Một thẻ tiêu đề được tạo có tiêu đề 'MiniMax-H3-Image: ba tuyên bố, ba chuỗi bằng chứng', với phụ đề 'bài đăng ra mắt đã tuyên bố gì' và ba thẻ bo tròn: 'đo được 0,87 giây, nhưng trên khung vẽ 2048 pixel là 0,88 giây trên bốn H200', 'Hỗ trợ Vera Rubin là một công thức mô hình video, được mở và đóng mà không hợp nhất trong cùng ngày', và 'Trình chỉnh sửa trọng số mở số một — giữ vững, ở 1.138 Elo: thứ mười hai tổng thể trong dải hạng tám đến mười bảy'. Chân trang ghi 'Độ trễ theo công thức vLLM-Omni H200; số liệu bảng xếp hạng từ Artificial Analysis, ngày 13 tháng 11 năm 2026.' Logo OrcaRouter thật được ghép vào dải bổ sung ở góc dưới bên phải.
Engineering & Research

MiniMax-H3-Image: Bài đăng ra mắt đã tuyên bố gì và vLLM-Omni thực sự đã phát hành những gì

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Ba tuyên bố xuất hiện cùng lúc với MiniMax-H3-Image, và đáng để tách riêng vì lượng giấy tờ đằng sau chúng rất khác nhau. Mô hình là một transformer khuếch tán single-stream 33.1B, tạo và chỉnh sửa ảnh ở khoảng mười sáu megapixel, được chưng cất xuống còn sáu bước lấy mẫu mà không dùng classifier-free guidance, và trọng số của nó được đưa lên Hugging Face vào 10 November 2026 lúc 14:50 UTC. Bài đăng công bố nó nói rằng mô hình là mô hình open-weight số một cho chỉnh sửa ảnh trên Artificial Analysis, rằng hỗ trợ NVIDIA Vera Rubin cho MiniMax-H3-Image đang được đưa vào vLLM-Omni, và rằng việc tạo 4K gốc chạy trong 0.87 giây. Tuyên bố đầu tiên đúng, nhưng chỉ trong một nhóm open-weight và chỉ trong một dải tin cậy rộng mười hạng; tuyên bố thứ hai mô tả hồ sơ nhắm đến một mô hình khác và đã bị đóng mà không được hợp nhất; tuyên bố thứ ba là một con số đo được thật, gắn với một khung vẽ chỉ bằng một phần tư kích thước mà câu của nó ngụ ý.

Không điều nào trong số đó khiến mô hình trở nên tệ hơn. Nó khiến thông báo khó sử dụng hơn, bởi vì một người đọc tin cả ba điều đó theo đúng nghĩa đen sẽ lên kế hoạch cho một pipeline 4K dựa trên một con số độ trễ vốn thuộc về một pipeline 4 megapixel.

Con số 0,87 giây nằm trong repo và nó được gắn với một canvas 2048 pixel.

Công thức riêng của vLLM-Omni cho MiniMax-H3-Image có một bảng độ trễ đo được trên tám cấu hình GPU, và con số còn trụ lại sau khi đối chiếu với bài đăng ra mắt là: trên bốn GPU H200 với song song chuỗi Ulysses trên cả bốn, một yêu cầu tạo ảnh từ văn bản 2048×2048 mất 0,88 giây, và một yêu cầu chỉnh sửa 2048×2048 mất 1,35 giây. Đó là trung vị của ba yêu cầu sau một lần khởi động làm nóng ở mức đồng thời bằng một, với seed cố định, được đo từ phía máy khách từ đầu đến cuối.

Cùng hàng đó đo yêu cầu lớn nhất mà các tác giả đã thử — 4736×3552, tức 16,8 megapixel và là thứ gần nhất trong bảng với một tấm 4K — ở mức 3,84 giây. Vậy phiên bản trung thực của tuyên bố về tốc độ là một ảnh 4 megapixel mất khoảng chín phần mười giây trên một node bốn GPU, còn ảnh 16 megapixel mà mô hình được thiết kế cho nó mất khoảng bốn giây. Con số 0,87 nằm trong nhiễu đo của con số 0,88; thứ đã thay đổi là khung vẽ, không phải mô hình.

