MiniMax-H3-Image กับ MiniMax-H3: ตัวหนึ่งคือโมเดลวิดีโอ อีกตัวคือภาพนิ่งที่ตัดมาจากมัน

สิ่งที่ตรงไปตรงมาที่สุดเกี่ยวกับ MiniMax-H3-Image คือรายการไฟล์ของมัน — diffusion transformer 66 GB, VAE 2.34 GB, sampling head ต่อสเต็ป 12 MB และไม่มี text encoder ที่ไหนเลยในรีโพซิทอรี ตัว encoder ไม่ได้หายไป แต่ถูกยืมมา: model_index.jsonจะเข้าไปใน MiniMax-H3 ซึ่งเป็นโมเดลวิดีโอแบบ omni-modal ขนาด 33B ที่ MiniMax เปิดซอร์สเมื่อวันที่ 31 กรกฎาคม 2026 และโหลด text_encoder/จากที่นั่น ซึ่งเป็น Qwen3-VL ขนาด 66.7 GB โดยไม่เปลี่ยนแปลง ถ้า MiniMax-H3 อยู่ในดิสก์ของคุณอยู่แล้ว โมเดลภาพนี้ก็ไม่มีค่าใช้จ่ายเพิ่มเติมในการเข้ารหัสพรอมป์ต์ ถ้าไม่มี เฟรมนิ่งแรกของคุณจะต้องดาวน์โหลด 135 GB และโมเดลที่สองในการเปรียบเทียบนี้กำลังทำงานจริงให้กับโมเดลแรก

การกำหนดค่าเพียงบรรทัดเดียวนั้นคือความสัมพันธ์ระหว่างโมเดลทั้งสอง และมันอธิบายความแตกต่างในทางปฏิบัติส่วนใหญ่ระหว่างทั้งสองได้ MiniMax-H3-Image คือ MiniMax-H3 ที่ตัดสาขาเสียงออก หัวเอาต์พุตถูกเปลี่ยนเป้าหมายจากวิดีโอแฝงเป็นภาพแฝง และทั้งระบบถูกกลั่นให้เหลือขั้นตอนการสุ่มเพียงหกขั้น ไม่มีอะไรในฝั่งข้อความเปลี่ยนแปลง DiT ยังอ่านสถานะซ่อนในชั้นที่ 50 ชุดเดียวกันจากเอนโคเดอร์ตัวเดียวกัน ซึ่งเป็นเหตุผลว่าทำไมโฟลเดอร์ tokenizer และ processor จึงเหมือนกันทุกไบต์ และทำไมโมเดลภาพจึงสืบทอดการจัดการพรอมป์ต์ภาษาอังกฤษของ H3 โดยไม่ต้องมีการฝึกใหม่แม้แต่บรรทัดเดียวในเส้นทางนั้น

สิ่งที่ทำให้เรื่องนี้ควรค่าแก่การเขียนถึงในตอนนี้คือลักษณะของการเปิดตัว มากกว่าเนื้อหาของมัน M​iniMax ไม่ได้เผยแพร่โพสต์บล็อกสำหรับโมเดลภาพนี้ บล็อกและดัชนีข่าวของบริษัทไม่มีข้อมูลใด ๆ เกี่ยวกับโมเดลภาพนี้ — รายการใหม่สุดในนั้นคือโพสต์ M3.1 Flash วันที่ 19 ตุลาคม — และหน้าโมเดลยังคงนำเสนอ H3 ในฐานะระบบวิดีโอ การยอมรับจากฝั่งผู้ขายเพียงอย่างเดียวที่เราหาได้คือการ์ดลงวันที่ 10 พฤศจิกายน 2026 ในรายการเผยแพร่โมเดลของเอกสาร API ซึ่งระบุว่า “โมเดลภาพแบบ open-weight ชั้นนำ จากไอเดียสู่โลกใหม่” — ประโยคที่ไม่มีข้อกำหนดจำเพาะ ไม่มี benchmark และไม่มีวันที่ของตัวเอง รีโพซิทอรี Hugging Face ถูกสร้างขึ้นเมื่อวันที่ 3 พฤศจิกายน และ weights ถูกเผยแพร่เมื่อวันที่ 10 พฤศจิกายน เวลา 14:50 UTC จากนั้นมีการแก้ไข README สองครั้งและคู่มือการติดตั้งใช้งาน vLLM-Omni ตามมาภายในหนึ่งชั่วโมง นั่นคือการเปิดตัวแบบเงียบ ๆ: อาร์ติแฟกต์มีอยู่จริงและดาวน์โหลดได้ แต่ประกาศไม่มี ทุกอย่างด้านล่างนี้อ่านมาจากรีโพซิทอรี ไฟล์สัญญาอนุญาต และเอกสารของ M​iniMax เอง และเมื่อตัวเลขใดเป็นการกล่าวอ้างของผู้ขายเองที่ยังไม่ได้มีการทำซ้ำ เราก็ระบุไว้เช่นนั้น

