MiniMax-H3-Image vs Nano Banana 2.1: Giá gần như tương đương, bằng chứng thì khác xa

Hai mô hình hình ảnh, cả hai đều khoảng ba cent một ảnh, và quyết định giữa MiniMax-H3-Image và Nano Banana 2.1 không được định đoạt bởi giá. Ở 1024×1024, mô hình mới đến có trọng số mở tốn $0.02179 mỗi lần tạo và Nano Banana 2.1 của Google tốn $0.0336 — chênh lệch khoảng một cent. Ở 4096×4096, khoảng cách mở rộng thành $0.06879 so với $0.113. Vậy nên mô hình rẻ thực sự rẻ hơn, từ một phần ba đến một nửa. Điều bạn không thể mua bằng bất kỳ giá nào lúc này là lý do để tin vào tuyên bố chất lượng của mô hình rẻ, bởi vì không ai ngoài MiniMax đã đo lường nó. Nano Banana 2.1 đứng thứ tư trên cả hai bảng xếp hạng hình ảnh của Artificial Analysis, với hàng nghìn mẫu đằng sau mỗi thứ hạng. MiniMax-H3-Image không xuất hiện trên bảng nào trong hai bảng, ở bất kỳ vị trí nào, với bất kỳ số lượng mẫu nào. Sự bất đối xứng đó chính là toàn bộ phép so sánh, và không có bao nhiêu phép tính trên bảng thông số cũng không thể lấp đầy khoảng cách đó.

Đáng để nói cụ thể về ngày tháng trước khi đi sâu hơn, vì hai mô hình không ở cùng một giai đoạn phát triển. Nano Banana 2.1 đã được cung cấp rộng rãi kể từ ngày 6 tháng 10 năm 2026 dưới dạng gemini-nano-banana-2.1, và nó đã thay thế gemini-3.1-flash-image, mô hình mà Google đã ngừng hỗ trợ với ngày tắt là 29 tháng 10 năm 2026 — vậy nếu bạn đang gọi mô hình cũ hơn, thì bạn đã phải chuyển đi rồi. Trọng số của MiniMax-H3-Image đã có mặt trên Hugging Face vào ngày 10 tháng 11 năm 2026 lúc 14:50 UTC, với một thẻ thông tin ngắn gọn trong ghi chú phát hành API của MiniMax đề cùng ngày và không có bài viết blog nào kèm theo. Một mô hình đã có một tháng lưu lượng sản xuất; mô hình kia mới có một ngày được tải xuống. Hãy đánh giá cho phù hợp.

Mỗi thứ thực sự mang lại cho bạn điều gì

Nano Banana 2.1 là một dẫn xuất của Gemini 3.6 Flash, chỉ được bán qua API của Google. Ba mức phân giải — 1K, 2K, 4K, và không có tùy chọn 512 pixel — với các tỷ lệ khung hình thuộc bộ thông thường, ngữ cảnh đầu vào 131.072 token và 32.768 token đầu ra. Nó chấp nhận tối đa 14 ảnh tham chiếu trong một yêu cầu duy nhất, được Google tách thành 10 tham chiếu đối tượng và 4 tham chiếu nhân vật, và có thể căn cứ việc tạo sinh vào kết quả của Google Search hoặc Image Search. Thinking được bật mặc định ở mức medium, với các mức minimal và high có sẵn, và hoàn toàn không thể tắt qua API. Mọi đầu ra đều mang dấu thủy vân SynthID.