Điều khiến đây không chỉ là một lời phàn nàn về việc làm tròn là các yêu cầu dưới 2048×2048 không thực sự chạy ở kích thước danh nghĩa của chúng. Đường phục vụ tạo ra mọi thứ nhỏ hơn trên một canvas có kích thước ít nhất 2048×2048 với cùng tỷ lệ khung hình, rồi thu nhỏ bằng Lanczos trên thiết bị. Đó là lý do 1024×1024 tốn 0,77 giây và 2048×2048 tốn 0,88 — chúng cùng một khối lượng công việc với lượng thay đổi kích thước khác nhau sau đó. Công thức đưa ra mức sàn dưới dạng min_generation_area, có thể điều chỉnh từ 32² đến 4096² pixel, nên một triển khai thực sự cần ảnh thu nhỏ rẻ phải chủ động chọn dùng chúng.

Phần còn lại của bảng là phần hữu ích cho bất kỳ ai đang tính toán cấu hình phần cứng:

Bốn H200, Ulysses SP 4 — đỉnh 81,3 GiB mỗi GPU, 0,88 s cho ảnh 2048², 3,84 s ở 4736×3552, 1,35 s cho một lần chỉnh sửa 2048².

• Bốn H200, DiT tensor parallel 4 — 36,2 GiB mỗi GPU, 1,00 s và 4,01 s, và các chỉnh sửa nằm trong phạm vi 38,3 dB PSNR của tham chiếu song song chuỗi.

• Bốn GPU H200, TP 2 × SP 2 — 52,2 GiB mỗi GPU, 1,09 s và 4,07 s, 37,1 dB so với cùng một tham chiếu.

• Hai H200, Ulysses SP 2 — 94,6 GiB mỗi GPU, 1,48 s và 6,82 s. Đây là cách bố trí cần gần như toàn bộ card.

• Một H200 với bộ mã hóa văn bản được offload — 73,4 GiB, 3,18 giây và 12,39 giây cho cùng hai kích thước.

Một H200 với tính năng offload theo từng lớp cho cả DiT và bộ mã hóa văn bản — 14,7 GiB, 8,30 giây và 12,85 giây.

Hai hàng cuối là những hàng thú vị về mặt thương mại, vì chúng là thứ mà một card thuê đơn lẻ mang lại cho bạn. Ở 14.7 GiB, mô hình vừa vặn thoải mái và mất tám giây cho việc mà một node bốn GPU làm trong chưa đầy một giây — tỷ lệ độ trễ khoảng chín trên một so với tỷ lệ phần cứng khoảng bốn trên một. Các cấu hình offload bị giới hạn bởi các bản sao từ host sang thiết bị, nên độ trễ của chúng hầu như không tăng theo kích thước ảnh: khoảng cách giữa một yêu cầu 2048² và một yêu cầu 16.8 MP trên đường DLO một GPU là 8.30 giây so với 12.85. Nếu khối lượng công việc của bạn là ảnh lớn và bạn chỉ có một card, offload không phải là thảm họa như độ trễ thô gợi ý.

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

Tại sao bức ảnh đầu tiên lại tốn kém hơn mức mà trọng số của mô hình gợi ý

Checkpoint mà người ta tải về không phải là thứ thực sự chạy. Kho lưu trữ 68,65 GB chứa diffusion transformer BF16, nhưng để phục vụ nó cũng cần toàn bộ bộ mã hóa văn bản Qwen3-VL lấy từ MiniMax-H3 — một artefact thứ hai khoảng 66,7 GB — cộng thêm một VAE 0,58B, và cách tính tham số của công thức cộng cả ba thành 67B. Đó là con số đằng sau mức 73,4 GiB trên một GPU khi bộ mã hóa văn bản thường trú, và đằng sau bố cục thường trú hai GPU cần 94,6 GiB mỗi card.

