MiniMax-H3-Image: 16 Megapixel trong 10 Giây là một Tuyên bố, Chưa phải là một Phép đo

Mười giây cho một ảnh mười sáu megapixel không phải là một tuyên bố về chất lượng. Đó là một tuyên bố về cách một mô hình được lên lịch, và đó là phần duy nhất trong màn ra mắt MiniMax-H3-Image mà người dùng có thể kiểm chứng trong một buổi chiều. MiniMax công bố mô hình vào ngày 10 tháng 11 năm 2026 bằng một bài đăng ngắn mở đầu đúng bằng con số đó: đầu ra 4K, khoảng mười sáu triệu pixel, tối đa mười sáu ảnh tham chiếu, trong mười giây, với trọng số mở và API của chính nhà cung cấp, MiniMax Code và Hailuo là các cách truy cập. Điều mà thông báo không có là một phép đo độ trễ nào, một chuẩn đánh giá chất lượng nào, hay một liên kết đến bài blog giải thích bất kỳ phần nào trong đó đã đạt được bằng cách nào. Các byte là thật — 68,65 GB trên Hugging Face, cộng với một text encoder mượn từ một kho lưu trữ thứ hai — và bảng giá cũng vậy. Mười giây là một lời hứa. Đây là những gì lời hứa đó được xây dựng trên, cái giá của nó, và những gì bạn sẽ phải chạy để biết liệu nó có đúng trên phần cứng của chính bạn hay không.

Đáng nói rõ các mốc thời gian, vì đợt triển khai này khá bất thường. Kho Hugging Face của MiniMax-H3-Image được tạo ngày 3 tháng 11 năm 2026 và để trống. Trọng số được đưa lên ngày 10 tháng 11 lúc 14:50 UTC. Cùng ngày, tài liệu API của MiniMax có thêm một thẻ ghi chú phát hành mang tiêu đề “MiniMax H3 Image” với dòng “Một mô hình hình ảnh trọng số mở hàng đầu. Từ ý tưởng đến những thế giới mới” — một câu không có thông số kỹ thuật nào — và blog lẫn mục tin tức của chính công ty vẫn không có gì về mô hình hình ảnh này. Vậy là mô hình được phát hành lặng lẽ rồi sau đó mới được công bố, đúng theo thứ tự đó, ngược với cách hầu hết các đợt ra mắt diễn ra và là lý do thông báo đọc như bản copy tiếp thị gắn vào một checkpoint vốn đã có thể tải về.

Mười giây đó có thể đến từ đâu một cách hợp lý

Phần lớn lời giải thích nằm trong danh sách tệp chứ không phải trong bài đăng. MiniMax-H3-Image là một transformer khuếch tán dày đặc 33,1B — 50 lớp, kích thước ẩn 5.376, 56 đầu chú ý, độ rộng FFN 14.336, RoPE đa phương thức 3D — và nó được chưng cất xuống còn sáu bước lấy mẫu mà không có hướng dẫn không phân loại nào cả. Đó không phải là một giá trị mặc định mà người gọi có thể tinh chỉnh. API được phục vụ từ chối mọi thứ trừ num_inference_steps=6 và guidance_scale=1 với HTTP 400, và các prompt phủ định bị từ chối hoàn toàn. Một tệp riêng 12 MB, pdd_fused_heads.safetensors, mang các đầu ra theo từng bước thay thế lớp đầu ra của transformer, với lịch trình trong pdd_config.json.

Sáu lượt không có hướng dẫn là lý do vì sao con số mười giây không hề vô lý. Một bộ lấy mẫu 30 bước có hướng dẫn ở 16 megapixel là một tác vụ hàng loạt; sáu bước ở cùng diện tích chỉ là một yêu cầu. Việc nó có đạt mười giây hay không phụ thuộc hoàn toàn vào bộ tăng tốc, cấu hình song song theo chuỗi và độ phân giải mà bạn thực sự yêu cầu, và không có điều nào trong ba điều đó xuất hiện trong thông cáo. Thẻ mô hình của chính MiniMax không nêu thời gian tạo ở bất kỳ đâu. Con số này chỉ tồn tại ở một nơi: bài đăng ra mắt.

Điều mà thẻ chỉ rõ, chi tiết hơn bài đăng, là hình học. Đầu ra đạt tới khoảng 16 megapixel ở mọi tỷ lệ khung hình — 4096×4096 ở 1:1, 4736×3552 ở 4:3, 5024×3360 ở 3:2, 5472×3072 ở 16:9, 6272×2688 ở 21:9 — mà không có bộ nâng cấp riêng trong đường xử lý. API giới hạn diện tích đầu ra ở 20 megapixel, và thẻ mô tả phạm vi hoạt động thực tế là khoảng 4 đến 20 megapixel. Tính năng chỉnh sửa nhận tối đa 16 ảnh tham chiếu, được tham chiếu theo vị trí trong lời nhắc như <Picture 1> đến <Picture 16> theo thứ tự tải lên. Lời nhắc chạy tới 32.000 ký tự trên API được phục vụ, mặc dù chỉ khoảng 4.096 token đầu tiên có hiệu lực.

