MiniMax-H3-Image กับ GPT Image 2.6: สิ่งที่คุณเปลี่ยนได้จริงในแต่ละคำขอ
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 87 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 · 163 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 63 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 42 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 · 187 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 203 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 · 122 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 · 313 tok/s
การเปรียบเทียบโมเดลภาพส่วนใหญ่ใช้พื้นที่ไปกับคะแนน บทความนี้ใช้พื้นที่ไปกับปุ่มปรับ เพราะ MiniMax-H3-Image กับ GPT Image 2.6 Sunburst ไม่ได้แข่งขันกันที่ปุ่มเดียวกัน MiniMax-H3-Image เป็นดิฟฟิวชันทรานส์ฟอร์เมอร์แบบเปิดน้ำหนักขนาด 33.1B เปิดตัวเมื่อ 10 พฤศจิกายน 2026 ซึ่งรันแซมเปลอร์แบบหกขั้นตอนคงที่โดยไม่มี guidance scale รับภาพอ้างอิงได้สูงสุดสิบหกภาพ และสร้างภาพได้สูงสุดสิบหกเมกะพิกเซลโดยกำเนิด GPT Image 2.6 Sunburst — และ GPT Image 2.6 Flare รุ่นน้องที่เร็วกว่า ซึ่งทั้งคู่เปิดตัวเมื่อ 4 พฤศจิกายน 2026 — เป็นโมเดลโฮสต์แบบปิดซึ่งความก้าวหน้าล่าสุดส่วนใหญ่อยู่ที่สิ่งที่คุณป้อนให้ได้และสิ่งที่มันส่งกลับมา: ภาพอ้างอิงที่ใช้ซ้ำ การแก้ไขที่นำโดยมาร์กอัป เอาต์พุต GIF และ SVG ถ้าคอขวดของคุณคือการควบคุมห่วงโซ่การแก้ไขที่ยาว ตัวหนึ่งในนี้ก็เหมาะอย่างชัดเจน ถ้าคอขวดของคุณคือความละเอียดหรือค่าใช้จ่าย อีกตัวคือคำตอบ
ทั้งสองอย่างต่างก็ควรค่าแก่การพิจารณาอย่างจริงจัง พวกมันเพียงแต่ล้มเหลวไปในทิศทางที่ต่างกัน และรูปแบบความล้มเหลวนั้นสามารถอ่านออกได้จากพื้นผิวการควบคุมเพียงอย่างเดียว
แซมเพลอร์มีปุ่มหมุนอยู่ด้านหนึ่งและมีค่าคงที่อยู่อีกด้านหนึ่ง
MiniMax-H3-Image แทบไม่เหลืออะไรให้คุณปรับแต่งเลย และมันบังคับใช้กฎนี้ที่ขอบเขตของ API เช็กพอยต์นี้ผ่านการกลั่นด้วย CFG จนเหลือการประเมินฟังก์ชันเพียงหกครั้ง ซึ่งหมายความว่าปุ่มปรับสองตัวที่คุ้นเคยในงาน diffusion — จำนวนสเต็ปและ guidance scale — ถูกหลอมรวมเข้าไปในน้ำหนักเรียบร้อยแล้ว เรียกใช้โดยตั้ง num_inference_steps เป็นค่าใดก็ตามที่ไม่ใช่หก คำขอก็จะถูกตีกลับมาเป็น HTTP 400 ตั้ง guidance_scale เป็นค่าใดก็ตามที่ไม่ใช่หนึ่ง ก็ถูกปฏิเสธในลักษณะเดียวกัน ส่ง negative_prompt เข้ามาก็ถูกปฏิเสธทันที เพราะไม่มี forward pass รอบที่สองให้มันออกฤทธิ์
