MiniMax-H3-Image vs GPT Image 2.6: Bạn thực sự có thể thay đổi những gì trong mỗi yêu cầu

Hầu hết các so sánh mô hình hình ảnh đều dành dung lượng cho điểm số. Bài này dành dung lượng cho các núm điều chỉnh, vì MiniMax-H3-Image và G​PT Image 2.6 Sunburst không cạnh tranh trên cùng một núm xoay. MiniMax-H3-Image là một transformer khuếch tán trọng số mở 33,1 tỷ tham số, được phát hành ngày 10 tháng 11 năm 2026, chạy bộ lấy mẫu sáu bước cố định không có thang guidance, nhận tối đa mười sáu ảnh tham chiếu và tạo trực tiếp tối đa mười sáu megapixel. G​PT Image 2.6 Sunburst — cùng người anh em nhanh hơn là G​PT Image 2.6 Flare, cả hai đều ra mắt ngày 4 tháng 11 năm 2026 — là một mô hình đóng được vận hành dưới dạng dịch vụ, mà những tiến bộ gần đây chủ yếu xoay quanh việc bạn có thể đưa cho nó những gì và nó trả lại những gì: ảnh tham chiếu được tái sử dụng, chỉnh sửa có hướng dẫn bằng markup, đầu ra GIF và SVG. Nếu nút thắt của bạn là kiểm soát một chuỗi chỉnh sửa dài, thì một trong hai rõ ràng là lựa chọn đúng. Nếu nút thắt của bạn là độ phân giải hoặc hóa đơn, thì cái còn lại là lựa chọn đúng.

Cả hai đều đáng được xem xét nghiêm túc. Chúng chỉ thất bại theo những hướng khác nhau, và có thể nhận ra các kiểu thất bại chỉ từ các bề mặt điều khiển.

Bộ lấy mẫu là một nút xoay ở một bên và một hằng số ở bên kia.

MiniMax-H3-Image gần như không cho bạn điều gì để tinh chỉnh, và nó thực thi điều đó ngay tại ranh giới API. Checkpoint được chưng cất CFG xuống còn sáu lần đánh giá hàm, nghĩa là hai núm điều chỉnh thông thường của công việc diffusion — số bước và thang hướng dẫn — đã được gộp vào trọng số. Gọi nó với num_inference_steps được đặt thành bất kỳ giá trị nào khác sáu và yêu cầu trả về HTTP 400. Đặt guidance_scale thành bất kỳ giá trị nào khác một và nó bị từ chối theo cùng cách. Gửi một negative_prompt và nó bị từ chối thẳng thừng, vì không có lượt truyền xuôi thứ hai để nó tác động lên.

Nghe có vẻ hạn chế và phần lớn chỉ là sự đơn giản hóa. Sáu bước là nhanh, mang tính tất định khi có seed, và không thể cấu hình sai — không có lỗi kiểu “tôi tăng số bước lên và nó tệ đi”. Điều bạn mất là khả năng đánh đổi chất lượng lấy độ trễ bên trong mô hình, cùng mọi thủ thuật negative prompt mà bạn đã tích lũy.

G​PT Image 2.6 giữ một bề mặt điều khiển nhỏ riêng của mình thay cho các núm lấy mẫu: một tham số độ phức tạp mặc định ở mức cao, là thứ gần nhất với một công tắc “suy nghĩ kỹ hơn” mà mô hình nào cũng có. Những bổ sung được tài liệu hóa cho 2.6 liên quan đến đầu vào và đầu ra, không phải lấy mẫu — hình ảnh tham chiếu được duy trì qua các lần chỉnh sửa tiếp theo để bạn không phải tải lại chúng, các đánh dấu được vẽ lên ảnh tham chiếu để định hướng chỉnh sửa, và hai định dạng đầu ra mà thế hệ trước không cung cấp.

• Số bước — MiniMax-H3-Image cố định ở mức sáu, nếu khác sẽ bị từ chối; G​PT Image 2.6 không có điều khiển số bước nào được hiển thị.

