MiniMax-H3-Image vs Qwen-Image 3.0: Vị trí mở mà Qwen bỏ ngỏ

Dòng mô hình hình ảnh của Alibaba từng là gợi ý dễ dàng cho bất kỳ ai muốn sở hữu mô hình thay vì thuê nó: tải trọng số về, chạy nó, thôi tranh cãi về bảng giá. Qwen-Image 3.0 đã chấm dứt điều đó vào tháng 8. Mô hình ra mắt dưới hình thức chỉ theo lời mời vào ngày 22 tháng 7 năm 2026, đạt trạng thái sẵn sàng chung vào ngày 4 tháng 8 ở các gói Standard và Pro trên Qwen Cloud và Alibaba Cloud Model Studio, và xuất hiện mà không có trọng số, không có model card, không công bố số tham số và không có báo cáo kỹ thuật. Nhánh mở của dòng họ này là Qwen-Image-2.1, phát hành ngày 20 tháng 9 năm 2026 theo giấy phép nghiên cứu phi thương mại — có thể kiểm tra, có thể tinh chỉnh, nhưng không thể đưa vào sản phẩm để phát hành. MiniMax-H3-Image, với trọng số được đăng lên Hugging Face lúc 14:50 UTC ngày 10 tháng 11 năm 2026, là mô hình hình ảnh nghiêm túc đầu tiên kể từ đó lấp vào chỗ trống ấy. Đó mới là so sánh thực sự: không phải mô hình nào đẹp hơn, mà là mô hình nào để lại cho bạn một lối thoát.

Hai lộ trình mua hàng từng là một

Trước 3.0, “Qwen hay thứ gì đó khác” là câu hỏi về chất lượng, vì câu trả lời về giấy phép luôn giống nhau. Giờ đây, hai mô hình nằm ở hai phía đối lập của một ranh giới quan trọng hơn bất kỳ điểm chuẩn nào: điều gì sẽ xảy ra nếu nhà cung cấp tăng giá, ngừng hỗ trợ gói dịch vụ, hoặc có một tuần tồi tệ.

Qwen-Image 3.0 là dịch vụ được lưu trữ với giao diện được tài liệu hóa đầy đủ và bảng giá được công bố. MiniMax-H3-Image vừa là dịch vụ được lưu trữ vừa là 68,65 GB transformer có thể tải xuống, cùng với bộ mã hóa văn bản 66,7 GB mà nó mượn từ kho lưu trữ video MiniMax-H3, theo Thỏa thuận Cấp phép Cộng đồng MiniMax-H3-Image. Giấy phép này không phải Apache 2.0 và ai đó bên pháp lý của bạn nên đọc nó trước khi triển khai thương mại — nhưng đó là giấy phép cho một tệp bạn đang nắm giữ, một thứ hoàn toàn khác về bản chất so với một bảng giá.

Một hệ quả thực tế dễ bị bỏ qua: cái giá của lối thoát đó không chỉ là ổ đĩa. Bộ lấy mẫu của MiniMax-H3-Image được cố định ở sáu bước, không có classifier-free guidance và không có prompt phủ định, và API từ chối mọi số bước hoặc giá trị guidance khác bằng HTTP 400. Sáu lượt lan truyền xuôi chính là điều khiến một transformer 33 tỷ tham số ở mười sáu megapixel trở nên khả thi trên phần cứng thuê, đồng thời cũng có nghĩa là vòng lặp tinh chỉnh thông thường khi tự vận hành không tồn tại. Thứ bạn tinh chỉnh là prompt và các tham chiếu.