สองรุ่นนี้ ในเงื่อนไขที่แต่ละรุ่นขายจริง

MiniMax-H3 เป็นตัวสร้างแบบออมนิมอดัลเอนกประสงค์ โดยรับข้อความ ภาพ วิดีโอ และเสียงเป็นบริบทที่รวมกันเป็นชุดเดียว และสร้างวิดีโอความยาว 4 ถึง 15 วินาทีที่ 24 เฟรมต่อวินาที พร้อมเสียงสเตอริโอเนทีฟ 32 kHz ที่ความละเอียด 768p แบบเนทีฟ โดยมีรอบการสร้างใหม่แยกต่างหากคือ H3-Regenerate-2K ซึ่งป้อนผลลัพธ์และบริบทเดิมกลับผ่านโมเดลเพื่อไปให้ถึง 2K รูปแบบอินพุตสองแบบที่สำคัญคือ H3-Base-FL2VA ซึ่งรับภาพศูนย์ หนึ่ง หรือสองภาพเป็นเฟรมแรก/เฟรมสุดท้าย และ H3-Base-Ref2VA ซึ่งรับได้สูงสุด 9 ภาพ คลิปวิดีโอ 3 คลิป และคลิปเสียง 3 คลิป โดยจำกัดรวมไม่เกิน 12 ไฟล์ ตัวประมวลผลล่วงหน้าแบบโฮสต์ที่ชื่อ H3-Context-IR จะแยกวิเคราะห์อินพุตแบบผสมและเขียนใหม่ให้อยู่ในรูปแบบที่มีโครงสร้าง และ MiniMax ระบุชัดเจนว่ามันไม่ใช่ส่วนหนึ่งของรุ่นเปิดเผย เพราะต้องพึ่งพาโมเดลแบบโฮสต์หลายตัว

MiniMax-H3-Image รับข้อความและภาพอ้างอิงได้สูงสุด 16 ภาพ แล้วสร้างภาพออกมาหนึ่งภาพ ดิฟฟิวชันทรานส์ฟอร์เมอร์มีขนาด 33.1B พารามิเตอร์ เป็นการออกแบบแบบ single-stream เชิงหนาแน่น 50 เลเยอร์ ขนาด hidden 5,376 มี 56 attention heads ความกว้าง FFN 14,336 ใช้ 3D multimodal RoPE น้ำหนัก BF16 พร้อม embedding FP32 รวมถึงเลเยอร์ timestep และเอาต์พุต ส่วน VAE ของภาพเป็น CNN encoder ที่มีตัวถอดรหัส ViT 24 เลเยอร์ ดาวน์แซมปลิงเชิงพื้นที่ 16× และมีแลเทนต์แชนเนล 24 แชนเนล DiT ทำ patchify แลเทนต์นั้นแบบ 2×2 ดังนั้นโทเคนของทรานส์ฟอร์เมอร์หนึ่งโทเคนจึงครอบคลุมบล็อกขนาด 32×32 พิกเซล พื้นที่เอาต์พุตทำได้ถึง 20 เมกะพิกเซลผ่าน API และข้อกล่าวอ้างหลักของการ์ดคือประมาณ 16 เมกะพิกเซลในทุกอัตราส่วนภาพ ตั้งแต่ 4096×4096 ที่ 1:1 ไปจนถึง 6272×2688 ที่ 21:9 โดยไม่ต้องใช้ตัวอัปสเกลเลอร์