MiniMax-H3-Image là một transformer khuếch tán dày đặc 33,1B với bộ mã hóa CNN và bộ giải mã ViT 24 lớp cho VAE của nó, được phát hành theo giấy phép cộng đồng riêng của M​iniMax. Cả tính năng tạo hình ảnh từ văn bản lẫn chỉnh sửa đều chạy qua cùng một cặp endpoint; các thao tác chỉnh sửa nhận từ 1 đến 16 hình ảnh tham chiếu được chỉ định theo vị trí dưới dạng <Ảnh 1> đến <Ảnh 16> theo thứ tự tải lên, và mô hình được chưng cất xuống còn sáu bước lấy mẫu mà không dùng classifier-free guidance — API được phục vụ trả về HTTP 400 nếu bạn truyền bất kỳ giá trị nào khác ngoài num_inference_steps=6 và guidance_scale=1. Diện tích đầu ra được giới hạn tối đa 20.000.000 pixel qua API, với các bậc diện tích 1K, 2K và 4K, trong đó 4K là mặc định; thẻ mô hình tuyên bố khoảng 16 megapixel ở mọi tỷ lệ khung hình. Không có grounding tìm kiếm, không có ngân sách suy nghĩ và không có cơ chế watermark nào được nêu ở bất kỳ đâu trong kho lưu trữ hoặc giấy phép.

Danh sách năng lực khác biệt theo một cách khớp gọn gàng với việc mỗi sản phẩm hướng đến ai. G​oogle tung ra khả năng điều phối: tham chiếu, truy xuất, ngân sách suy luận, dấu nguồn gốc. M​iniMax tung ra độ phân giải và khả năng kiểm soát: mười sáu khe tham chiếu, giới hạn 20 megapixel, một bộ lấy mẫu sáu bước cố định mà bạn có thể tái tạo chính xác trên phần cứng của riêng mình.

Thang giá, với khung chiết khấu được nêu rõ

Nano Banana 2.1 được tính giá $30 mỗi một triệu token hình ảnh đầu ra, mà theo tài liệu của chính G​oogle thì tương đương $0.0336 cho mỗi ảnh 1K, $0.0504 cho 2K và $0.113 cho 4K. Ảnh đầu vào được tính $1.50 mỗi triệu token và văn bản đầu ra $7.50 mỗi triệu. Có một bậc batch với mức giá bằng một nửa các mức đầu ra đó cho những công việc có thể chờ đợi, và Artificial Analysis liệt kê mức giá hiệu dụng cho 1K là $33.60 mỗi nghìn ảnh — cùng một con số được diễn đạt theo số lượng lớn.

MiniMax-H3-Image về nguyên tắc được tính phí theo cùng một cách, nhưng kết quả lại rất khác. Gói Tiêu chuẩn: 2,30 USD cho mỗi triệu token văn bản đầu vào, 1,50 USD cho mỗi triệu token hình ảnh đầu vào, 3,80 USD cho mỗi triệu token hình ảnh đầu ra. Tính thử theo chính các ví dụ của nhà cung cấp:

• Chuyển văn bản thành hình ảnh 1K — Nano Banana 2.1 $0.0336 so với MiniMax-H3-Image $0.02179.

• 2K văn bản thành hình ảnh — $0.0504 so với $0.02333.

• Tạo hình ảnh từ văn bản 4K — $0.113 so với $0.06879, hoặc $0.03439 với mức giảm giá 50% có thời hạn của M​iniMax.

• Chỉnh sửa với một ảnh tham chiếu — G​oogle không công bố giá chỉnh sửa cho mỗi ảnh ở các mức này; M​iniMax tính $0.02654 cho 1K, $0.02658 cho 2K và $0.07312 cho 4K.

• Chỉnh sửa với ba tham chiếu — $0.03563 ở 1K, $0.04177 ở 2K, $0.07914 ở 4K trên M​iniMax.

Hai chi tiết trong bảng giá bậc thang đó rất dễ bị bỏ qua và làm thay đổi phép tính. Thứ nhất, ưu đãi của MiniMax chỉ áp dụng khi hình ảnh được giao có ít nhất 16.600.000 pixel và hết hạn vào 17 tháng 11 năm 2026 lúc 16:00 UTC — sáu ngày sau khi trọng số được phát hành. Nếu bạn định giá một pipeline theo con số 4K đã giảm giá thì bạn đang định giá dựa trên một chương trình khuyến mãi. Thứ hai, bảng giá bậc thang của MiniMax phẳng một cách bất thường: gấp mười sáu lần số pixel với chỉ hơn ba lần số tiền, vì đơn vị tính là token và số lượng token không tăng theo diện tích theo cách mà giá niêm yết gợi ý. Bảng giá bậc thang của Google gần với tỷ lệ thuận hơn. Ở 4K, độ phân giải mà mô hình trọng số mở được xây dựng cho, chính sự phẳng đó là nơi khoản tiết kiệm thực sự nằm.