{{1}}Hệ quả là một bài toán số học của ngày ra mắt.{{/1}} {{2}}Một mô hình hình ảnh 16 megapixel với trọng số phải tải về dưới dạng hai gói lớn và cách triển khai nhanh rẻ nhất cần bốn GPU trung tâm dữ liệu thì không phải là dự án cuối tuần, và những framework tuyên bố hỗ trợ từ ngày đầu thực chất đang tuyên bố hỗ trợ cho pipeline, chứ không phải cho chiếc máy của bạn.{{/2}} {{3}}Công thức nêu rõ phần cứng nào thực sự đã được đo và phần cứng nào chỉ được cấu hình:{{/3}} {{4}}H200, RTX PRO 6000 Blackwell ở hai và bốn card, cùng MI325X và MI350X được đánh dấu là đã xác minh, trong khi các công thức H100, B200 và B300 chỉ là cấu hình.{{/4}} {{5}}Công thức riêng cho một RTX-4090 có tồn tại và được ghi nhãn là triển khai cộng đồng chứ không phải do nhà cung cấp chứng nhận.{{/5}}

Tuyên bố về Vera Rubin nhắm vào mô hình video, và pull request đã bị đóng.

Đây là tuyên bố cần đào sâu nhất, vì công việc là thật và hình thái của nó không giống như bài đăng mô tả. Có một pull request trong vLLM-Omni mang số 10108, được mở vào ngày 10 tháng 11 năm 2026 lúc 11:10 UTC, với tiêu đề "[Doc] Add MiniMax-H3 Rubin recipe and inference results". Nó đóng góp 1,972 dòng trên bốn tệp, ghi lại một quy trình ngoại tuyến bốn GPU trên phần cứng NVIDIA VR NVL72 với 286,524 MiB mỗi card trên một máy chủ aarch64, và báo cáo các phép đo thực: một yêu cầu text-to-video 1344×768, năm giây, 24 FPS mất 19.811 giây trung vị với attention TRTLLM và thực thi eager, so với 110.039 giây với SDPA. Các biến thể first/last-keyframe và mixed-reference đạt 21.535 và 21.461 giây.

Mọi tác vụ trong số đó đều là video. T2VA, FL2VA và Ref2VA là tên tác vụ của MiniMax-H3, không phải của MiniMax-H3-Image, và phần mô tả của chính pull request cho biết hướng dẫn MiniMax-H3 hiện có thiếu một môi trường Rubin đạt chuẩn. Chỉ mục recipe của repo cũng nhất quán: MiniMax-H3-Image có recipe cho H200, H100, B200, B300, RTX PRO 6000, MI325X và MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 và MUSA, còn Rubin thì không có gì.

Sau đó, pull request đã bị đóng. Nó được mở lúc 11:10 UTC ngày 10 tháng 11 và bị đóng lúc 12:05 cùng ngày, mà không được hợp nhất, sau khi trình đánh giá tự động yêu cầu tác giả để lại bình luận tự đánh giá. Tác giả của nó đã thẳng thắn về những hạn chế ngay trong phần mô tả: khởi động HTTP đã thất bại với các bản nightly vLLM được thử nghiệm, recipe ghi lại những thất bại đó thay vì tuyên bố hỗ trợ HTTP, và suy luận ở một bản sửa đổi cơ sở mới hơn được liệt kê dưới mục "chưa chạy". Danh sách thư mục của nhánh main được lấy hôm nay không có recipe Rubin nào cho cả hai mô hình M​iniMax.

Vậy phát biểu chính xác là: một người đóng góp đã phác thảo và đo lường một recipe Rubin cho MiniMax-H3 — mô hình video — và bản nháp đã không được đưa vào. Nếu hỗ trợ xuất hiện, nó sẽ xuất hiện dưới dạng một tệp đã được hợp nhất trong mục lục recipe, và đó mới là thứ cần theo dõi chứ không phải một bài đăng mạng xã hội. Trong khi đó, các framework “ngày đầu” của MiniMax-H3-Image lại là những framework có các commit hợp nhất thực sự phía sau: pull request hỗ trợ mô hình của vLLM-Omni đã được hợp nhất vào ngày 11 tháng 11 lúc 07:32 UTC, và pull request recipe đi kèm đã được hợp nhất vào ngày 10 tháng 11 lúc 14:53 — sớm hơn khoảng mười bảy giờ, điều này cho thấy “ngày đầu” đang được áp dụng lỏng lẻo đến mức nào cho tài liệu.

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.

Tuyên bố về đấu trường là đúng và hẹp hơn nhiều so với vẻ ngoài của nó.