อ่านสองย่อหน้านี้เทียบกันแบบเคียงข้างกัน แล้วจะเห็นจุดแยกได้ชัดเจน โมเดลวิดีโอใช้ความจุไปกับเวลาและอีกโมดัลลิตี้หนึ่ง ส่วนโมเดลภาพใช้ความจุไปกับพื้นที่ โครงหลักเดียวกัน แต่เป้าหมายต่างกัน

หกขั้นตอนและการไม่ใช้ classifier-free guidance คือวิศวกรรมที่แท้จริง

ส่วนของ MiniMax-H3-Image ที่ไม่ใช่เพียงการลบคือการกลั่นให้เล็กลง และสิ่งนี้ถูกบังคับใช้จริงมากกว่าเป็นเพียงคำแนะนำ เช็กพอยต์ทำงานหกขั้นตอนการสุ่ม — หก NFE — โดยไม่มี classifier-free guidance เลย API ที่ให้บริการไม่ได้ถือค่าเหล่านี้เป็นค่าเริ่มต้น: num_inference_steps ต้องละเว้นหรือเป็น 6, guidance_scale ต้องละเว้นหรือเป็น 1 และค่าอื่นใดจะคืนค่า HTTP 400 พรอมป์ต์เชิงลบจะถูกปฏิเสธโดยสิ้นเชิง ไฟล์แยกต่างหากชื่อ pdd_fused_heads.safetensors บรรจุเฮดเอาต์พุตแบบรายขั้นตอนที่แทนที่เลเยอร์เอาต์พุตของทรานส์ฟอร์เมอร์ โดยมีตารางเวลาใน pdd_config.json; นั่นคือ 12 MB จากทั้งหมด 68.65 GB ที่รับภาระงานในสัดส่วนที่มากเกินไป

นี่คือความแตกต่างระหว่างโมเดลที่คุณนำไปวางไว้เบื้องหลังส่วนติดต่อแบบโต้ตอบได้ กับโมเดลที่ทำไม่ได้ โมเดล diffusion แบบมีคำแนะนำ 30 ขั้นที่ 16 ล้านพิกเซลเป็นงานแบบแบตช์ ส่วน 6 ขั้นแบบไม่มีคำแนะนำที่ความละเอียดเดียวกันคือหนึ่งคำขอ กรอบที่ MiniMax เองกำหนด — “ภาพ 16 ล้านพิกเซลด้วยต้นทุนการคำนวณที่ใช้งานได้จริง” — เป็นข้อกล่าวอ้างเกี่ยวกับ FLOPs ต่อพิกเซล และกำหนดการ 6 ขั้นคือวิธีที่ทำให้ข้อกล่าวอ้างนั้นกลายเป็นจริง การที่มันยังคงเป็นจริงในระดับคุณภาพที่ภาพโชว์เคสบ่งชี้หรือไม่ เป็นคำถามที่ยังไม่มีบุคคลที่สามรายใดตอบ และ ณ วันที่ 10 พฤศจิกายน 2026 ไม่มีรายการ Artificial Analysis สำหรับ MiniMax-H3-Image บนบอร์ดภาพทั้งสองแห่ง และไม่มีตารางการประเมินจากผู้ขายในการ์ดโมเดล