นั่นฟังดูจำกัดและส่วนใหญ่ก็เป็นการทำให้ง่ายขึ้น หกขั้นตอนนั้นเร็ว ให้ผลแน่นอนเมื่อกำหนด seed และตั้งค่าผิดไม่ได้ — ไม่มีอาการล้มเหลวแบบ "ฉันเพิ่มจำนวน steps แล้วมันแย่ลง" สิ่งที่คุณเสียไปคือความสามารถในการแลกคุณภาพกับ latency ภายในโมเดล และเทคนิค negative prompt ใด ๆ ที่คุณสะสมมา
GPT Image 2.6 ยังคงมีชุดควบคุมขนาดเล็กของตัวเองแทนปุ่มหมุนของ sampler โดยมีcomplexity เป็นพารามิเตอร์ที่มีค่าเริ่มต้นเป็น high ซึ่งเป็นสิ่งที่ใกล้เคียงที่สุดที่ทั้งสองโมเดลมีต่อสวิตช์ "คิดให้หนักขึ้น" การเพิ่มเติมที่ระบุในเอกสารสำหรับ 2.6 เกี่ยวกับอินพุตและเอาต์พุต ไม่ใช่การสุ่มตัวอย่าง — ภาพอ้างอิงที่คงอยู่ข้ามการแก้ไขต่อเนื่องเพื่อให้คุณไม่ต้องอัปโหลดซ้ำอีก มาร์กอัปที่วาดลงบนภาพอ้างอิงเพื่อชี้แนะการแก้ไข และรูปแบบเอาต์พุตสองแบบที่รุ่นก่อนหน้าไม่มีให้
• จำนวนสเต็ป — MiniMax-H3-Image กำหนดตายตัวไว้ที่หก ค่าอื่นจะถูกปฏิเสธ; GPT Image 2.6 ไม่มีตัวควบคุมจำนวนสเต็ปที่เปิดให้ใช้งาน
• การชี้แนะ — MiniMax-H3-Image ตรึง guidance_scale ไว้ที่ 1; GPT Image 2.6 จะเปิดให้ตั้งค่า complexity (ค่าเริ่มต้นสูง) แทน
• พรอมต์เชิงลบ — ถูกปฏิเสธด้วย 400 โดย MiniMax-H3-Image; ไม่ใช่ surface ที่มีเอกสารระบุไว้บน GPT Image 2.6
• งบประมาณพรอมต์ — MiniMax-H3-Image ตัดที่ 4,096 โทเคน; เพดานพรอมต์ของ GPT Image 2.6 ไม่ได้เผยแพร่บนหน้าโมเดล
ช่องอ้างอิงสิบหกช่องถือเป็นการควบคุมที่กว้างที่สุดที่โมเดลทั้งสองรุ่นมีให้
ความแตกต่างเชิงฟังก์ชันที่ใหญ่ที่สุดเพียงอย่างเดียวคือปริมาณบริบทที่คุณสามารถใส่ไว้ก่อนการแก้ไขได้ MiniMax-H3-Image รับภาพอ้างอิงได้สูงสุดสิบหกภาพในหนึ่งคำขอ และการ์ดโมเดลระบุว่าโหมดแก้ไขทำงานด้วยความเที่ยงตรงระดับเดียวกับโหมดสร้างภาพโดยประมาณ พอร์ต vLLM-Omni รายงานค่า SSIM 0.985 และ PSNR ประมาณ 35 dB เมื่อเทียบกับข้อมูลอ้างอิงแบบ GPU เดียวของตนเองบนการแก้ไขภาพขนาด 2048² ซึ่งเป็นการตรวจสอบความสอดคล้องในตัวเองมากกว่าคะแนนคุณภาพ แต่มันหมายความว่าเส้นทางการประมวลผลแบบขนานไม่ได้ลดทอนคุณภาพผลลัพธ์ของคุณแบบเงียบ ๆ
