MiniMax-H3-Image-PE: MiniMax đã tung ra công cụ mở rộng prompt 27B cho mô hình hình ảnh của mình mà không thông báo cho ai

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.

Thực ra có gì trong repo, và các dấu thời gian cho biết điều gì

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.

Chính xác thì nó làm gì

Trong repo có hai quy trình làm việc, và chúng không phải là cùng một thứ. Đây là điều quan trọng nhất cần hiểu trước khi bạn tải xuống 18 GB.

• PE chuyển văn bản thành hình ảnh — bạn nhận được mọi thứ: trọng số đã tinh chỉnh, lời nhắc hệ thống, lời nhắc tác vụ, các tham số yêu cầu và một ứng dụng khách hoạt động được. Lộ trình này đã hoàn chỉnh và có thể chạy ngay hôm nay.

• Image editing PE — bạn nhận được một lời nhắc và một ví dụ lắp ghép thông điệp. Không có trọng số. Thẻ nói thẳng: "Image editing PE vẫn đang được phát triển; bản phát hành này chỉ cung cấp lời nhắc của nó." Bạn được kỳ vọng sẽ chạy lời nhắc đó qua một mô hình thị giác-ngôn ngữ do bạn tự chọn.

Luồng văn bản thành hình ảnh nhận chỉ dẫn của bạn, mở rộng chỉ dẫn đó và trả về JSON được một lược đồ ràng buộc thành đúng hai khóa. Đầu ra cho một lời nhắc kiểm thử — "Một con mèo mướp màu cam đang ngủ trên bệ cửa sổ đầy nắng" — là một câu duy nhất mô tả những bức ảnh ấm áp và ánh sáng chiều dịu nhẹ, cùng với tỷ lệ "3:2". Lược đồ này nghiêm ngặt, với additionalProperties được đặt thành false, và trường tỷ lệ là một enum gồm mười giá trị: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Không có tỷ lệ dạng văn bản tự do, không có token "auto" trong đầu ra, và mô hình không có cách nào trả lời bằng bất kỳ thứ gì khác ngoài một trong mười chuỗi đó. Đó là một lựa chọn thiết kế có chủ đích và nó ánh xạ trực tiếp tới bảng kích thước đã công bố của mô hình gốc, bảng này liệt kê đúng những tỷ lệ đó với kích thước điểm ảnh từ 4096×4096 ở 1:1 đến 6272×2688 ở 21:9.

Quyết định tỷ lệ không phải là chuyện cảm tính. Lời nhắc tác vụ được phát hành dành vài trăm từ cho một thứ tự ưu tiên nghiêm ngặt: canvas cuối cùng được chỉ định rõ sẽ thắng trước tiên, sau đó là sản phẩm đầu ra được yêu cầu (áp phích thì dọc, phần đầu slide thì ngang, ảnh đại diện thì vuông), rồi đến bố cục chính của chủ thể, rồi đến ngữ cảnh tùy chọn — kèm cảnh báo rõ ràng rằng "một căn phòng chung chung, công viên, khu rừng, bầu trời hay bối cảnh điện ảnh không được biến một chủ thể trọng tâm thành khung ngang." Lời nhắc cũng cấm việc tự bịa ra nền tảng: bạn không được phép mặc định là Instagram. Và nó phân biệt một cảnh được mô tả với một sản phẩm truyền thông — bảng điều khiển, áp phích, bao bì, sơ đồ kỹ thuật hay ảnh ghép nhiều ô được dựng như một kiến trúc thông tin chứ không phải một cảnh chứa các đối tượng được yêu cầu. Với bất kỳ ai từng chứng kiến một mô hình hình ảnh biến "slide kết quả hàng quý" thành một bức ảnh phòng họp, sự phân biệt đó chính là phần thú vị của bản phát hành này.

Tại sao lại phải dùng 27 tỷ tham số chỉ cho một dòng chú thích?

Câu trả lời nằm trong tài liệu của mô hình cha, và nó thú vị hơn bản thân trình mở rộng prompt. MiniMax-H3-Image là một transformer khuếch tán đơn luồng dày đặc 33,1B, 50 lớp, kích thước ẩn 5376, 56 đầu chú ý, đọc các trạng thái ẩn từ lớp thứ 50 của một bộ mã hóa văn bản Qwen3-VL đầy đủ được kế thừa nguyên vẹn từ MiniMax-H3. Bộ mã hóa văn bản đó nặng 66,7 GB và không có trong kho ảnh — bạn tải nó riêng từ kho mô hình video. Checkpoint được chưng cất xuống sáu bước lấy mẫu mà không có classifier-free guidance, và API thực thi điều này: bất kỳ num_inference_steps nào khác 6 và bất kỳ guidance_scale nào khác 1 đều trả về HTTP 400, và negative_prompt bị từ chối thẳng thừng. Không có nút nào để vặn.

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.

Giấy phép chính là phần sẽ thực sự ngăn cản mọi người.

MiniMax-H3-Image-PE không được cấp phép riêng. Thẻ mô hình nêu rõ rằng nó "là một phần của MiniMax-H3-Image và do đó chịu sự điều chỉnh của" Thỏa thuận Cấp phép Cộng đồng MiniMax-H3-Image, và tệp giấy phép có một dòng ngày tháng ghi "ngày phát hành/ngày cấp phép: 10 tháng 11 năm 2026." Hãy đọc kỹ điều này, bởi lẽ nó có nghĩa là ngày cấp phép của công cụ mở rộng lời nhắc và ngày công bố của mô hình hình ảnh gốc cách nhau tám ngày, trong khi bản thân giấy phép chỉ là một văn bản duy nhất điều chỉnh cả hai.