Các tuyên bố, bên cạnh những bằng chứng hiện có cho chúng

• Độ phân giải — “16 triệu pixel” và 4K: được nêu trong bài đăng và được lặp lại trong bảng kích thước của thẻ. Không được đo độc lập, nhưng điều này có thể kiểm tra dễ dàng bằng cách tạo một hình ảnh và đọc kích thước của nó.

• Tốc độ — “tất cả trong 10 giây”: do nhà cung cấp báo cáo, không nêu rõ phần cứng và chưa có kết quả đo thời gian nào từ bên thứ ba được công bố tính đến ngày 11 tháng 11 năm 2026. Thẻ không đưa ra bất kỳ con số nào.

• Tuân theo lời nhắc — “tuân theo lời nhắc chính xác”: một tuyên bố định tính. Cách diễn đạt mạnh hơn trên thẻ là “khả năng tuân theo chỉ dẫn mạnh nhất trong số các mô hình mã nguồn mở”, đây là một so sánh không kèm bảng nào.

• Chỉnh sửa — “tối đa 16 ảnh tham chiếu”: được xác nhận trong card và tài liệu API, nhưng bị phủ định ở một chi tiết bởi recipe ngày đầu của vLLM-Omni, vốn ghi tối đa 9 ảnh mỗi yêu cầu trên đường dẫn của nó. Hãy xem 16 là mức trần của mô hình và 9 là mức mà recipe của framework thực tế triển khai.

Open weight — đúng, và mang tính quyết định theo cách mà bài viết không giải thích: các trọng số được mở theo một giấy phép có các điều kiện về lãnh thổ và doanh thu, không phải theo giấy phép được OSI phê duyệt. Sẽ nói thêm về điều đó bên dưới.

Giá của nó là bao nhiêu, và một ưu đãi giảm giá chỉ còn sáu ngày.

Các điều khoản thương mại là phần cụ thể nhất của bản phát hành. Việc tính phí dựa trên token theo mức giá đầu ra hình ảnh: 2,30 đô la Mỹ cho mỗi triệu token văn bản đầu vào, 1,50 đô la Mỹ cho mỗi triệu token hình ảnh đầu vào, 3,80 đô la Mỹ cho mỗi triệu token hình ảnh đầu ra ở hạng tiêu chuẩn. Các ví dụ minh họa của chính MiniMax dẫn đến một thang bậc phẳng một cách bất thường, vì đơn vị đo là token và số lượng token không tăng theo diện tích như trực giác gợi ý:

• Tạo ảnh từ văn bản 1K — $0.02179 mỗi ảnh.
• Tạo ảnh từ văn bản 2K — $0.02333.
• Tạo ảnh từ văn bản 4K — giá niêm yết $0.06879, còn $0.03439 trong khi mức giảm giá hiện tại vẫn áp dụng.
• Chỉnh sửa 1K với một ảnh tham chiếu — $0.02654; 2K — $0.02658; 4K — $0.07312, giảm còn $0.03656.
• Chỉnh sửa 1K với ba ảnh tham chiếu — $0.03563; 2K — $0.04177; 4K — $0.07914, giảm còn $0.03957.

Gấp mười sáu lần số pixel với mức giá chỉ hơn gấp ba lần một chút là tỷ lệ đáng ghi nhớ, vì đây chính là nơi mô hình thực sự tạo ra khác biệt: ở 4K, checkpoint trọng số mở có giá niêm yết chỉ bằng khoảng một phần tám một khung FLUX 3 Image 4K và khoảng một phần năm một khung Nano Banana 2.1 4K.

Mức giảm giá là có thật và chỉ diễn ra tạm thời. Mức giảm 50% chỉ áp dụng khi hình ảnh được giao có ít nhất 16.600.000 pixel, bao phủ toàn bộ tổng của yêu cầu và hết hạn vào 17 tháng 11 năm 2026 lúc 16:00 UTC — sáu ngày sau khi các trọng số được đưa lên. Bất kỳ ai lập ngân sách cho một pipeline ở mức $0,03439 đều đang lập ngân sách dựa trên một chương trình khuyến mãi. Hãy tính giá ở mức $0,06879 và coi khoản giảm giá là biên lợi nhuận.