Artificial Analysis điều hành hai bảng xếp hạng liên quan, một bảng xếp hạng text-to-image của image-arena và một bảng xếp hạng chỉnh sửa ảnh, cả hai đều có điểm Elo, khoảng tin cậy và số lượng mẫu, và MiniMax-H3-Image có mặt trên cả hai. Trên bảng chỉnh sửa, AA-Image-Editing v2.1, mô hình này đứng ở 1.138 Elo, vị trí thứ mười hai, trong dải thứ hạng từ thứ tám đến thứ mười bảy, với khoảng 3.200 mẫu, ở mức 26,54 USD cho mỗi nghìn ảnh. Biến thể nhanh hơn của nó, MiniMax-H3-Image Highspeed, thấp hơn một bậc ở 1.134 trong dải từ thứ chín đến thứ hai mươi. Phần bình luận của chính bảng xếp hạng đặc biệt nhấn mạnh mô hình này là mục trọng số mở có thứ hạng cao nhất, xếp trên Fibo 2.0 ở 1.085 và Qwen-Image-2.1 ở 1.084. Vì vậy, tuyên bố trong bài đăng ra mắt là chính xác như đã nêu — số một trong các mô hình trọng số mở về chỉnh sửa ảnh — và con số đằng sau nó là con số thực, có bình chọn và có thể kiểm chứng công khai.

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

Điều mà câu đó bỏ qua là độ lớn của khoảng cách và độ rộng của khoảng. Mô hình dẫn đầu trên bảng xếp hạng đó là GPT Image 2.6 Sunburst với 1,210 Elo trên khoảng 6,400 mẫu, với GPT Image 2.6 Flare ở 1,206 và GPT Image 2.5 Sunburst ở 1,201 — cao hơn MiniMax-H3-Image khoảng bảy mươi Elo, mà theo nghĩa Elo thì đó là một sự tách biệt đáng kể và có lẽ bền vững chứ không phải nhiễu. Dải từ thứ tám đến thứ mười bảy là nửa còn lại của câu chuyện: ở số lượng mẫu này, mô hình rất có thể là thứ tám hoặc thứ mười bảy, và biến thể Highspeed của chính nó nằm trong cùng vùng chồng lấn đó. "Mô hình trọng số mở tốt nhất để chỉnh sửa" và "gần với mô hình chỉnh sửa tốt nhất" là những tuyên bố khác nhau, và chỉ tuyên bố đầu tiên là có cơ sở.

Chuyển văn bản thành hình ảnh là lĩnh vực khiến tuyên bố trở nên lung lay hơn. Trên AA-Image-T2I v2.1, mô hình xếp thứ hai mươi ba với 1.066 Elo, còn Highspeed đứng thứ hai mươi hai với 1.070, so với Sunburst 2.6 ở 1.261 điểm, đứng đầu với 5.282 mẫu. Đó là khoảng cách 200 Elo, và lợi thế trọng số mở tương tự cũng đúng — Qwen-Image-2.1 ở 1.046 và FLUX 3 Image Klein ở 1.042 đứng sau nó — nhưng "mô hình trọng số mở số một cho chỉnh sửa hình ảnh" không nên được hiểu là một tuyên bố chung về chất lượng hình ảnh. Thế mạnh chỉnh sửa của mô hình là có thật, còn thế mạnh tạo sinh của nó chỉ ở mức trung bình.

Ngôn ngữ chất lượng trong chính model card là định tính — khả năng tuân theo chỉ dẫn tốt nhất trong số các mô hình mã nguồn mở, không kèm bảng so sánh — và bằng chứng đầu ra duy nhất mà nhà cung cấp đưa ra là một lưới giới thiệu được tuyển chọn. Điều đó là bình thường với một bản phát hành mới ba ngày. Điều đó có nghĩa là luận cứ cho mô hình giờ đây là một điểm số đo được với khoảng tin cậy rộng, cộng với lập luận dựa trên độ phân giải và giá, chứ không phải khẳng định như bài đăng ra mắt đã thể hiện.

