024 ใช้เวลา 0.77 วินาที และ 2048×2048 ใช้เวลา 0.88 วินาที — ทั้งสองเป็นงานปริมาณเท่ากัน แต่มีการปรับขนาดในภายหลังต่างกัน สูตรนี้เปิดเผยค่าต่ำสุดเป็น min_generation_area ซึ่งปรับได้ตั้งแต่ 32² ถึง 4096² พิกเซล ดังนั้นการติดตั้งใช้งานที่จำเป็นต้องมีภาพขนาดย่อต้นทุนต่ำจริง ๆ จะต้องเลือกเปิดใช้เอง
ส่วนที่เหลือของตารางเป็นส่วนที่มีประโยชน์สำหรับผู้ที่กำลังกำหนดขนาดฮาร์ดแวร์:
• H200s สี่ตัว, Ulysses SP 4 — สูงสุด 81.3 GiB ต่อ GPU, 0.88 วินาทีสำหรับภาพขนาด 2048², 3.84 วินาทีที่ขนาด 4736×3552, 1.35 วินาทีสำหรับการแก้ไขภาพขนาด 2048²
• H200 สี่ตัว, DiT tensor parallel 4 — 36.2 GiB ต่อ GPU, 1.00 s และ 4.01 s และงานแก้ไขให้ผลภายใน 38.3 dB PSNR เมื่อเทียบกับ reference แบบ sequence-parallel
H200 จำนวนสี่ตัว, TP 2 × SP 2 — 52.2 GiB ต่อ GPU, 1.09 วินาที และ 4.07 วินาที, 37.1 dB เมื่อเทียบกับ reference เดียวกัน
• H200 สองตัว, Ulysses SP 2 — 94.6 GiB ต่อ GPU, 1.48 วินาที และ 6.82 วินาที นี่คือเลย์เอาต์ที่ต้องใช้พื้นที่เกือบทั้งการ์ด
• H200 หนึ่งตัวโดยถ่ายโอนตัวเข้ารหัสข้อความออก — 73.4 GiB, 3.18 s และ 12.39 s สำหรับสองขนาดเดียวกัน
• H200 หนึ่งตัวพร้อมการออฟโหลดแบบทีละเลเยอร์ของทั้ง DiT และ text encoder — 14.7 GiB, 8.30 s และ 12.85 s
สองแถวสุดท้ายคือแถวที่น่าสนใจในเชิงพาณิชย์ เพราะมันคือสิ่งที่การ์ดเช่าเพียงใบเดียวให้คุณได้ ที่ 14.7 GiB โมเดลพอดีได้อย่างสบายและใช้เวลาแปดวินาทีสำหรับงานที่โหนดสี่ GPU ทำได้ในไม่ถึงหนึ่งวินาที — อัตราส่วนราวเก้าต่อหนึ่งในด้านความหน่วง เทียบกับอัตราส่วนราวสี่ต่อหนึ่งในด้านฮาร์ดแวร์ โปรไฟล์ออฟโหลดถูกจำกัดด้วยการคัดลอกจากโฮสต์ไปยังอุปกรณ์ ดังนั้นความหน่วงจึงแทบไม่เพิ่มขึ้นตามขนาดภาพ: ช่องว่างระหว่างคำขอ 2048² กับ 16.8 MP บนเส้นทาง DLO แบบ GPU เดียวคือ 8.30 วินาที เทียบกับ 12.85 หากงานของคุณคือภาพขนาดใหญ่และคุณมีการ์ดเพียงใบเดียว ออฟโหลดไม่ใช่หายนะอย่างที่ความหน่วงดิบชี้ให้เห็น

ทำไมภาพแรกจึงมีต้นทุนสูงกว่าที่น้ำหนักของโมเดลบ่งชี้
checkpoint ที่ผู้คนดาวน์โหลดไม่ใช่สิ่งที่ทำงานจริง รีโพซิทอรีขนาด 68.65 GB เก็บ diffusion transformer แบบ BF16 แต่การให้บริการยังต้องใช้ text encoder Qwen3-VL แบบเต็มที่ยกมาจาก MiniMax-H3 ซึ่งเป็นอาร์ติแฟกต์ชิ้นที่สองขนาดประมาณ 66.7 GB บวกกับ VAE ขนาด 0.58B และเมื่อรวมทั้งสามส่วนแล้วได้ 67B ตามการนับพารามิเตอร์ของสูตรเอง นั่นคือตัวเลขที่อยู่เบื้องหลังค่า 73.4 GiB สำหรับ GPU เดียวเมื่อมี text encoder อยู่ในหน่วยความจำ และอยู่เบื้องหลังเลย์เอาต์แบบ resident สอง GPU ที่ต้องใช้ 94.6 GiB ต่อการ์ด