Có một bậc thứ hai, nhanh hơn. MiniMax-H3-Image-Highspeed nhận các tham số và giới hạn giống hệt và tính phí $7,60 cho mỗi triệu token hình ảnh đầu ra: $0,03529 ở 1K, $0,03622 ở 2K, $0,13001 ở 4K trước khi cùng mức giảm giá chia đôi nó thành $0,06501. Nếu tuyên bố mười giây là lý do bạn quan tâm, Highspeed là biến thể phải đúng thì điều đó mới có ý nghĩa — và MiniMax không công bố bất kỳ khác biệt độ trễ nào giữa hai biến thể.

“Open weight” ở đây có nghĩa là một giấy phép mà bạn phải đọc.

Các trọng số có thể tải xuống và kiến trúc được ghi lại đầy đủ, điều mà hầu hết các mô hình hình ảnh tiên phong không làm được. Giấy phép chính là nơi từ “open” không còn đảm nhận vai trò mà người ta kỳ vọng. MiniMax-H3-Image được phát hành theo MiniMax-H3-Image Community License Agreement, và các điều khoản quyết định việc triển khai không phải là chú thích nhỏ:

• Lãnh thổ. Định nghĩa về lãnh thổ bị loại trừ trong giấy phép bao gồm Liên minh châu Âu, Vương quốc Anh, Hàn Quốc và Hoa Kỳ, chiếm một phần lớn thị trường của một mô hình hình ảnh thương mại.

• Quy mô. Cần có văn bản chấp thuận trước riêng biệt đối với doanh thu hằng năm trên một triệu đô la Mỹ.

• Dịch vụ lưu trữ (Hosting). Yêu cầu cấp phép tương tự cũng áp dụng cho việc cung cấp mô hình dưới dạng dịch vụ lưu trữ, không có ngưỡng doanh thu nào cả — một điều khoản nhắm trực diện vào mô hình bán lại API.

• Ghi công. Các giao diện thương mại sử dụng mô hình phải hiển thị “MiniMax-H3-Image” một cách nổi bật.

• Hạ nguồn. Không được sử dụng đầu ra để huấn luyện hoặc cải thiện các mô hình khác.

Trang Hugging Face hiển thị thông tin này dưới dạng một dòng duy nhất ghi là license: other, điều này về mặt kỹ thuật là chính xác và trên thực tế thì vô dụng. Nếu bạn đang đánh giá mô hình để dùng cho một sản phẩm chứ không phải một notebook, thì tệp giấy phép là thứ đầu tiên cần đọc và có thể là lý do để dừng lại.

Chi phí thực sự để bạn vận hành mô hình trọng số mở là bao nhiêu

68,65 GB transformer và VAE, cộng thêm một bộ mã hóa văn bản không nằm trong kho lưu trữ. model_index.json trỏ vào mô hình video MiniMax-H3 và tải text_encoder/ từ đó — 66,7 GB Qwen3-VL, không thay đổi. Vì vậy, lần tạo cục bộ đầu tiên là một lượt tải xuống khoảng 135 GB từ hai kho lưu trữ, và bộ mã hóa là nửa lớn hơn.

Câu chuyện về framework tốt một cách bất thường đối với một checkpoint còn non như vậy, và nó xuất hiện ngay từ ngày đầu tiên chứ không phải dần dà trong suốt tháng sau đó. SGLang là lối tham chiếu với một cookbook có tài liệu và một lệnh chạy trên một GPU; song song chuỗi chỉ là một cờ (--ulysses-degree trên SGLang, --usp trên vLLM-Omni); vLLM-Omni công bố các công thức theo từng phần cứng, nêu đích danh NVIDIA H200, RTX PRO 6000 Blackwell và AMD Instinct MI350X; cả diffusers lẫn ComfyUI đều hỗ trợ nó. Hướng dẫn triển khai của chính MiniMax chỉ vào việc dùng nhiều GPU để có độ trễ chấp nhận được ở độ phân giải đầy đủ, và đó là mức gần nhất mà nhà cung cấp thừa nhận rằng mười giây là một cấu hình, chứ không phải một hằng số.

Với hầu hết các nhóm, bài toán số học sau đây thật khó chịu. Ở mức $0.02179 cho một ảnh 1K và $0.06879 cho một ảnh 4K, API được lưu trữ rẻ hơn cả tiền điện và khấu hao trong một thời gian rất dài. Lý do để chọn 135 GB là khả năng kiểm soát — một bộ lấy mẫu sáu bước cố định mà bạn có thể tái tạo chính xác, một giấy phép mà bạn có thể lý giải, và không phụ thuộc vào hàng đợi của nhà cung cấp vào đúng lúc bạn cần thông lượng.