สำหรับการให้บริการในเครื่อง โครงสร้างพื้นฐานของเฟรมเวิร์กถือว่าครบถ้วนอย่างผิดปกติสำหรับโมเดลที่ใหม่ขนาดนี้ SGLang เป็นเส้นทางอ้างอิงที่มีคุกบุ๊กพร้อมเอกสารประกอบ vLLM-Omni เผยแพร่สูตรพร้อมการกำหนดค่าตามฮาร์ดแวร์แต่ละประเภทและเวลาแฝงที่วัดได้ โดยระบุ NVIDIA H200, RTX PRO 6000 Blackwell และ AMD Instinct MI350X ทั้ง diffusers และ ComfyUI มีการรองรับมาให้ การทำงานแบบขนานเชิงลำดับเป็นเพียงแฟล็ก — --ulysses-degree บน SGLang, --usp บน vLLM-Omni — และ GPU เพียงตัวเดียวก็เพียงพอที่จะเริ่มต้น ตัวเข้ารหัสข้อความคือต้นทุนหน่วยความจำที่แท้จริง และมันคือตัวเข้ารหัสข้อความของโมเดลวิดีโอ ซึ่งเป็นประเด็นของการเปรียบเทียบทั้งหมดนี้

สองมิเตอร์ และไม่มีอันไหนเลยที่เป็นตัวนับโทเค็นที่คุณใช้สายตากะได้

M​iniMax คิดเงินสองโมเดลนี้ด้วยหน่วยที่เทียบกันไม่ได้ ซึ่งเป็นกับดักในทุกคำถาม “อันไหนถูกกว่า” H3 คิดตามวินาทีของเอาต์พุตที่สร้าง แยกตามความละเอียด: $0.08 ต่อวินาทีที่ 768P, $0.13 ต่อวินาทีที่ 2K โดยคิดวัสดุอินพุตเพิ่มเติม — รูปอ้างอิงห้ารูปแรกฟรี และรูปถัดไปรูปละ $0.04 บนโมเดลพื้นฐาน อินพุตเสียงฟรี วิดีโออ้างอิงคิดตามระยะเวลาของตัวเองที่ความละเอียดเอาต์พุต คลิป 2K ความยาว 10 วินาทีมีค่าเอาต์พุต $1.30 ก่อนคิดอ้างอิงใด ๆ

MiniMax-H3-Image คิดค่าบริการเป็นโทเค็นตามอัตราการส่งออกภาพ ในระดับมาตรฐาน อัตราที่ประกาศไว้ระบุว่า $2.30 ต่อหนึ่งล้านโทเค็นข้อความอินพุต, $1.50 ต่อหนึ่งล้านโทเค็นภาพอินพุต และ $3.80 ต่อหนึ่งล้านโทเค็นภาพเอาต์พุต และตัวอย่างการคำนวณของผู้ให้บริการเองสรุปได้ว่า:

• 1K (1024×1024) แปลงข้อความเป็นภาพ — $0.02179 ต่อภาพ

• การแปลงข้อความเป็นภาพ 2K (2048×2048) — $0.02333 ต่อภาพ

• การสร้างภาพจากข้อความระดับ 4K (4096×4096) — $0.06879 ต่อภาพ โดยแสดงราคาที่ $0.03439 ภายใต้ส่วนลด 50% แบบจำกัดเวลา

• แก้ไข 1K ด้วยภาพอ้างอิงหนึ่งภาพ — $0.02654; 2K — $0.02658; 4K — $0.07312 ลดเหลือ $0.03656

• การแก้ไข 1K พร้อมภาพอ้างอิง 3 ภาพ — $0.03563; 2K — $0.04177; 4K — $0.07914 โดยลดเหลือ $0.03957