Qwen-Image 3.0 thực sự cho bạn biết điều gì về chính nó

Không được như tài liệu của nó ngụ ý. Alibaba đã không công bố số liệu benchmark nào cho Qwen-Image 3.0 — không trên Qwen-Image-Bench, không ở bất kỳ đâu — và cũng không công bố kiến trúc, nên tín hiệu độc lập duy nhất là Artificial Analysis, mà các bảng xếp hạng hiện tại của nó xếp Qwen-Image-3.0-Pro ở 1094 Elo trên text-to-image với 6.691 mẫu và Qwen-Image-3.0 ở 1074, lần lượt đứng thứ mười chín và hai mươi trên một bảng xếp hạng mà năm vị trí đầu đều là các mô hình OpenAI. Về chỉnh sửa, Pro ở quanh 1.085 và Standard quanh 1.062. Đó là những vị trí không có gì nổi bật, và chúng là những con số duy nhất tồn tại.

MiniMax-H3-Image không có dòng nào trên cả hai bảng xếp hạng tính đến ngày 11 tháng 11 năm 2026 — không phải một dòng yếu, mà là không có dòng nào. Vì vậy, không mẫu nào có thể được xếp hạng so với mẫu kia bằng một điểm số độc lập, và bất kỳ tuyên bố nào rằng mẫu này vượt mẫu kia về chất lượng chỉ là cảm nhận của ai đó khoác lên vẻ ngoài của một phép so sánh. Điều có thể so sánh là giao diện, độ phân giải, giá và lối thoát.

Những khía cạnh mà hai bên khác biệt rõ rệt.

• Độ phân giải — MiniMax-H3-Image: khoảng mười sáu megapixel ở mọi tỷ lệ khung hình, từ 4096×4096 ở tỷ lệ 1:1 đến 6272×2688 ở tỷ lệ 21:9, với mức trần API là 20 MP. Qwen-Image 3.0: tối đa 2048×2048 theo số liệu của chính Alibaba, tức khoảng 4,2 megapixel.

• Giá ở 2K — MiniMax-H3-Image: $0.02333 cho mỗi ảnh được tạo, bao gồm gói 4K với giá niêm yết $0.06879. Qwen-Image 3.0: $0.03 mỗi ảnh cho Standard ở 1K hoặc 2K, với các chỉnh sửa được tính khoảng $0.003 cho mỗi tham chiếu đầu vào; Pro là $0.04 ở 1K và $0.075 ở 2K.

• Trọng số — MiniMax-H3-Image: có sẵn, giấy phép cộng đồng, bốn cách thức phục vụ/triển khai đã được ghi nhận, bao gồm hỗ trợ vLLM-Omni ngay từ ngày đầu trên NVIDIA và AMD. Qwen-Image 3.0: không có, một sự đảo ngược so với 1.0 và 2.0. Thành viên mở của dòng Qwen là Qwen-Image-2.1, chỉ dành cho mục đích phi thương mại.

• Văn bản trong hình — Qwen-Image 3.0: lời nhắc tối đa 4.500 token, văn bản đọc được đến khoảng 10 pixel, mười hai ngôn ngữ bản địa, hơn hai mươi phông chữ, tối đa sáu đầu ra mỗi lần gọi, viết lại lời nhắc phía máy chủ. MiniMax-H3-Image: lời nhắc 32.000 ký tự, trong đó khoảng 4.096 token đầu tiên có hiệu lực; không có tuyên bố công bố nào về khả năng kết xuất văn bản.

• Tham chiếu — MiniMax-H3-Image: tối đa 16, được tham chiếu theo vị trí theo thứ tự tải lên, mặc dù công thức phát hành của vLLM-Omni cho cùng bộ trọng số ghi nhận 9 mỗi yêu cầu. Qwen-Image 3.0: không có giới hạn tham chiếu được công bố; 3.0 là một endpoint được host với schema được ghi tài liệu thay vì một bản phát hành trọng số.

• Điểm độc lập — Qwen-Image 3.0: 1074 trên AA-Image-T2I v2.1, bản Pro đạt 1094, bản Pro khoảng 1.085 khi chỉnh sửa. MiniMax-H3-Image: không có dòng nào trên cả hai bảng.

Mười sáu megapixel không phải là điều phù phiếm nếu bạn in ảnh.