• Hướng dẫn — MiniMax-H3-Image cố định guidance_scale ở một; GPT Image 2.6 lại đưa ra complexity (mặc định là cao) để thay thế.

• Prompt phủ định — bị từ chối với lỗi 400 bởi MiniMax-H3-Image; không phải là một bề mặt được ghi trong tài liệu trên {{1}}G​PT Image 2.6{{/1}}.

• Ngân sách lời nhắc — MiniMax-H3-Image cắt ngắn ở 4.096 token; mức trần lời nhắc của G​PT Image 2.6 không được công bố trên các trang mô hình của nó.

Mười sáu ô tham chiếu là phạm vi kiểm soát rộng nhất mà cả hai mô hình đều cung cấp

Khác biệt chức năng lớn nhất là lượng ngữ cảnh bạn có thể đưa vào trước bước chỉnh sửa. MiniMax-H3-Image chấp nhận tối đa mười sáu hình ảnh tham chiếu trong một yêu cầu, và thẻ mô hình mô tả chế độ chỉnh sửa là hoạt động với độ trung thực gần như tương đương với chế độ tạo — bản chuyển vLLM-Omni báo cáo SSIM 0,985 và PSNR khoảng 35 dB so với tham chiếu một GPU của chính nó trên một bản chỉnh sửa 2048², đây là kiểm tra tự nhất quán chứ không phải điểm chất lượng, nhưng nó quả thực có nghĩa là luồng song song hóa không âm thầm làm giảm chất lượng đầu ra của bạn.

Mười sáu tài liệu tham chiếu là một đẳng cấp kiểm soát khác hẳn so với "một ảnh cộng một câu". Chụp ảnh sản phẩm với sáu góc máy, một bảng phong cách, một bảng nhân vật và một hướng dẫn thương hiệu đều có thể được đưa vào cùng lúc. Cái giá của độ bao phủ đó là kỹ nghệ prompt biến thành kỹ nghệ ngữ cảnh: khi có mười sáu hình ảnh cùng tham gia, phần văn bản phải nói rõ hình nào chi phối thuộc tính nào, và mô hình không có cách nào để hỏi lại.

Câu trả lời của GPT Image 2.6 cho cùng vấn đề là bộ nhớ chứ không phải độ rộng. Ảnh tham chiếu được lưu giữ qua các lần chỉnh sửa tiếp theo trong một phiên, nên việc chỉnh sửa qua nhiều lượt không phải tải lại ảnh gốc mỗi lần, và luồng chỉnh sửa dẫn hướng bằng đánh dấu cho phép bạn chỉ vào một vùng thay vì mô tả nó. Với công việc lặp lại trên một ảnh, đó là giao diện tốt hơn mười sáu ô tĩnh. Với một ảnh ghép một lần được tạo từ hàng tá tư liệu, thì không.

Những gì quay trở lại

Danh sách định dạng đầu ra là nơi G​PT Image 2.6 vượt lên trên mọi mô hình hình ảnh trọng số mở, kể cả mô hình này. Phiên bản 2.6 đã bổ sung đầu ra GIF động và đầu ra SVG bên cạnh các định dạng raster thông thường. Một kết quả SVG quan trọng hơn vẻ ngoài của nó: đó là sự khác biệt giữa một mô hình hình ảnh bạn dùng để phác thảo ý tưởng logo và một mô hình bạn có thể giao cho đội ngũ front-end. MiniMax-H3-Image trả về PNG — quy trình phục vụ của nó được xác thực trên phép so sánh PNG giống hệt đến từng bit — và không có gì trong pipeline vLLM-Omni hay model card cho thấy đầu ra vector hoặc hoạt ảnh.