การอ้างอิงสิบหกภาพเป็นการควบคุมคนละระดับกับ "หนึ่งภาพบวกหนึ่งประโยค" ภาพถ่ายสินค้าที่มีหกมุมมอง style sheet, character sheet และ brand guideline สามารถใส่เข้าไปพร้อมกันได้ทั้งหมด ต้นทุนของความกว้างขวางนั้นก็คือ prompt engineering กลายเป็น context engineering: เมื่อมีภาพสิบหกภาพเข้ามาเกี่ยวข้อง ข้อความจะต้องระบุว่าภาพใด governs คุณลักษณะใด และโมเดลก็ไม่มีทางถามได้
คำตอบของ GPT Image 2.6 ต่อปัญหาเดียวกันคือหน่วยความจำ ไม่ใช่ความกว้าง ภาพอ้างอิงจะคงอยู่ข้ามการแก้ไขต่อเนื่องภายในเซสชัน การรีทัชหลายรอบจึงไม่ต้องอัปโหลดต้นฉบับใหม่ทุกครั้ง และเส้นทางการแก้ไขที่นำทางด้วยเครื่องหมายช่วยให้คุณชี้ไปยังบริเวณหนึ่งได้แทนการอธิบาย สำหรับงานที่ทำซ้ำบนภาพเดียว นั่นคืออินเทอร์เฟซที่ดีกว่าช่องคงที่สิบหกช่อง สำหรับงานคอมโพสิตแบบครั้งเดียวที่สร้างจากแอสเซตสิบสองชิ้น ไม่ใช่
อะไรที่ออกกลับมา
รายการรูปแบบเอาต์พุตคือจุดที่ GPT Image 2.6 นำหน้าโมเดลภาพแบบเปิดน้ำหนักทุกรุ่น รวมถึงรุ่นนี้ เวอร์ชัน 2.6 เพิ่มเอาต์พุต GIF แบบเคลื่อนไหวและเอาต์พุต SVG ควบคู่ไปกับรูปแบบแรสเตอร์ทั่วไป ผลลัพธ์แบบ SVG สำคัญกว่าที่ฟังดู: มันคือความแตกต่างระหว่างโมเดลภาพที่คุณใช้ร่างแนวคิดโลโก้กับโมเดลที่คุณส่งต่อให้ทีมฟรอนต์เอนด์ได้ MiniMax-H3-Image ส่งคืน PNG — เส้นทางการให้บริการของมันถูกตรวจสอบความถูกต้องด้วยการเปรียบเทียบ PNG ที่เหมือนกันทุกบิต — และไม่มีสิ่งใดในไปป์ไลน์ vLLM-Omni หรือการ์ดโมเดลที่บ่งชี้ถึงเอาต์พุตแบบเวกเตอร์หรือแอนิเมชัน
ความละเอียดไปในทางตรงกันข้าม และไม่ได้ใกล้เคียงกันเลย MiniMax-H3-Image สร้างได้สูงสุดสิบหกล้านพิกเซลแบบเนทีฟ ในทุกอัตราส่วนภาพตั้งแต่สี่เหลี่ยมจัตุรัสไปจนถึงอัลตราไวด์ โดยไม่มีตัวอัปสเกลเลอร์อยู่ในเส้นทาง — 4096×4096 และ 6272×2688 เป็นเอาต์พุตแบบเนทีฟทั้งคู่ ช่วงที่ใช้งานได้อยู่ที่ประมาณสี่ถึงยี่สิบเมกะพิกเซล โดยคุณภาพจะสูงสุดใกล้ขอบบนของช่วงนั้น หน้าโมเดลของ GPT Image 2.6 อธิบายรูปแบบและการจัดการข้อมูลอ้างอิง แต่ไม่ได้ประกาศจำนวนพิกเซลสูงสุด ดังนั้นข้อโต้แย้งเรื่องความละเอียดในการเปรียบเทียบนี้จึงเป็นการที่ MiniMax ประกาศตัวเลข เทียบกับการที่ OpenAI ไม่ได้ประกาศตัวเลข มากกว่าจะเป็นการวัดผลแบบเผชิญหน้าโดยตรง