Điều khiến một lớp định tuyến có lý do tồn tại ở đây là bạn không phải bận tâm mình đang tính theo đồng hồ đo nào trong hai đồng hồ đó. OrcaRouter chuyển nguyên giá niêm yết của nhà cung cấp với mức phụ giá 0%, nghĩa là khi giá nhà cung cấp thay đổi — kể cả một chương trình khuyến mãi như của M​iniMax, và kể cả khi chương trình đó hết hạn — thay đổi đó sẽ có hiệu lực ở phía chúng tôi ngay trong ngày thay vì phải chờ một đợt chuyển đổi hệ thống thanh toán. Không mô hình nào trong so sánh này nằm trong danh mục của chúng tôi: MiniMax-H3-Image mới ra được một tuần và chưa có tuyến lưu trữ nào, còn Nano Banana 2.1 được truy cập qua API riêng của G​oogle. Thứ chúng tôi thực sự có từ dòng sản phẩm đó là thế hệ trước, google/gemini-3.1-flash-image-preview, cùng với các tuyến hình ảnh của O​penAI và một tuyến video cho H3 của M​iniMax. Lý do phải nói thẳng như vậy là một bài viết so sánh một checkpoint trọng số mở chưa được đo lường với một checkpoint đóng đã được chấm điểm không nên giả vờ rằng checkpoint mới chỉ cách một lần bấm phím.

Chỉ có một bên của trận này có bảng tỷ số.

Artificial Analysis chấm Nano Banana 2.1 đạt Elo 1160 trên bảng xếp hạng chuyển văn bản thành hình ảnh của mình, đứng thứ tư, với hơn 6.055 mẫu, và Elo 1137 trên bảng xếp hạng chỉnh sửa hình ảnh, cũng đứng thứ tư, với hơn 5.968 mẫu. Cả hai vị trí đều có dải xếp hạng từ thứ tư đến thứ sáu tùy theo khoảng bạn đọc. Đây là những kết quả độc lập, được lấy mẫu và có thể so sánh với mọi mô hình khác trên bảng — kể cả những mô hình bạn đang dùng.

MiniMax-H3-Image không có mục nào trên cả hai bảng xếp hạng. Không phải một mục điểm thấp; mà là không có mục nào. Thẻ của nhà cung cấp gọi nó là “một mô hình hình ảnh trọng số mở hàng đầu” và lưới trưng bày của kho lưu trữ là bằng chứng duy nhất hiện có về chất lượng đầu ra, đúng kiểu bằng chứng được thiết kế để trông thật đẹp. Cũng không có bảng đánh giá của nhà cung cấp — không GenEval, không DPG-Bench, không số liệu sở thích của con người, không có gì để so sánh với đánh giá đã công bố của đối thủ. Một tháng nữa, điều đó có thể đã thay đổi. Hôm nay, tóm tắt trung thực là mô hình rẻ hơn thì rẻ hơn và mô hình được đo lường thì được đo lường, và hai sự thật này không mâu thuẫn vì chúng nói về những thứ khác nhau.

Có một chi phí bậc hai mà giá mỗi ảnh che giấu hoàn toàn, và đó là con số lớn nhất trong bài viết này: 68.65 GB diffusion transformer và VAE ở BF16 và FP32, cộng với một text encoder hoàn toàn không có trong kho lưu trữ. MiniMax-H3-Image tải text_encoder/từ mô hình video MiniMax-H3, 66.7 GB Qwen3-VL, nên lần tạo cục bộ đầu tiên là một lần tải xuống khoảng 135 GB từ hai kho lưu trữ. Thêm vào đó là GPU: hướng dẫn phục vụ của chính MiniMax cho vLLM-Omni nêu tên H200, RTX PRO 6000 Blackwell và AMD Instinct MI350X, và song song chuỗi đa GPU — --ulysses-degree trên SGLang, --usp trên vLLM-Omni — là cách được tài liệu hóa để đạt độ trễ chấp nhận được ở độ phân giải đầy đủ. Với $0.02179 một ảnh 1K, API rẻ hơn tiền điện trong một thời gian rất dài. Trọng số mở có giá trị cho việc kiểm soát và cho các điều khoản của giấy phép, không phải cho kinh tế đơn vị ở quy mô nhỏ.