Về độ phân giải thì lại ngược lại, và khoảng cách không hề nhỏ. MiniMax-H3-Image tạo ra tới mười sáu megapixel một cách nguyên bản, ở mọi tỷ lệ khung hình từ vuông đến siêu rộng, không có upscaler nào trong đường xử lý — 4096×4096 và 6272×2688 đều là đầu ra nguyên bản. Phạm vi hoạt động khoảng bốn đến hai mươi megapixel, với chất lượng đạt đỉnh gần mức cao nhất của phạm vi này. Các trang mô hình của GPT Image 2.6 có ghi định dạng và cách xử lý tham chiếu nhưng không công bố số pixel tối đa, vì vậy lập luận về độ phân giải trong màn so tài này là việc MiniMax công bố một con số so với việc OpenAI không công bố, chứ không phải là so sánh trực tiếp có đo đạc.

• Đầu ra nguyên bản — MiniMax-H3-Image lên tới 16 MP ở mọi tỷ lệ, không dùng công cụ phóng đại; G​PT Image 2.6 không nêu mức tối đa trong tài liệu.

• Định dạng — MiniMax-H3-Image trả về PNG; G​PT Image 2.6 thêm GIF và SVG.

• Tỷ lệ khung hình — MiniMax-H3-Image chấp nhận mọi cặp chiều rộng và chiều cao; bộ tỷ lệ của G​PT Image 2.6 không được công bố trên trang của từng mô hình.

• Đầu vào chỉnh sửa — MiniMax-H3-Image nhận tối đa 16 ảnh tham chiếu mỗi yêu cầu; G​PT Image 2.6 giữ ảnh tham chiếu qua các lượt và chấp nhận đánh dấu vẽ tay.

Hóa đơn, dựa trên các ví dụ tính toán riêng của từng nhà cung cấp.

Cả hai nhà cung cấp đều tính hình ảnh theo token, khiến giá niêm yết trông có vẻ tương đương nhau còn chi phí trên mỗi hình ảnh thì chẳng giống nhau chút nào. M​iniMax công bố các ví dụ tính toán trên trang giá của mình, nên đây là phép tính số học trên chính các con số của họ chứ không phải là một suy luận:

• MiniMax-H3-Image 1024×1024, text-to-image — 0,02179 USD mỗi ảnh, so với 3,80 USD mỗi triệu token đầu ra.

• MiniMax-H3-Image 2048×2048 — 0,02333 USD mỗi ảnh. Tăng gấp đôi số điểm ảnh chỉ tốn thêm nửa xu, vì số token tăng chậm hơn nhiều so với diện tích ở đầu này của phạm vi.

• MiniMax-H3-Image 4096×4096 — 0,06879 USD mỗi ảnh, giảm còn 0,03439 USD theo ưu đãi giảm 50% trong thời gian có hạn, kéo dài đến 17 tháng 11 năm 2026 lúc 16:00 UTC và yêu cầu ảnh được giao có tối thiểu 16.600.000 pixel.

• Chỉnh sửa ảnh MiniMax-H3-Image, một ảnh tham chiếu ở 1024×1024 — $0.02654 mỗi ảnh, với ảnh đầu vào được tính phí $1.50 mỗi triệu token và văn bản đầu vào là $2.30.

• GPT Image 2.6 — token đầu ra ở mức 30 USD mỗi triệu. Ở số token mà tài liệu của chính OpenAI ngụ ý cho một kết quả 1024×1024, chi phí rơi vào khoảng 21 xu mỗi ảnh, gần gấp mười con số của MiniMax cho cùng kích thước danh nghĩa.