Bốn megapixel là một ảnh hero trên web, một ô ảnh trong danh mục, hay một ảnh thuyết trình. Mười sáu megapixel là một bản in, một vùng cắt cho biển quảng cáo, hoặc một nền phải giữ được chi tiết khi cắt ra ba vị trí đặt nội dung. Mức trần 2048×2048 của Qwen-Image 3.0 không phải là khuyết điểm — đó là một quyết định về việc mô hình dùng để làm gì, và cũng là quyết định mà hầu hết các mô hình ảnh được cung cấp dưới dạng dịch vụ đã đưa ra. Nhưng điều đó có nghĩa là với bất kỳ ai sản xuất bao bì, quảng cáo ngoài trời, hay ảnh sản phẩm độ phân giải cao, MiniMax-H3-Image hoàn toàn không cạnh tranh với Qwen-Image 3.0; nó cạnh tranh với bất kỳ trình upscaler nào mà bạn sẽ gắn thêm vào đầu ra của Qwen, và một upscaler không bổ sung chi tiết theo cùng cách mà một lần tạo ảnh gốc mười sáu megapixel làm được.

Tuy vậy, điều thú vị ở Qwen-Image 3.0 không phải là độ phân giải. Mà là văn bản. Văn bản đọc được xuống tới khoảng mười pixel, mười hai ngôn ngữ, hơn hai mươi phông chữ và một bước viết lại phía máy chủ giúp định hình lại prompt trước khi mô hình nhìn thấy nó — đó là một loạt tuyên bố nhắm thẳng vào poster, nội dung trên bao bì, mockup UI và sơ đồ, nơi kiểu lỗi ai cũng biết là một hình ảnh được kết xuất đẹp nhưng có một từ bị méo. Các bài trải nghiệm thực tế mô tả nó mạnh ở mockup UI và sơ đồ, đôi khi có chữ nhỏ bị méo, đại khái đúng như những gì tuyên bố của nhà cung cấp dự đoán. MiniMax-H3-Image không đưa ra tuyên bố tương đương nào về văn bản trong model card của mình, và chưa có bên thứ ba nào đo lường nó.

Vậy là sự phân hóa rạch ròi đến bất thường đối với một màn so kè trực tiếp. Nếu công việc của bạn là văn bản dày đặc trong một bố cục được dàn dựng, Qwen-Image 3.0 là mô hình có đặt cược đã được ghi nhận. Nếu công việc của bạn là một khung hình lớn, chi tiết, chân thực như ảnh chụp, MiniMax-H3-Image có số pixel gấp bốn lần với chi phí mỗi ảnh thấp hơn ở các kích thước mà cả hai đều cung cấp.

Tính toán các con số trên một nghìn hình ảnh

Lấy một lô một nghìn ảnh sản phẩm 2K, chỉ tạo sinh, không dùng ảnh tham chiếu. Qwen-Image 3.0 Standard ở mức $0.03 tốn $30. MiniMax-H3-Image ở mức $0.02333 tốn $23.33. Thêm một ảnh tham chiếu cho mỗi đầu ra — trường hợp phổ biến khi làm mới danh mục sản phẩm mà bạn muốn có sản phẩm nhất quán — thì Qwen cộng thêm khoảng $3 tiền token đầu vào, rơi vào khoảng $33, trong khi mức giá ảnh đầu vào của M​iniMax là $1.50 mỗi triệu token cộng thêm một phần tương đương, vẫn giữ dưới $30. Ở hạng 4K, M​iniMax có giá niêm yết $68.79 cho cùng một nghìn ảnh, hoặc $34.39 với mức giảm giá 50% trong thời gian có hạn kéo dài đến 17 tháng 11 năm 2026 lúc 16:00 UTC và yêu cầu mỗi ảnh được giao phải có ít nhất 16,600,000 pixel. Qwen-Image 3.0 không có hạng 4K để định giá.