• เอาต์พุตเนทีฟ — MiniMax-H3-Image รองรับสูงสุด 16 MP ในอัตราส่วนใดก็ได้ โดยไม่ต้องใช้อัปสเกลเลอร์; เอกสารของ GPT Image 2.6 ไม่ระบุค่าสูงสุด
• รูปแบบไฟล์ — MiniMax-H3-Image ส่งคืนเป็น PNG; GPT Image 2.6 เพิ่ม GIF และ SVG
• อัตราส่วนภาพ — MiniMax-H3-Image รองรับคู่ความกว้างและความสูง的任何คู่; ชุดของ GPT Image 2.6 ไม่ได้เผยแพร่ในหน้าโมเดลของแต่ละรุ่น
• อินพุตสำหรับการแก้ไข — MiniMax-H3-Image รองรับภาพอ้างอิงได้สูงสุด 16 ภาพต่อคำขอ; GPT Image 2.6 เก็บภาพอ้างอิงไว้ข้ามเทิร์นและรองรับมาร์กอัปที่วาดขึ้น
ค่าใช้จ่าย โดยอิงจากตัวอย่างการคำนวณของผู้ขายแต่ละราย
ผู้ขายทั้งสองรายคิดปริมาณภาพเป็นโทเคน ซึ่งทำให้ราคาที่ติดป้ายดูเทียบกันได้ แต่ต้นทุนต่อภาพกลับดูไม่ใกล้เคียงกันเลย MiniMax เผยแพร่ตัวอย่างการคำนวณบนหน้าราคาของตน ดังนั้นนี่จึงเป็นการคำนวณทางคณิตศาสตร์จากตัวเลขของพวกเขาเอง ไม่ใช่การอนุมาน:
• MiniMax-H3-Image 1024×1024 การสร้างภาพจากข้อความ — $0.02179 ต่อภาพ เทียบกับ $3.80 ต่อหนึ่งล้านโทเค็นเอาต์พุต
• MiniMax-H3-Image 2048×2048 — $0.02333 ต่อภาพ การเพิ่มจำนวนพิกเซลเป็นสองเท่ามีค่าใช้จ่ายเพียงครึ่งเซนต์ เนื่องจากจำนวนโทเคนเพิ่มขึ้นช้ากว่าพื้นที่มากในปลายสุดของช่วงนี้
• MiniMax-H3-Image 4096×4096 — $0.06879 ต่อภาพ ลดเหลือ $0.03439 ภายใต้ข้อเสนอส่วนลด 50% แบบจำกัดเวลา ซึ่งมีผลถึงวันที่ 17 พฤศจิกายน 2026 เวลา 16:00 UTC และกำหนดให้ภาพที่ส่งมอบต้องมีขนาดอย่างน้อย 16,600,000 พิกเซล
• การแก้ไขภาพด้วย MiniMax-H3-Image โดยใช้ภาพอ้างอิงหนึ่งภาพที่ 1024×1024 — $0.02654 ต่อภาพ โดยภาพอินพุตคิดค่าบริการที่ $1.50 ต่อหนึ่งล้านโทเค็น และข้อความอินพุตที่ $2.30
• GPT Image 2.6 — โทเคนเอาต์พุตที่ $30 ต่อล้าน เมื่อคิดตามจำนวนโทเคนที่เอกสารของ OpenAI ระบุเป็นนัยสำหรับผลลัพธ์ขนาด 1024×1024 จะตกอยู่ที่ประมาณ 21 เซนต์ต่อภาพ ซึ่งประมาณสิบเท่าของตัวเลข MiniMax สำหรับขนาดที่ระบุเดียวกัน