Những giới hạn quyết định nhiều đợt triển khai hơn là chất lượng.

Trần độ phân giải là điểm rõ ràng nhất và khoảng cách không hề nhỏ. Nano Banana 2.1 dừng ở 4K. MiniMax-H3-Image đạt tới 20 megapixel qua API và khoảng 16 megapixel trong các ví dụ của card — 4096×4096 ở 1:1, 6272×2688 ở 21:9, 5472×3072 ở 4K 16:9. Nếu sản phẩm đầu ra của bạn là một bản in cỡ lớn hoặc một ảnh nền sẽ bị cắt mạnh, mô hình đóng đã bị loại khỏi cuộc chơi trước khi chất lượng được đem ra bàn luận, và hai mô hình trong bài viết này không còn cạnh tranh gì nữa.

Cách xử lý tham chiếu thì ngược lại. 14 tham chiếu của Google được gán kiểu — 10 đối tượng, 4 nhân vật — và việc gán kiểu đang phát huy tác dụng: nó cho mô hình biết mỗi hình ảnh đóng vai trò gì. 16 tham chiếu của MiniMax là các vị trí không được gán kiểu, được xác định theo vị trí, tức là nhiều dư địa hơn và ít cấu trúc hơn. Nếu quy trình của bạn là “đặt người này vào chiếc áo khoác này trước phông nền này”, thì điểm mạnh chính là cách Google gán kiểu. Nếu là “đây là mười sáu khung hình, hãy giữ nguyên danh tính xuyên suốt tất cả”, thì điểm mạnh chính là mức trần của MiniMax. Không bên nào bao trùm bên kia.

Ngân sách prompt là điểm thứ ba. Nano Banana 2.1 có 131.072 token ngữ cảnh đầu vào để xử lý. MiniMax-H3-Image chấp nhận tối đa 32.000 ký tự trên API được phục vụ, nhưng chỉ khoảng 4.096 token đầu tiên là có hiệu lực khi tắt tính năng tăng cường prompt, còn đường chạy SGLang cục bộ thì cắt thẳng ở 4.096 token. Đối với một mô hình được quảng bá là tuân thủ chỉ dẫn, đó là một ngân sách eo hẹp, vì vậy MiniMax đã tung ra một sản phẩm đồng hành: MiniMax-H3-Image-PE, một bản fine-tune FP4 27B của Qwen3.8-27B, chuyên viết lại một yêu cầu ngắn thành một chú thích dài kèm đề xuất tỷ lệ khung hình và xuất ra dưới dạng JSON theo một schema. Nó chiếm khoảng 19 GiB VRAM. Nửa phần chỉnh sửa của nó được mô tả là chỉ dùng prompt và vẫn đang trong quá trình phát triển, nên công cụ mở rộng hiện chỉ giúp ích cho text-to-image và không giúp được nhiều thứ khác.

Và giấy phép thì không có đối trọng bên phía Google vì chẳng có gì để cấp phép. Thỏa thuận cộng đồng của MiniMax yêu cầu ủy quyền trước bằng văn bản riêng nếu doanh thu quy đổi theo năm vượt một triệu đô la Mỹ hoặc nếu bạn cung cấp dịch vụ được lưu trữ; yêu cầu hiển thị nổi bật cụm từ “MiniMax-H3-Image” trên mọi giao diện thương mại có sử dụng nó; giới hạn việc sử dụng trong một lãnh thổ được xác định; và cấm dùng đầu ra để huấn luyện hoặc cải thiện các mô hình khác. Các điều khoản của Google là một hợp đồng API tiêu chuẩn. “Trọng số mở” ở đây nghĩa là một giấy phép bạn phải đọc, chứ không phải một giấy phép bạn có thể phớt lờ.