Tốc độ cũng khác nhau, và đây là điểm mà hai sản phẩm không còn thay thế được cho nhau. Theo các con số M​iniMax công bố với bản phát hành ngày 4 tháng 11, G​PT Image 2.6 Flare xử lý một yêu cầu văn bản thành hình ảnh với trung vị khoảng 30 giây, giảm từ khoảng 55 giây ở thế hệ trước, và một yêu cầu chỉnh sửa mất khoảng 32 giây, giảm từ khoảng 58 giây. Sunburst là bậc chậm hơn, có độ trung thực cao hơn và còn chậm hơn nữa — khoảng 135 giây so với 113 giây. Độ trễ của chính MiniMax-H3-Image chỉ đo được ở nơi bạn tự lưu trữ nó: 0,88 giây cho một ảnh 2048² trên bốn H200, 1,35 giây cho một thao tác chỉnh sửa 2048², theo công thức chính thức. Đó không phải cùng loại con số — độ trễ của node tự lưu trữ so với trung vị bao gồm cả hàng đợi của một endpoint được quản lý — và đặt chúng vào cùng một câu như thể chúng giống nhau sẽ là không trung thực. Điều mà so sánh này nói một cách chính đáng là một yêu cầu 2.6 được lưu trữ mất hàng chục giây còn một yêu cầu H3-Image cục bộ mất dưới hai giây, miễn là bạn đã sở hữu bốn GPU.

Những gì bằng chứng công khai bao quát, và những gì không

Artificial Analysis chấm điểm cả hai trên cùng hai bảng đánh giá, khiến đây trở thành một trong số ít điểm trong cuộc đối đầu mà hai bên có thể so sánh trực tiếp thay vì tranh luận dựa trên bảng thông số. Trên AA-Image-Editing v2.1, G​PT Image 2.6 Sunburst đạt 1.210 Elo với khoảng 6.400 mẫu, Flare đạt 1.206 với khoảng 6.700 mẫu, còn MiniMax-H3-Image đạt 1.138 trong dải hạng từ tám đến mười bảy với khoảng 3.200 mẫu. Trên AA-Image-T2I v2.1, khoảng cách nới rộng: Sunburst đạt 1.261, đứng thứ nhất với 5.282 mẫu, so với MiniMax-H3-Image đạt 1.066, xếp thứ hai mươi ba. Cùng một nhóm phiếu bầu, cùng thang Elo, chênh nhau khoảng bảy mươi điểm ở chỉnh sửa và gần hai trăm điểm ở tạo sinh.

Đọc một cách trung thực thì câu đó nói hai điều cùng lúc. MiniMax-H3-Image là mô hình trọng số mở có thứ hạng cao nhất trên bảng xếp hạng chỉnh sửa ảnh — đứng trên Fibo 2.0 ở 1.085 và Qwen-Image-2.1 ở 1.084 — vì thế tuyên bố về chất lượng của nó không còn là một khẳng định; đó là một con số đo được. Nhưng con số đó thấp hơn G​PT Image 2.6 Sunburst khoảng bảy mươi Elo, và khoảng tin cậy của nó trải trên mười hạng trong khi dải top ba của Sunburst thì không. Trên trục mà hai mô hình rõ ràng cùng có, G​PT Image 2.6 thắng, và thắng nhiều hơn trên bảng xếp hạng nơi H3-Image yếu hơn. Lập luận về độ phân giải 16 megapixel và mức giá hai xu vẫn đứng vững tự thân; chúng chỉ không phải là những lập luận về chất lượng.

Điều mà cả hai bảng xếp hạng đều không nói cho bạn biết là lợi thế của G​PT Image 2.6 còn lại bao nhiêu khi nhiệm vụ chính là nhiệm vụ mà bài viết này bàn tới — một chuỗi chỉnh sửa dài với nhiều tham chiếu và một bộ lấy mẫu cố định. Elo là một chỉ số tổng hợp dựa trên sở thích của con người đối với các lời nhắc chưa biết, và một mô hình có thể dẫn trước bảy mươi điểm trên chỉ số tổng hợp đó trong khi lại thua trên một quy trình làm việc cụ thể. Cách duy nhất để biết là chạy lời nhắc của chính bạn qua cả hai, đó là khuyến nghị ở cuối bài viết này chứ không phải một sự úp mở ở giữa bài.