ผลลัพธ์คือปัญหาการคำนวณในวันเปิดตัว โมเดลภาพขนาด 16 ล้านพิกเซลซึ่งมีน้ำหนักโมเดลมาในรูปแบบการดาวน์โหลดขนาดใหญ่สองครั้ง และการติดตั้งใช้งานแบบเร็วที่ถูกที่สุดต้องใช้ GPU ศูนย์ข้อมูลสี่ตัว ไม่ใช่โปรเจกต์สำหรับวันหยุดสุดสัปดาห์ และเฟรมเวิร์กที่อ้างว่าซัพพอร์ตตั้งแต่วันแรกก็กำลังอ้างถึงการซัพพอร์ตไปป์ไลน์ ไม่ใช่การซัพพอร์ตบนเครื่องของคุณ สูตรระบุชัดเจนว่าฮาร์ดแวร์ใดถูกวัดจริงและฮาร์ดแวร์ใดเพียงกำหนดค่าไว้เท่านั้น: H200, RTX PRO 6000 Blackwell ที่สองการ์ดและสี่การ์ด และ MI325X กับ MI350X ถูกทำเครื่องหมายว่าตรวจสอบแล้ว ขณะที่สูตรสำหรับ H100, B200 และ B300 เป็นเพียงการกำหนดค่าเท่านั้น มีสูตรแยกต่างหากสำหรับ single-RTX-4090 อยู่ และถูกระบุว่าเป็นการติดตั้งใช้งานโดยชุมชนมากกว่าการรับรองจากผู้จำหน่าย
ข้อกล่าวอ้างเกี่ยวกับ Vera Rubin ชี้ไปที่โมเดลวิดีโอ และ pull request ถูกปิดแล้ว
คำกล่าวอ้างนี้เป็นข้อที่ต้องค้นคว้าลึกที่สุด เพราะงานนี้มีอยู่จริง และรูปร่างของมันไม่ใช่แบบที่โพสต์บรรยาย มีพูลรีเควสต์ใน vLLM-Omni หมายเลข 10108 เปิดเมื่อวันที่ 10 พฤศจิกายน 2026 เวลา 11:10 UTC โดยมีชื่อว่า “[Doc] Add MiniMax-H3 Rubin recipe and inference results” พูลรีเควสต์นี้เพิ่ม 1,972 บรรทัดในสี่ไฟล์ จัดทำเอกสารสูตรออฟไลน์แบบสี่ GPU บนฮาร์ดแวร์ NVIDIA VR NVL72 ที่มีการ์ดละ 286,524 MiB บนโฮสต์ aarch64 และรายงานการวัดค่าจริง: คำขอ text-to-video ขนาด 1344×768 ความยาวห้าวินาที ที่ 24 FPS ใช้เวลา 19.811 วินาที (ค่ามัธยฐาน) ด้วย attention แบบ TRTLLM และ eager execution เทียบกับ 110.039 วินาทีเมื่อใช้ SDPA ส่วนตัวแปร first/last-keyframe และ mixed-reference ได้ 21.535 และ 21.461 วินาทีตามลำดับ
งานทั้งหมดเหล่านั้นเป็นงานวิดีโอ T2VA, FL2VA และ Ref2VA เป็นชื่อ任務ของ MiniMax-H3 ไม่ใช่ของ MiniMax-H3-Image และคำอธิบายของ pull request เองระบุว่าคู่มือ MiniMax-H3 ที่มีอยู่ขาดสภาพแวดล้อม Rubin ที่ผ่านการรับรอง ดัชนี recipe ของ repo สอดคล้องกัน: MiniMax-H3-Image มี recipe สำหรับ H200, H100, B200, B300, RTX PRO 6000, MI325X และ MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 และ MUSA และไม่มีรายการใดสำหรับ Rubin