สิ่งที่น่าสนใจคือลักษณะของขั้นบันไดราคานั้น การได้พิกเซลมาเป็นสิบหกเท่าต้องจ่ายเงินมากกว่าเดิมเพียงเล็กน้อยกว่าสามเท่า เพราะมิเตอร์คิดเป็นโทเคน และจำนวนโทเคนไม่ได้เพิ่มขึ้นเป็นเส้นตรงกับพื้นที่อย่างที่สัญชาตญาณบอกไว้ เวอร์ชันความเร็วสูง MiniMax-H3-Image-Highspeed ใช้พารามิเตอร์และขีดจำกัดเดียวกัน และคิดเงิน $7.60 ต่อโทเคนภาพเอาต์พุตหนึ่งล้านโทเคน — $0.03529 ที่ 1K, $0.13001 ที่ 4K ก่อนหักส่วนลดเดียวกัน ส่วนลดนี้ใช้เมื่อภาพที่ส่งมอบมีขนาดอย่างน้อย 16,600,000 พิกเซล และมีผลถึงวันที่ 17 พฤศจิกายน 2026 เวลา 16:00 UTC ซึ่งเป็นข้อเท็จจริงเชิงพาณิชย์เพียงรายการเดียวที่มีการระบุวันที่ในข่าวประชาสัมพันธ์ทั้งหมด

วางมาตรวัดสองตัวไว้ข้างกัน แล้วทางแยกก็มีราคา วิดีโอ 768P หนึ่งวินาทีราคา $0.08 ส่วนภาพนิ่ง M​iniMax ที่ถูกที่สุดอยู่ที่ประมาณ $0.022 คลิปสี่วินาที — ซึ่งเป็นความยาวสั้นที่สุดที่ H3 จะสร้างได้ — มีต้นทุนประมาณภาพ 1K สิบห้าภาพ นั่นไม่ใช่ข้อโต้แย้งเพื่อสนับสนุนโมเดลใดโมเดลหนึ่ง มันคือเหตุผลที่คำถามว่า “อะไรถูกกว่า” ไม่มีคำตอบจนกว่าคุณจะบอกว่าคุณกำลังผลิตอะไร

จุดที่ fork สร้างปัญหาในการนำไปใช้งานจริง

ความไม่สมมาตรสามประการสำคัญกว่าคำถามเรื่องเกณฑ์มาตรฐาน

ประการแรกคือการจัดการอินพุต H3-Image รับภาพอ้างอิงได้สูงสุด 16 ภาพในการแก้ไขครั้งเดียว และอ้างถึงภาพเหล่านั้นตามตำแหน่งเป็น <Picture 1>, <Picture 2> และอื่น ๆ ตามลำดับการอัปโหลด โดยเนื้อหาคำขอทั้งหมดถูกจำกัดไว้ที่ 64 MiB และ Base64 ทำให้ขนาดไฟล์เพิ่มขึ้นประมาณหนึ่งในสาม ดังนั้นคำขอที่มีภาพ 16 ภาพจึงต้องใช้ URL หรือการอ้างอิงไฟล์ที่อัปโหลดไว้ล่วงหน้าแทนข้อมูลแบบอินไลน์ โหมดอ้างอิงของ H3 เป็นอีกเรื่องที่แตกต่างออกไปโดยสิ้นเชิง — 9 ภาพ 3 วิดีโอ 3 คลิปเสียง 12 ไฟล์ ทั้งหมดถูกจัดเรียงไว้ในลำดับเดียวที่มีโครงสร้างเชิงเวลา การจัดการข้อมูลอ้างอิงของโมเดลทั้งสองไม่ได้เป็นซูเปอร์เซตของกันและกัน