ความเร็วก็แตกต่างกันเช่นกัน และนี่คือจุดที่ผลิตภัณฑ์ทั้งสองไม่สามารถใช้แทนกันได้อีกต่อไป จากตัวเลขที่ MiniMax เผยแพร่พร้อมการเปิดตัวเมื่อวันที่ 4 พฤศจิกายน GPT Image 2.6 Flare ทำงานคำขอ text-to-image ด้วยค่ามัธยฐานราว 30 วินาที ลดลงจากประมาณ 55 วินาทีในรุ่นก่อน และการแก้ไขภาพใช้เวลาราว 32 วินาที ลดลงจากประมาณ 58 วินาที Sunburst เป็นระดับที่ช้ากว่าแต่มีความละเอียดสูงกว่า และยังช้าลงอีก — ประมาณ 135 วินาที เทียบกับ 113 วินาที ส่วนความหน่วงของ MiniMax-H3-Image เองนั้นวัดได้เฉพาะในสภาพแวดล้อมที่คุณโฮสต์เอง: 0.88 วินาทีสำหรับภาพ 2048² บน H200 สี่ตัว และ 1.35 วินาทีสำหรับการแก้ไขภาพ 2048² ตามสูตรอย่างเป็นทางการ ตัวเลขเหล่านี้ไม่ใช่ตัวเลขประเภทเดียวกัน — ความหน่วงของโหนดที่โฮสต์เอง เทียบกับค่ามัธยฐานที่รวมเวลาคิวของ endpoint แบบ managed — และการนำมาใส่ไว้ในประโยคเดียวกันราวกับว่าเป็นตัวเลขประเภทเดียวกันก็จะไม่ซื่อสัตย์ สิ่งที่การเปรียบเทียบนี้บอกได้อย่างสมเหตุสมผลก็คือ คำขอ 2.6 แบบโฮสต์ใช้เวลาหลายสิบวินาที และคำขอ H3-Image แบบโลคัลใช้เวลาต่ำกว่าสองวินาที โดยมีเงื่อนไขว่าคุณมี GPU สี่ตัวอยู่แล้ว
สิ่งที่หลักฐานสาธารณะครอบคลุม และสิ่งที่ไม่ได้ครอบคลุม
Artificial Analysis ให้คะแนนทั้งสองตัวบนบอร์ดเดียวกันสองบอร์ด ซึ่งทำให้จุดนี้เป็นหนึ่งในไม่กี่แห่งในการเปรียบเทียบที่ทั้งสองฝ่ายเทียบกันได้โดยตรง แทนที่จะเถียงกันด้วยสเปกชีต บน AA-Image-Editing v2.1 GPT Image 2.6 Sunburst อยู่ที่ 1,210 Elo จากตัวอย่างราว 6,400 ตัวอย่าง Flare อยู่ที่ 1,206 จากประมาณ 6,700 ตัวอย่าง และ MiniMax-H3-Image อยู่ที่ 1,138 ในช่วงอันดับ 8 ถึง 17 จากประมาณ 3,200 ตัวอย่าง บน AA-Image-T2I v2.1 ช่องว่างกว้างขึ้น: Sunburst อยู่ที่ 1,261 ในอันดับหนึ่งจาก 5,282 ตัวอย่าง เทียบกับ MiniMax-H3-Image ที่ 1,066 ซึ่งอยู่ในอันดับที่ 23 ใช้กลุ่มโหวตเดียวกัน มาตราส่วน Elo เดียวกัน ห่างกันราวเจ็ดสิบจุดในด้านการแก้ไขภาพ และเกือบสองร้อยจุดในด้านการสร้างภาพ