จากนั้น pull request ก็ถูกปิด โดยเปิดเมื่อเวลา 11:10 UTC วันที่ 10 พฤศจิกายน และปิดเมื่อเวลา 12:05 ของวันเดียวกัน โดยไม่ได้ถูก merge หลังจากที่ automated reviewer ขอให้ผู้เขียนแสดงความคิดเห็นแบบ self-review ผู้เขียนตรงไปตรงมาเกี่ยวกับข้อจำกัดในคำอธิบายเอง: การเริ่มต้น HTTP ล้มเหลวกับ vLLM nightlies ที่ทดสอบไว้, recipe บันทึกความล้มเหลวเหล่านั้นแทนที่จะอ้างว่ารองรับ HTTP, และ inference บน base revision ที่ใหม่กว่าถูกระบุไว้ภายใต้ "not run" รายการไดเรกทอรีของ main ที่ดึงมาในวันนี้ไม่มี recipe ของ Rubin สำหรับโมเดล MiniMax ทั้งสอง
ดังนั้นข้อความที่ถูกต้องคือ ผู้ร่วมพัฒนารายหนึ่งได้ร่างและวัดผล Rubin recipe สำหรับ MiniMax-H3 — ซึ่งเป็นโมเดลวิดีโอ — และร่างนั้นไม่ได้ถูก merge เข้า หากการสนับสนุนเกิดขึ้นจริง มันจะมาในรูปแบบไฟล์ที่ merge แล้วภายใต้ดัชนี recipe และนั่นคือสิ่งที่ควรจับตามอง ไม่ใช่โพสต์บนโซเชียลมีเดีย ขณะที่เฟรมเวิร์ก day-one ของ MiniMax-H3-Image นั้นเป็นตัวที่มี merge commit รองรับอยู่เบื้องหลัง: pull request สำหรับการสนับสนุนโมเดลของ vLLM-Omni ถูก merge เมื่อวันที่ 11 พฤศจิกายน เวลา 07:32 UTC และ pull request ของ recipe ที่มาพร้อมกันถูก merge เมื่อวันที่ 10 พฤศจิกายน เวลา 14:53 — เร็วกว่าประมาณสิบเจ็ดชั่วโมง ซึ่งบอกให้รู้ว่าคำว่า "day one" ถูกนำมาใช้กับเอกสารอย่างหลวม ๆ เพียงใด
![A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.](https://cms.orcarouter.ai/api/media/file/3-3995.png)
คำกล่าวอ้างเรื่องอารีนาเป็นความจริง และแคบกว่าที่ฟังดูมาก
Artificial Analysis มีกระดานที่เกี่ยวข้องอยู่สองกระดาน คือลีดเดอร์บอร์ด text-to-image ของ image-arena และลีดเดอร์บอร์ดการแก้ไขภาพ ทั้งสองมีคะแนน Elo ช่วงความเชื่อมั่น และจำนวนตัวอย่าง และ MiniMax-H3-Image อยู่ในทั้งสองกระดาน บนกระดานการแก้ไข AA-Image-Editing v2.1 โมเดลนี้อยู่ที่ 1,138 Elo ในอันดับที่ 12 ภายในช่วงอันดับ 8 ถึง 17 จากตัวอย่างราว 3,200 ตัวอย่าง ในราคา $26.54 ต่อพันภาพ รุ่นที่เร็วกว่า คือ MiniMax-H3-Image Highspeed ตามมาหนึ่งอันดับที่ 1,134 ในช่วง 9 ถึง 20 คำอธิบายของกระดานเองชี้ให้เห็นว่าโมเดลนี้เป็นรายการ open-weight ที่อยู่อันดับสูงสุด นำหน้า Fibo 2.0 ที่ 1,085 และ Qwen-Image-2.1 ที่ 1,084 ดังนั้นข้อกล่าวอ้างในโพสต์เปิดตัวจึงถูกต้องตามที่ระบุไว้ — อันดับหนึ่งในบรรดาโมเดล open-weight สำหรับการแก้ไขภาพ — และตัวเลขที่อยู่เบื้องหลังนั้นเป็นตัวเลขจริง จากการโหวต และตรวจสอบได้แบบสาธารณะ