Vận hành chúng song song mà không cần hợp đồng thứ hai

Vướng mắc thực tế là với hầu hết các đội nhóm, không mô hình nào có thể dùng chỉ với một lệnh gọi API. Cách tiếp cận ngay từ ngày đầu của MiniMax-H3-Image là tự triển khai — một tổ hợp tổng cộng 67B gồm transformer 33,1B, bộ mã hóa văn bản Qwen3-VL 33,4B được tái sử dụng nguyên vẹn từ mô hình video và VAE 0,58B, trong đó điểm tối ưu 16 megapixel cần bốn GPU trung tâm dữ liệu chạy ở tốc độ tối đa. Nó cũng có sẵn thông qua API của chính nhà cung cấp và một số nền tảng bên thứ ba theo mức giá token nêu trên. GPT Image 2.6 chỉ dành cho OpenAI.

Nếu bạn muốn tự A/B thử hai mô hình trên prompt của riêng mình, thì đây là mô tả trung thực về lớp định tuyến: OrcaRouter chưa hỗ trợ MiniMax-H3-Image, và cũng chưa hỗ trợ G​PT Image 2.6 Sunburst hay Flare. Thứ nó hỗ trợ là cặp G​PT Image trước đó — gpt-image-2.5-sunburst và gpt-image-2.5-flare — cùng với gpt-image-2 và gpt-image-1.5, tất cả theo đúng giá niêm yết của nhà cung cấp, không cộng thêm phụ phí nào. Điều đó tạo nên một bài kiểm tra trung gian hữu ích: dựng harness với bản 2.5 qua một khóa duy nhất, xác nhận rằng quy trình đánh giá của bạn thực sự phân biệt được giữa độ trung thực của Sunburst và tốc độ của Flare, rồi chỉ khi đó mới quyết định xem mức chênh lệch của 2.6 hay một mô hình open-weight tự vận hành là thứ bạn thực sự cần. Hợp nhất mô hình là lựa chọn khác đáng biết ở đây — một nhóm mô hình cùng trả lời một prompt hình ảnh sẽ cho bạn nhiều đầu ra đa dạng cho mỗi prompt mà không phải tự viết ba client.

Nhân tiện, trường hợp ngược lại đã được tính đến: minimax/minimax-h3, mô hình video mà DiT và bộ mã hóa văn bản MiniMax-H3-Image được xây dựng dựa trên đó, hiện đã có thể định tuyến. Nếu lý do bạn cân nhắc mô hình hình ảnh là vì bạn đã chạy video H3, thì dòng mô hình này đã có câu trả lời ở một điểm mấu chốt.

Chọn cái nào?

Chọn MiniMax-H3-Image khi ràng buộc là điểm ảnh, tham chiếu hoặc chi phí đơn vị: đầu ra gốc 16 megapixel, mười sáu ảnh đầu vào và khoảng hai xu cho một lần tạo 1024². Chọn GPT Image 2.6 khi ràng buộc là hình dạng của đầu ra hoặc độ mượt của vòng lặp chỉnh sửa: SVG và GIF ở đầu ra, tham chiếu liên tục và chú thích vẽ tay ở đầu vào, cùng lợi thế bảy mươi điểm Elo trên bảng chỉnh sửa với khoảng top ba theo sau.

Nếu điều bạn thực sự cần là điểm số cho các prompt của mình, hãy tự tin chọn không cái nào. Cả hai mô hình hiện đều có điểm công khai, và cả hai điểm đều là tổng hợp trên prompt của người khác; phép so sánh quyết định trường hợp của bạn là phép so sánh bạn tự chạy, với một hóa đơn gắn vào mỗi bên của nó. Bảng xếp hạng mang lại cho bạn một tiên nghiệm — GPT Image 2.6 đang dẫn trước, và ở text-to-image nó dẫn trước đủ xa để bạn nên kỳ vọng thấy điều đó. Điều nó không thể mang lại cho bạn là câu trả lời cho một ảnh ghép sản phẩm với mười sáu ảnh tham chiếu ở độ phân giải bốn megapixel, vì chưa ai công bố phép so sánh đó và các bảng Elo không đo lường nó.