Ba bài kiểm tra đáng để chạy trước khi bạn commit

Điều đầu tiên là cách rẻ: tạo cùng một prompt 4K mười lần qua API của MiniMax, ghi lại thời gian thực tế cho mỗi yêu cầu và kích thước pixel của mỗi kết quả trả về. Điều đó kiểm chứng cả hai con số được nhấn mạnh — mười giây và mười sáu megapixel — với mạng của chính bạn và độ dài prompt của chính bạn, trong chưa đầy một giờ, với chi phí thấp hơn một đô la rất nhiều.

{{1}}Cái thứ hai là bài kiểm tra nhận diện{{/1}}, và đây là nơi {{2}}mười sáu tham chiếu{{/2}} hoặc chứng minh được giá trị của mình hoặc không. {{3}}Đưa vào tám đến mười sáu khung hình của một chủ thể ở nhiều góc độ khác nhau{{/3}}, yêu cầu {{4}}một cảnh mới{{/4}}, rồi xem liệu {{5}}khuôn mặt, chất liệu vải và logo có được bảo toàn hay không{{/5}}. {{6}}Các ô vị trí{{/6}} ít được cấu trúc hóa hơn {{7}}các tham chiếu có kiểu{{/7}} — không có cách nào để nói cho mô hình biết {{8}}hình nào là nhân vật và hình nào là áo khoác{{/8}} — vì vậy phép thử là liệu {{9}}chỉ riêng vị trí có đủ để truyền tải ý định đó hay không{{/9}}.

Điều thứ ba là thứ không ai có thể làm thay bạn: một phép thử A/B mù với bất cứ thứ gì bạn đang dùng hiện nay, trên chính prompt của bạn. MiniMax-H3-Image không có mục nào trên cả hai bảng xếp hạng hình ảnh của Artificial Analysis tính đến ngày 11 tháng 11 năm 2026 — không phải điểm thấp, mà là không có gì cả — và cũng không có bảng đánh giá nào của nhà cung cấp. Không GenEval, không DPG-Bench, không có số liệu về sở thích của con người. Lưới trưng bày trên thẻ mô hình là bằng chứng duy nhất hiện có về chất lượng đầu ra, mà lưới trưng bày thì vốn được thiết kế để trông thật đẹp. Một tuần tự so sánh của chính bạn sẽ cho bạn biết nhiều hơn bài công bố ra mắt.

Điều này đặt buổi ra mắt ở đâu

Tóm tắt trung thực là MiniMax-H3-Image là một checkpoint thực sự với một câu chuyện triển khai đầy đủ một cách bất thường, một thang giá thấp hơn đáng kể so với các mô hình đóng ở 4K, và một con số nổi bật mà chưa ai bên ngoài công ty xác minh. Tuyên bố về tốc độ là hợp lý dựa trên lý do kiến trúc — sáu bước không hướng dẫn thực sự là một đẳng cấp chi phí khác so với một bộ lấy mẫu có hướng dẫn ba mươi bước — và tính hợp lý không phải là bằng chứng.

Điều có thể thay đổi cục diện là những yếu tố cụ thể và có lẽ còn vài tuần nữa: một vị trí độc lập trên bảng xếp hạng hình ảnh kèm theo số lượng mẫu, một bên thứ ba đo thời gian đường dẫn 4K trên phần cứng được nêu tên, và một cái nhìn về cách mười sáu tham chiếu vị trí hoạt động dưới áp lực nhận dạng thực tế. Cho đến lúc đó, thế đứng hữu ích là một lộ trình ứng viên chứ không phải một phương án thay thế — hãy chạy nó bên cạnh mô hình bạn tin cậy, trên một bộ prompt cố định, và để hình ảnh quyết định.

OrcaRouter hiện không phục vụ MiniMax-H3-Image; không có tuyến nào cho nó trên danh mục của chúng tôi, và nói khác đi sẽ là kiểu tuyên bố mà bài viết này đang phản đối. Thứ chúng tôi có từ cùng dòng mô hình là mô hình video, minimax/minimax-h3, ở giá niêm yết của nhà cung cấp với 0% markup được chuyển thẳng qua — nghĩa là một thay đổi giá của MiniMax, bao gồm ưu đãi giảm giá 4K và thời điểm hết hạn của nó, sẽ có hiệu lực ở đây ngay ngày nó xảy ra thay vì vào lần chuyển đổi thanh toán tiếp theo. Nếu mô hình hình ảnh thực sự xuất hiện trên danh mục, nó sẽ xuất hiện theo cùng các điều khoản. Cho đến khi đó, lựa chọn này là API riêng của MiniMax hoặc GPU của chính bạn.