สิ่งที่ประโยคนี้ไม่ได้กล่าวถึงคือขนาดของช่องว่างและความกว้างของช่วง ผู้นำบนบอร์ดนั้นคือ GPT Image 2.6 Sunburst ที่ 1,210 Elo จากตัวอย่างประมาณ 6,400 ตัวอย่าง โดย GPT Image 2.6 Flare อยู่ที่ 1,206 และ GPT Image 2.5 Sunburst อยู่ที่ 1,201 — สูงกว่า MiniMax-H3-Image ราวเจ็ดสิบ Elo ซึ่งในแง่ Elo แล้วเป็นการแยกออกจากกันอย่างมีนัยสำคัญและน่าจะคงอยู่ ไม่ใช่สัญญาณรบกวน ช่วงอันดับที่แปดถึงสิบเจ็ดคืออีกครึ่งหนึ่งของเรื่องราว: ที่จำนวนตัวอย่างนี้ โมเดลอาจอยู่ในอันดับที่แปดหรือสิบเจ็ดอย่างสมเหตุสมผล และตัวแปร Highspeed ของมันเองก็อยู่ในช่วงที่ทับซ้อนเดียวกัน “โมเดลโอเพนเวตที่ดีที่สุดสำหรับการแก้ไขภาพ” กับ “ใกล้เคียงกับโมเดลแก้ไขภาพที่ดีที่สุด” เป็นข้อกล่าวอ้างที่แตกต่างกัน และมีเพียงข้อแรกเท่านั้นที่มีหลักฐานรองรับ
การสร้างภาพจากข้อความคือจุดที่ข้อกล่าวอ้างเริ่มไม่มั่นคงขึ้น บน AA-Image-T2I v2.1 โมเดลอยู่อันดับที่ 23 ที่ 1,066 Elo โดย Highspeed อยู่อันดับที่ 22 ที่ 1,070 เทียบกับ Sunburst 2.6 ที่ 1,261 ซึ่งอยู่อันดับหนึ่งจากตัวอย่าง 5,282 รายการ นั่นคือช่องว่าง 200 Elo และข้อได้เปรียบแบบ open-weight เดียวกันก็ยังใช้ได้ โดย Qwen-Image-2.1 ที่ 1,046 และ FLUX 3 Image Klein ที่ 1,042 ตามหลังอยู่ แต่คำว่า "โมเดล open-weight อันดับหนึ่งสำหรับการแก้ไขภาพ" ไม่ควรถูกตีความว่าเป็นข้อความทั่วไปเกี่ยวกับคุณภาพของภาพ ความแข็งแกร่งด้านการแก้ไขภาพของโมเดลนั้นมีอยู่จริง และความแข็งแกร่งด้านการสร้างภาพอยู่ในระดับกลางของกลุ่ม
ถ้อยคำด้านคุณภาพบนการ์ดโมเดลเองเป็นเชิงคุณภาพ — การทำตามคำสั่งได้แข็งแกร่งที่สุดในบรรดาโมเดลโอเพนซอร์ส โดยไม่มีตารางเปรียบเทียบแนบมาด้วย — และหลักฐานผลลัพธ์เดียวที่ผู้ขายจัดหาให้คือกริดโชว์เคสที่คัดสรรแล้ว นั่นเป็นเรื่องปกติสำหรับการเปิดตัวที่เพิ่งผ่านไปสามวัน มันหมายความว่าข้อสนับสนุนโมเดลในตอนนี้คือคะแนนที่วัดได้ซึ่งมีช่วงกว้าง บวกกับข้อโต้แย้งเรื่องความละเอียดและราคา มากกว่าจะเป็นข้อกล่าวอ้างที่โพสต์เปิดตัวทำให้ดูเหมือนเป็นเช่นนั้น
มีอะไรที่ส่งมอบจริงบ้าง และจะลองใช้ได้อย่างไรโดยไม่ต้องเอาไปป์ไลน์ทั้งหมดมาเสี่ยงกับมัน
ถ้าตัดรายละเอียดประชาสัมพันธ์ออก สาระสำคัญก็ไม่หวือหวาแต่เป็นของจริง โมเดลภาพขนาด 33.1B ที่มีตัวสุ่มตัวอย่างแบบหกขั้น ไม่มี guidance scale ให้ปรับ สิบหกช่องอ้างอิง และเอาต์พุตเนทีฟ 16 เมกะพิกเซล เปิดตัวพร้อมสัญญาอนุญาตแบบเปิด ไปป์ไลน์ vLLM-Omni ที่นำ DiT และตัวเข้ารหัสข้อความของโมเดลวิดีโอ H3 มาใช้ซ้ำ สูตรอย่างเป็นทางการสำหรับ H200 พร้อมเลย์เอาต์ที่วัดแล้วแปดแบบ สูตรฮาร์ดแวร์อีกสี่สูตรที่อยู่ในสถานะการรับรองต่าง ๆ กัน เส้นทาง diffusers และการผสานรวมกับ ComfyUI API บังคับใช้ข้อกำหนดของตัวสุ่มตัวอย่าง: คำขอที่มี num_inference_stepsที่ไม่ใช่หก หรือ guidance_scaleที่ไม่ใช่หนึ่ง หรือมีพรอมต์เชิงลบใด ๆ จะได้รับการตอบกลับเป็น HTTP 400