Ba điều khoản quan trọng hơn phần còn lại, và không điều nào trong số đó là câu chuyện "trọng số mở" thông thường:

• Lãnh thổ — việc cấp quyền chỉ áp dụng trong “Lãnh thổ Áp dụng”, được định nghĩa là trên toàn thế giới không bao gồm Liên minh châu Âu, Vương quốc Anh, Đại Hàn Dân Quốc và Hợp chúng quốc Hoa Kỳ. Đây là một ngoại lệ theo lãnh thổ, không phải là hạn chế sử dụng, và được nêu trong phần định nghĩa thay vì bị ẩn trong một phụ lục.

• Quy mô thương mại — Mục IV yêu cầu ủy quyền trước bằng văn bản riêng nếu doanh thu hằng năm của bạn, hoặc của các bên liên kết, vượt quá 1 triệu USD, hoặc nếu bạn cung cấp dịch vụ lưu trữ cho bên thứ ba theo bất kỳ hình thức nào. Điều kiện thứ hai không có ngưỡng doanh thu tối thiểu.

• Ghi công trên giao diện — cùng mục này yêu cầu bạn hiển thị một cách nổi bật "MiniMax-H3-Image" trên giao diện người dùng của bất kỳ sản phẩm hoặc dịch vụ thương mại nào có sử dụng các tác phẩm.

Ngoài ra còn có một điều kiện tái phân phối yêu cầu tệp NOTICE với một dòng bản quyền cụ thể, và một nghĩa vụ theo Mục V là duy trì các biện pháp bảo vệ chống lại các đầu ra vi phạm, cùng với cơ chế báo cáo và nghĩa vụ hành động dựa trên các báo cáo thiện chí. Không có gì trong số đó là bất thường đối với một giấy phép cộng đồng vào năm 2026. Điều khoản loại trừ theo lãnh thổ là điều sẽ quyết định, đối với nhiều đội nhóm, liệu bản tải xuống 18 GB có còn đáng để bắt đầu hay không — và đây là điều khoản dễ bị bỏ sót nhất, vì trang mô hình trên Hugging Face chỉ hiển thị nó dưới dạng "other" kèm một liên kết.

Những gì chưa thể biết được

Việc rõ ràng về ranh giới hữu ích hơn là lấp đầy nó.

• Không có số liệu benchmark. Cả hai card đều không công bố một điểm số nào. Công ty mẹ chỉ đưa ra các tuyên bố định tính — "khả năng tuân thủ chỉ dẫn tốt nhất trong số các mô hình mã nguồn mở", "tiên tiến nhất" — và không tìm thấy đánh giá độc lập nào về MiniMax-H3-Image, hoặc về bộ mở rộng prompt của nó, tính đến ngày 2026-11-11. Không có Elo, không có tỷ lệ thắng theo sở thích, không có so sánh chất lượng mở rộng với endpoint Context-IR được host.

• Không có bằng chứng cho thấy đường chỉnh sửa hoạt động. Câu lệnh chỉnh sửa được viết cẩn thận và cụ thể một cách bất thường — nó yêu cầu người gọi cung cấp tỷ lệ W:H đã thu gọn của từng ảnh tham chiếu, bảo mô hình không bao giờ ước lượng tỷ lệ nguồn từ bản xem trước, và hướng dẫn mô hình tạo ra mục tiêu dự định thay vì giả vờ đã thấy một kết quả ẩn. Nhưng không có trọng số nào được phát hành cho nó, nên chưa ai đo được liệu một VLM tổng quát có tuân theo nó tốt như bản fine-tune được cho là sẽ làm hay không.

• 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.

• Số lượt tải xuống quá nhỏ để có thể đánh giá. MiniMax-H3-Image cho thấy 667 lượt tải xuống và 136 lượt thích vào ngày 2026-11-11, tám ngày sau khi công bố. Mô hình PE cho thấy 0 lượt tải xuống và 7 lượt thích. Trên một repo mới một ngày tuổi, đó là mức sàn chứ không phải phán quyết — nhưng điều đó có nghĩa là chưa có ai công bố báo cáo thực tế.

Điều này phù hợp ở đâu nếu bạn thực sự đang xây dựng một thứ gì đó

Câu hỏi thực tế không phải là "đây có phải là một mô hình tốt không" — chưa ai có thể trả lời điều đó — mà là "việc áp dụng nó ràng buộc tôi vào điều gì". Cụ thể là ba điều. Bạn cam kết chạy hai mô hình thay vì một: một bộ mở rộng 18 GB cộng với một checkpoint hình ảnh 68,65 GB cộng với một bộ mã hóa văn bản 66,7 GB mà bạn có lẽ đã có nếu chạy MiniMax-H3. Bạn cam kết một ngân sách giải mã cố định 4096 token bao gồm cả suy luận, mà với thời gian chờ yêu cầu do tài liệu API đặt là 600 giây thì đó không phải là độ trễ bạn có thể che giấu sau một giao diện tương tác mà không cần cẩn trọng. Và bạn cam kết với một giấy phép có phạm vi lãnh thổ loại trừ bốn thị trường lớn.

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.

Xem gì

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.