อ่านอย่างตรงไปตรงมาแล้ว มันบอกสองสิ่งพร้อมกัน MiniMax-H3-Image คือโมเดล open-weight ที่มีอันดับสูงสุดบนบอร์ดการแก้ไขภาพ — นำหน้า Fibo 2.0 ที่ 1,085 และ Qwen-Image-2.1 ที่ 1,084 — ดังนั้นคำกล่าวอ้างเรื่องคุณภาพของมันจึงไม่ใช่เพียงการยืนยันอีกต่อไป; มันคือตัวเลขที่วัดได้ แต่ตัวเลขนั้นต่ำกว่า GPT Image 2.6 Sunburst ประมาณเจ็ดสิบ Elo และช่วงของมันครอบคลุมสิบอันดับ ขณะที่แถบสามอันดับแรกของ Sunburst ไม่ได้ครอบคลุมเช่นนั้น บนแกนที่ทั้งสองโมเดลมีร่วมกันอย่างชัดที่สุด GPT Image 2.6 ชนะ และชนะด้วยส่วนต่างที่มากกว่าบนบอร์ดที่ H3-Image อ่อนกว่า ข้อโต้แย้งเรื่องความละเอียด 16 เมกะพิกเซลและราคาสองเซนต์ยังคงยืนได้ด้วยตัวเอง; เพียงแต่พวกมันไม่ใช่ข้อโต้แย้งด้านคุณภาพ
สิ่งที่กระดานจัดอันดับทั้งสองไม่ได้บอกคุณก็คือ ความได้เปรียบของ GPT Image 2.6 ยังคงอยู่มากแค่ไหนเมื่องานคือสิ่งที่บทความนี้พูดถึง — สายการแก้ไขยาว ๆ ที่มีข้อมูลอ้างอิงจำนวนมากและใช้แซมpler แบบคงที่ Elo เป็นค่าสรุปรวมจากความชอบของมนุษย์บนพรอมป์ที่ไม่ทราบล่วงหน้า และโมเดลหนึ่งอาจนำอยู่เจ็ดสิบคะแนนบนค่าสรุปรวมนั้นได้ ขณะเดียวกันก็แพ้ในเวิร์กโฟลว์หนึ่งโดยเฉพาะ วิธีเดียวที่จะรู้คือลองใช้พรอมป์ของคุณเองกับทั้งสองตัว ซึ่งเป็นคำแนะนำท้ายบทความนี้ ไม่ใช่ข้อลังเลกลางบทความ
การใช้งานทั้งสองเคียงข้างกันโดยไม่มีสัญญาฉบับที่สอง
ความยุ่งยากในทางปฏิบัติคือ สำหรับทีมส่วนใหญ่ ทั้งสองโมเดลไม่ได้เข้าถึงได้เพียงแค่เรียก API ครั้งเดียว เส้นทางใช้งานตั้งแต่วันแรกของ MiniMax-H3-Image คือการโฮสต์เอง — ชุดประกอบขนาดรวม 67B ซึ่งประกอบด้วยทรานส์ฟอร์เมอร์ขนาด 33.1B ตัวเข้ารหัสข้อความ Qwen3-VL ขนาด 33.4B ที่นำมาใช้ซ้ำโดยไม่เปลี่ยนแปลงจากโมเดลวิดีโอ และ VAE ขนาด 0.58B โดยจุดที่เหมาะสมที่สุดที่ 16 ล้านพิกเซลต้องใช้ GPU ในศูนย์ข้อมูลสี่ตัวจึงจะทำงานด้วยความเร็วเต็มที่ นอกจากนี้ยังมีให้ใช้งานผ่าน API ของผู้จำหน่ายเองและแพลตฟอร์มบุคคลที่สามหลายแห่งภายใต้ราคาต่อโทเคนด้านบน GPT Image 2.6 มีให้ใช้เฉพาะบน OpenAI เท่านั้น