สำหรับทีมที่ต้องการประเมินมากกว่าจะตัดสินใจใช้งานจริง แนวทางที่ใช้ได้จริงคือการติดตั้งแบบออฟโหลดบน GPU เดียวที่ 14.7 GiB — ช้า แต่เล็กพอที่จะอยู่ร่วมกับสิ่งอื่นใดก็ตามบนการ์ด — และค่อยเปลี่ยนไปใช้เลย์เอาต์แบบ sequence-parallel สี่ GPU เมื่อคุณภาพของเอาต์พุตคุ้มค่ากับโหนดนั้นเท่านั้น โมเดลนี้ยังเข้าถึงได้ผ่าน API ของ MiniMax เองในอัตราคิดค่าบริการตามจำนวนโทเคน และมีแพลตฟอร์มบุคคลที่สามหลายแห่งให้บริการอยู่ แต่ไม่มีอยู่ในแคตตาล็อกของ OrcaRouter
สิ่งที่ OrcaRouter มีให้บริการจริงคือโมเดลวิดีโอที่อิมเมจเช็กพอยต์นี้สร้างขึ้นมา: minimax/minimax-h3สามารถกำหนดเส้นทางได้แล้ววันนี้ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกกำไรเพิ่มเติมใด ๆ ซึ่งสำคัญหากเหตุผลที่คุณสนใจ MiniMax-H3-Image คือคุณสร้างวิดีโอบนตระกูลเดียวกันอยู่แล้ว และอยากถือคีย์เดียวมากกว่าสองสัญญา การสลับสำรองอัตโนมัติของเลเยอร์การกำหนดเส้นทางเดียวกันยังเป็นวิธีทดสอบโมเดลที่ยังไม่ได้วัดผลในโปรดักชันที่ดราม่าน้อยที่สุดด้วย — กำหนดส่วนแบ่งทราฟฟิกไปที่มัน เก็บตัวสำรองที่วัดผลแล้วไว้ข้างหลัง และปล่อยให้การกำหนดเส้นทางตัดสินจากข้อผิดพลาด มากกว่าจากอันดับบนลีดเดอร์บอร์ดที่ยังเป็นช่วงสิบอันดับ
อะไรจะทำให้เรื่องนี้ยุติลง
สามสิ่ง ตามลำดับว่าสิ่งใดจะเปลี่ยนภาพรวมได้มากน้อยเพียงใด ช่วงที่แคบลงบนกระดานการแก้ไข — โมเดลอยู่ที่ 1,138 ในแบนด์ 8 ถึง 17 จากตัวอย่างประมาณ 3,200 ตัวอย่าง และจำนวนโหวตที่มากขึ้นจะเปลี่ยนสิ่งนั้นให้เป็นอันดับจริงแทนที่จะเป็นช่วง สูตร Rubin ที่รวมเข้าด้วยกันแล้วสำหรับโมเดลภาพ — ไม่ใช่โมเดลวิดีโอ — จะทำให้ข้อกล่าวอ้างด้านฮาร์ดแวร์เป็นจริงในจุดเดียวที่นับว่าสำคัญ คือดัชนีสูตร และการวัดความหน่วง 16 ล้านพิกเซลครั้งที่สองอย่างเป็นอิสระจะทำให้ตัวเลขพาดหัว 0.87 วินาทีถูกเขียนใหม่ให้เป็นสิ่งที่มันเป็นจริง: สี่ล้านพิกเซลบน H200 สี่ตัว ที่ประมาณเก้าในสิบของวินาที โดยมีเพลต 4K จริงที่สี่เท่าของเวลานั้น
จนถึงตอนนั้น สรุปที่มีหลักฐานรองรับได้จะแคบกว่าที่โพสต์กล่าวไว้แต่มีประโยชน์กว่า: โมเดลนี้เร็วในขนาดที่คนส่วนใหญ่สร้างจริง โหมด 16 ล้านพิกเซลใช้เวลาสี่วินาทีบนโหนดสี่ GPU ไม่ใช่ต่ำกว่าหนึ่งวินาที การรองรับเฟรมเวิร์กมีจริงสำหรับฮาร์ดแวร์ที่มี merge commit อยู่เบื้องหลัง และอันดับบนลีดเดอร์บอร์ดเป็นของจริงแต่มีขอบเขต — ที่หนึ่งในกลุ่มน้ำหนักเปิด ที่สิบสองโดยรวม อยู่ระหว่างที่แปดถึงที่สิบเจ็ด และตามหลังโมเดลที่โพสต์สื่อเป็นนัยว่ามันเอาชนะได้อยู่ประมาณเจ็ดสิบ Elo