ประการที่สองคือความยาวพรอมต์ API ที่ให้บริการของ H3-Image รองรับได้ถึง 32,000 อักขระ แต่เมื่อปิดการเสริมพรอมต์ มีเพียงประมาณ 4,096 โทเคนแรกเท่านั้นที่มีผล ส่วนเส้นทาง SGLang ภายในจะตัดที่ 4,096 โทเคนแบบเต็มๆ นั่นไม่ใช่งบที่มากนักสำหรับโมเดลที่มีจุดขายเรื่องการทำตามคำสั่งอย่างละเอียด และนี่คือเหตุผลที่ตัวขยายพรอมต์คู่กันมีอยู่ตั้งแต่แรก — MiniMax-H3-Image-PE ซึ่งเป็นไฟน์ทูน FP4 ขนาด 27B ของ Qwen3.8-27B ที่เขียนคำขอสั้นๆ ใหม่ให้กลายเป็นคำอธิบายยาวพร้อมคำแนะนำอัตราส่วนภาพ เปิดตัวเมื่อวันที่ 8 พฤศจิกายน และอยู่ภายใต้สัญญาอนุญาตแบบชุมชนเดียวกัน ครึ่งด้านการแก้ไขของมันถูกปล่อยออกมาเป็นเพียงพรอมต์เท่านั้น ส่วนเวตสำหรับการขยายฝั่งการแก้ไขยังถูกระบุว่าอยู่ระหว่างการพัฒนา

ฉบับที่สามคือสัญญาอนุญาต และเป็นสัญญาอนุญาตเดียวกันสำหรับทั้งสองโมเดลเพียงในชื่อเท่านั้น MiniMax-H3-Image Community License Agreement กำหนดให้ต้องได้รับอนุญาตเป็นลายลักษณ์อักษรล่วงหน้าจาก MiniMax แยกต่างหาก หากรายได้ต่อปีของคุณหรือของบริษัทในเครือเกินหนึ่งล้านดอลลาร์สหรัฐ หรือหากคุณให้บริการแบบโฮสต์แก่บุคคลภายนอก สัญญานี้กำหนดให้คุณแสดง “MiniMax-H3-Image” อย่างเด่นชัดบนอินเทอร์เฟซของผลิตภัณฑ์เชิงพาณิชย์ใด ๆ ที่ใช้มัน จำกัดการใช้ไว้เฉพาะ Applicable Territory ที่กำหนด ห้ามใช้ผลลัพธ์เพื่อปรับปรุงโมเดล AI อื่นใด และไม่เรียกร้องสิทธิ์ใด ๆ เหนือผลลัพธ์เหล่านั้นเอง สัญญาอนุญาตวิดีโอ H3 เป็นข้อตกลงแยกต่างหากที่มีข้อกำหนดของตนเอง หากคุณกำลังสร้างผลิตภัณฑ์บนทั้งสองสิ่ง คุณถือสัญญาอนุญาตสองฉบับ ไม่ใช่ฉบับเดียว

สิ่งที่ทั้งสองโมเดลไม่ได้ทำ

MiniMax-H3-Image สร้างวิดีโอไม่ได้ เพราะไม่มีแกนเวลา ไม่มีสาขาเสียง และไม่มีพารามิเตอร์ระยะเวลา — VAE ฝั่งเสียงหายไปจากสถาปัตยกรรมเลย และผลลัพธ์คือภาพแฝงหนึ่งภาพต่อหนึ่งคำขอ สูงสุดสิบภาพต่อการเรียกผ่าน API ส่วน MiniMax-H3 สร้างภาพนิ่งความละเอียด 16 เมกะพิกเซลไม่ได้ โดยค่าเริ่มต้นสร้างที่ 768p และไปถึง 2K ได้ด้วยการสร้างซ้ำอีกรอบ การขอให้สร้างเฟรมเดียวที่ 4096×4096 ไม่ใช่คำขอที่รองรับ หากไปป์ไลน์ของคุณต้องการทั้งภาพนิ่งหลักและคลิปวนห้าวินาทีที่เสียงบทสนทนาซิงก์กันจากโลกภาพเดียวกัน คุณกำลังเรียกใช้สองโมเดล และบนแพลตฟอร์มของ MiniMax คุณกำลังจ่ายเงินคนละมิเตอร์