Những khoảng cách đó là nhỏ về mặt tuyệt đối và chúng không phải lý do để chọn một trong hai mô hình. Lý do chọn MiniMax-H3-Image là 23 đô chi tiêu API và chi phí biên 0 đô cho mỗi ảnh trên phần cứng của chính bạn là hai mảng kinh doanh khác nhau, và chỉ một trong hai có thể được mô hình hóa để dự báo tương lai. Lý do chọn Qwen-Image 3.0 là nó có một pipeline văn bản được ghi chép đầy đủ và một giao diện mà bạn có thể tích hợp ngay chiều nay.

Cả hai mô hình đều không có trên OrcaRouter, và bài viết này sẽ không giả vờ điều ngược lại. Điều chúng tôi thực sự cung cấp hẹp hơn và đáng được nói rõ: các mô hình hình ảnh mà chúng tôi định tuyến — gpt-image-2.5-sunburst, gpt-image-2, các bản xem trước hình ảnh G​emini, Imagen 4 ở ba cấp, G​rok Imagine Image — được tính theo giá niêm yết của nhà cung cấp với 0% mức tăng giá được chuyển tiếp, và một quy tắc định tuyến có thể chuyển sang nhà cung cấp thứ hai khi nhà cung cấp đầu tiên gặp lỗi. Điều đó không giúp bạn chọn giữa MiniMax-H3-Image và Qwen-Image 3.0. Nó giúp vào ngày bạn ngừng đánh giá và bắt đầu phát hành, và mô hình bạn chọn hóa ra lại có một buổi chiều tồi tệ.

Cái giá thực sự của câu hỏi về giấy phép

"Open weight" là cách nói chính xác đối với MiniMax-H3-Image, còn "open source" lại là cụm từ khiến các đội ngũ gặp rắc rối. Thỏa thuận Cấp phép Cộng đồng là một văn bản với những điều khoản có thể gắn chặt vào sản phẩm của bạn, và lời khuyên có trách nhiệm duy nhất là hãy đọc chính tệp đó thay vì một bản tóm tắt — kể cả bản tóm tắt này. Điều tương tự cũng đúng, và còn rõ rệt hơn, với Qwen-Image-2.1: một giấy phép nghiên cứu phi thương mại nghĩa là bạn có một bản mẫu để xem xét và một sản phẩm mà bạn có lẽ không thể phát hành nếu không có một cuộc trao đổi, và ít nhất một trang so sánh vẫn liệt kê Qwen Image 3.0 là Apache-2.0, điều này đơn giản là sai và là kiểu sai lầm khiến bạn mất cả một tuần.

Bài kiểm tra thực tế rất ngắn. Kế hoạch của bạn có đòi hỏi trọng số phải nằm trong ranh giới của chính bạn không — vì lưu trú dữ liệu, vì chi phí ở quy mô lớn, hay vì tinh chỉnh? Nếu có, thì ứng viên duy nhất trong hai lựa chọn này là MiniMax-H3-Image, và lối thoát là có thật với khoảng 135 GB tạo tác cùng một lần rà soát giấy phép. Nếu không, thì câu hỏi về giấy phép không còn là vấn đề nữa và quyết định chỉ còn là kết xuất văn bản so với độ phân giải, trên hai mô hình mà chưa ai bên ngoài nhà cung cấp của chúng đo lường chất lượng một cách độc lập.

Điều đáng theo dõi không phải là lần làm mới bảng xếp hạng tiếp theo, vì cả hai mô hình đều không nằm trên một bảng xếp hạng theo cách có thể phân định được bất cứ điều gì. Mà là liệu A​libaba có đảo ngược việc đóng kín và phát hành trọng số cho dòng 3.x hay không, vì điều đó sẽ đưa hai mô hình ảnh độ phân giải cao mở vào cùng một thị trường lần đầu tiên trong một năm — và liệu MiniMax-H3-Image có được chấm điểm hay không, vì hiện tại bên duy nhất có thể cho bạn biết nó tốt đến đâu là chính bạn, trên prompt của chính bạn, điều này hoặc là lập trường trung thực nhất trong phép so sánh này hoặc là bất tiện nhất, tùy thuộc vào việc bạn có bao nhiêu thời gian trong tuần.