Hai hóa đơn trông như thế nào trong một tháng thực tế

Giả sử bạn tạo 20,000 ảnh mỗi tháng ở 2K. Nano Banana 2.1 tốn $1,008 theo giá niêm yết, hoặc $504 ở hạng batch nếu công việc có thể xếp hàng. MiniMax-H3-Image tốn $466.60 theo giá niêm yết qua API của MiniMax — hoặc, nếu tự triển khai, thì tùy hai đến bốn GPU đó tốn của bạn bao nhiêu cho số giờ liên quan, mà với hầu hết các đội thì nhiều hơn. Thay vào đó, giả sử bạn tạo 2,000 ảnh mỗi tháng ở 4K và cửa sổ giảm giá đã đóng: $226 cho Google, $137.58 cho MiniMax. Khoản tiết kiệm là có thật và là ba chữ số mỗi tháng, không phải năm chữ số. Đó là quy mô đúng của phần thưởng, và nó nên được cân nhắc với cái giá của việc trở thành người đầu tiên phát hiện ra một mô hình chưa được đo lường sẽ hỏng ở đâu.

Sự bất đối xứng đó ủng hộ một khuôn mẫu cụ thể thay vì chọn một mô hình thắng. Hãy định tuyến đường sản xuất đến mô hình đang dẫn đầu bảng điểm, và gửi một phần lưu lượng đến mô hình rẻ để tự xây dựng bằng chứng — một bộ prompt cố định, đánh giá của riêng bạn, hai tuần so sánh. Đây chính là trường hợp mà failover thực sự dành cho: một mô hình xa lạ được coi là tuyến ứng viên thay vì phương án thay thế, với mô hình đã được chứng minh tốt làm dự phòng phía sau khi một tác vụ trả về kết quả sai. Lấy mẫu không dẫn hướng sáu bước ở 16 megapixel cũng là một yêu cầu dài theo tiêu chuẩn hình ảnh, và nó không idempotent ở phía MiniMax — timeout phía client vẫn bị tính phí, và các SDK OpenAI mặc định thử lại hai lần trừ khi bạn đặt max_retries=0. Những yêu cầu dài, bị tính phí khi timeout, chính là loại bạn muốn có tuyến thứ hai dự phòng.

Câu hỏi sẽ giải quyết được điều này trong khoảng một tháng

Không mô hình nào là lựa chọn sai; lựa chọn phụ thuộc vào việc bạn có đủ khả năng để trở thành người đo lường hay không. Nếu sản phẩm bàn giao cần một bảng điểm trước khi cần một quyết định, thì Nano Banana 2.1 là bên duy nhất trong so sánh này có bảng điểm đó, và ở 4K nó có giá $0.113 so với $0.06879 của MiniMax — một khác biệt mà bạn sẽ phải tranh luận nội bộ nhiều hơn một lần. Nếu sản phẩm bàn giao cần 16 megapixel, tham chiếu dạng văn bản không quan trọng còn độ phân giải thì quan trọng, và MiniMax-H3-Image là bên duy nhất cung cấp nó.

Điều có thể giải quyết chuyện này là thứ chưa xảy ra: một vị trí đánh giá độc lập. MiniMax-H3-Image mới ra mắt công chúng được một ngày, các điều khoản giấy phép của nó vẫn còn được hỏi tới trong luồng thảo luận của kho lưu trữ nhiều giờ sau khi trọng số xuất hiện, và bộ mở rộng prompt của chính nó vẫn đang dang dở. Khi nó xuất hiện trên Artificial Analysis với một số lượng mẫu, khoảng cách giá sẽ không còn là một lập luận đại diện nữa mà trở thành một đánh đổi thực tế. Cho đến lúc đó, hãy mua mô hình đã được đo lường cho công việc bắt buộc phải giao, và coi mô hình rẻ là một ứng viên bạn đang đánh giá — chứ không phải là phương án thay thế bạn đã quyết định.