หากคุณต้องการทดสอบ A/B ทั้งสองแบบบนพรอมป์ตของคุณเอง คำอธิบายที่ตรงไปตรงมาของเลเยอร์การจัดเส้นทางคือ: OrcaRouter ยังไม่รองรับ MiniMax-H3-Image และยังไม่รองรับ GPT Image 2.6 Sunburst หรือ Flare สิ่งที่รองรับคือคู่ GPT Image รุ่นก่อนหน้า — gpt-image-2.5-sunburst และ gpt-image-2.5-flare — ควบคู่กับ gpt-image-2 และ gpt-image-1.5 โดยทั้งหมด ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกกำไรเพิ่มเติม นั่นทำให้เป็นการทดสอบระดับกลางที่มีประโยชน์: สร้างฮาร์เนสกับ 2.5 ผ่านคีย์เดียว ยืนยันว่าการประเมินของคุณแยกความแตกต่างระหว่างความเที่ยงตรงของ Sunburst กับความเร็วของ Flare ได้จริง แล้วจึงตัดสินใจว่าส่วนต่างของ 2.6 หรือโมเดลแบบเปิดน้ำหนักที่โฮสต์เองคือสิ่งที่คุณต้องการหรือไม่ การหลอมรวมโมเดลเป็นอีกทางเลือกหนึ่งที่ควรรู้ไว้ตรงนี้ — คณะโมเดลที่ตอบพรอมป์ตภาพเดียวกันจะให้ผลลัพธ์ที่หลากหลายต่อพรอมป์ตโดยที่คุณไม่ต้องเขียนไคลเอนต์สามตัว
อนึ่ง กรณีกลับกันได้รับการครอบคลุมไว้แล้ว: minimax/minimax-h3 ซึ่งเป็นโมเดลวิดีโอที่ DiT และ text encoder ของ MiniMax-H3-Image สร้างขึ้นมาจาก และสามารถเรียกใช้งานได้แล้ววันนี้ หากเหตุผลที่คุณพิจารณาโมเดลภาพคือคุณใช้งานวิดีโอ H3 อยู่แล้ว ตระกูลนี้ก็ตอบโจทย์ด้วยคีย์เดียวอยู่แล้ว
เลือกอันไหนดี
เลือก MiniMax-H3-Image เมื่อข้อจำกัดคือจำนวนพิกเซล ภาพอ้างอิง หรือต้นทุนต่อหน่วย: เอาต์พุตเนทีฟความละเอียด 16 เมกะพิกเซล รองรับภาพอินพุต 16 ภาพ และต้นทุนประมาณสองเซนต์ต่อการสร้างภาพขนาด 1024² เลือก GPT Image 2.6 เมื่อข้อจำกัดคือรูปแบบของเอาต์พุตหรือความราบรื่นของวงจรการแก้ไข: ส่งออกเป็น SVG และ GIF รับภาพอ้างอิงแบบคงอยู่และมาร์กอัปที่วาดเป็นอินพุต และนำอยู่ 70 Elo บนกระดานจัดอันดับการแก้ไข โดยมีช่วงความเชื่อมั่นว่าอยู่ในสามอันดับแรกหนุนอยู่
เลือกที่จะไม่ใช้ทั้งคู่ได้อย่างมั่นใจ หากสิ่งที่คุณต้องการจริง ๆ คือคะแนนสำหรับพรอมป์ของคุณ ตอนนี้ทั้งสองโมเดลมีคะแนนสาธารณะแล้ว และคะแนนทั้งสองเป็นค่าที่รวมมาจากพรอมป์ของคนอื่น การเปรียบเทียบที่ชี้ขาดกรณีของคุณคือการเปรียบเทียบที่คุณรันเอง โดยมีค่าใช้จ่ายผูกอยู่กับแต่ละฝั่ง สิ่งที่ลีดเดอร์บอร์ดให้คุณได้คือไพรเออร์ (prior) — GPT Image 2.6 นำอยู่ และในงาน text-to-image มันนำอยู่มากพอที่คุณควรคาดว่าจะเห็นได้ สิ่งที่มันให้คุณไม่ได้คือคำตอบสำหรับงานคอมโพสิตผลิตภัณฑ์ที่มีภาพอ้างอิง 16 ภาพที่ความละเอียด 4 เมกะพิกเซล เพราะยังไม่มีใครเผยแพร่การเปรียบเทียบนั้น และบอร์ด Elo ไม่ได้วัดสิ่งนั้น