ทั้งสองมีสิ่งหนึ่งที่เหมือนกันและเป็นสิ่งที่มองข้ามได้ง่าย นั่นคือไม่มี negative prompt โดย H3-Image จะปฏิเสธฟิลด์นี้ คำแนะนำการเขียนพรอมป์ต์ของ H3 จะนำทางผ่านคำอธิบายเชิงบวกและผ่าน Context-IR มากกว่าการใช้การตัดสิ่งที่ไม่ต้องการออก ใครก็ตามที่นำเวิร์กโฟลว์ Stable Diffusion เข้ามาใช้ในโมเดลใดโมเดลหนึ่งจะสูญเสียกลไกนั้นไปตั้งแต่第一天

ควรโทรหาใคร

การแบ่งงานที่ตรงไปตรงมาคือแบ่งตามสิ่งที่ต้องส่งมอบ ไม่ใช่แบ่งตามคุณภาพ หากชิ้นงานเป็นภาพนิ่ง — ภาพเรนเดอร์ผลิตภัณฑ์ คีย์เฟรม หรือเพลต 16 ล้านพิกเซลที่มีข้อความอ่านออกได้ — MiniMax-H3-Image คือโมเดลที่ใช่ และกำหนดการหกขั้นตอนหมายความว่าคุณมีทรัพยากรพอที่จะวนปรับกับมันได้ หากชิ้นงานเคลื่อนไหว H3 คือโมเดลที่ใช่ และสาขาเสียงคือเหตุผลที่ควรเลือกใช้แทนการนำภาพนิ่งมาต่อกันเป็นลำดับ

สิ่งที่เลเยอร์การกำหนดเส้นทางเปลี่ยนไปในกรณีนี้แคบกว่าที่ชื่อฟังดู และควรพูดให้ตรงไปตรงมา: OrcaRouter ไม่ได้ให้บริการ MiniMax-H3-Image โมเดลนี้เผยแพร่เวตสาธารณะเมื่อวันที่ 10 พฤศจิกายน และไม่มีเส้นทางในแค็ตตาล็อกของเรา ดังนั้นหากคุณต้องการใช้มันวันนี้ คุณต้องไปเอาจาก API ของ M​iniMax เอง หรือรันเช็กเอาต์ขนาด 68.65 GB ด้วยตัวเอง สิ่งที่เรามีให้บริการคือ minimax/minimax-h3, โมเดลวิดีโอ คิดค่าบริการเป็นรายวินาทีในราคาตามรายการโดยไม่บวกเพิ่ม — และคุณสมบัติที่มีประโยชน์สำหรับไปป์ไลน์สองโมเดลก็คือ คีย์เดียวกันที่ใช้เรียก H3 ก็เข้าถึงโมเดลอื่น ๆ อีกกว่า 200 โมเดลบนแพลตฟอร์มได้ด้วย.

สิ่งที่ต้องจับตาดูไม่ใช่ว่า H3-Image ดีหรือไม่ แต่เป็นว่า M​iniMax พูดอะไรเกี่ยวกับมันหรือเปล่า โมเดลที่ออกมาพร้อมน้ำหนักโมเดล ใบอนุญาต การ์ดราคา และการเชื่อมต่อกับเฟรมเวิร์กสี่รายการ แต่ไม่มีโพสต์บล็อกและไม่มีเบนช์มาร์ก คือโมเดลที่คำกล่าวอ้างยังเป็นของผู้ขายทั้งหมด การจัดอันดับอิสระครั้งแรกบนบอร์ดภาพ หรือการเทียบแบบตัวต่อตัวครั้งแรกกับโมเดลปิดที่ความละเอียดเดียวกัน จะบอกคุณได้มากกว่ากริดโชว์เคส จนถึงตอนนั้น รีโพซิทอรีคือบันทึก และบันทึกบอกว่า: นี่คือ H3 ที่ปิดเสียงไว้