Những gì thực sự đã được phát hành và cách dùng thử mà không phải đặt cược cả một pipeline vào đó

Bóc tách thông báo đi thì phần cốt lõi thật ra chẳng hào nhoáng mà rất thực tế. Một mô hình hình ảnh 33.1B với sampler sáu bước, không cần tinh chỉnh guidance scale, mười sáu vị trí tham chiếu và đầu ra gốc 16 megapixel được phát hành với giấy phép mở, một pipeline vLLM-Omni tái sử dụng DiT và text encoder của mô hình video H3, một recipe H200 chính thức với tám layout đã được đo đạc, thêm bốn recipe phần cứng ở nhiều trạng thái kiểm định khác nhau, một đường diffusers, và tích hợp ComfyUI. API áp đặt sampler: một yêu cầu với num_inference_steps khác sáu, hoặc guidance_scale khác một, hoặc bất kỳ negative prompt nào, sẽ trả về HTTP 400.

Với những đội muốn đánh giá nó thay vì cam kết áp dụng, hình thức thực tế là triển khai offload trên một GPU ở mức 14,7 GiB — chậm, nhưng đủ nhỏ để vừa bên cạnh bất cứ thứ gì khác đang có trên card — và chỉ chuyển sang bố cục song song chuỗi bốn GPU khi chất lượng đầu ra biện minh cho node đó. Mô hình cũng có thể truy cập qua API riêng của M​iniMax với mức tính theo token, và một số nền tảng bên thứ ba có cung cấp nó; nó không có trong danh mục của OrcaRouter.

Điều OrcaRouter thực sự cung cấp là mô hình video mà checkpoint hình ảnh này được xây dựng dựa trên: minimax/minimax-h3 hiện có thể định tuyến tại giá niêm yết của nhà cung cấp mà không cộng thêm bất kỳ khoản phụ phí nào, điều này quan trọng nếu lý do bạn quan tâm đến MiniMax-H3-Image là bạn đã tạo video trên cùng dòng mô hình và muốn giữ một khóa thay vì hai hợp đồng. Tính năng chuyển đổi dự phòng tự động của cùng lớp định tuyến cũng là cách ít kịch tính nhất để thử nghiệm một mô hình chưa được đo lường trong môi trường sản xuất — dồn một phần lưu lượng vào nó, giữ một phương án dự phòng đã được đo lường phía sau, và để lớp định tuyến quyết định dựa trên lỗi thay vì dựa trên vị trí trên bảng xếp hạng vốn vẫn còn là một dải mười hạng.

Điều gì sẽ giải quyết được chuyện đó?

Ba điều, theo thứ tự mức độ chúng sẽ làm thay đổi cục diện. Một khoảng hẹp hơn trên bảng chỉnh sửa — mô hình đang ở 1.138 trong dải 8–17 trên khoảng 3.200 mẫu, và thêm phiếu bầu sẽ biến nó thành một thứ hạng thực sự thay vì một khoảng. Một công thức Rubin hợp nhất cho mô hình hình ảnh — không phải mô hình video — sẽ khiến tuyên bố về phần cứng trở nên đúng ở nơi duy nhất thực sự quan trọng, tức là chỉ mục công thức. Và phép đo thứ hai, độc lập về độ trễ 16 megapixel sẽ cho phép phát biểu lại con số tiêu đề 0,87 giây đúng như bản chất của nó: bốn megapixel trên bốn H200, ở khoảng chín phần mười giây, với tấm 4K thực tế gấp bốn lần con số đó.

Cho đến lúc đó, bản tóm tắt có thể bảo vệ được sẽ hẹp hơn bài đăng và hữu ích hơn: mô hình nhanh ở những kích thước mà hầu hết mọi người thực sự tạo ra, chế độ 16 megapixel của nó là một thao tác bốn giây trên một nút bốn GPU thay vì dưới một giây, hỗ trợ framework của nó là có thật đối với phần cứng được hậu thuẫn bởi các merge commit, và thứ hạng trên bảng xếp hạng của nó là xác thực nhưng có giới hạn — đứng đầu trong số các trọng số mở, thứ mười hai tổng thể, ở đâu đó giữa thứ tám và thứ mười bảy, và kém khoảng bảy mươi Elo so với mô hình mà bài đăng ngụ ý là nó đã đánh bại.