MiniMax-H3-Image：10秒内实现1600万像素只是宣称，尚非实测

十六秒？不，十秒处理一张一千六百万像素的图像，并不是一项质量声明。它关乎的是模型如何被调度，而这是 MiniMax-H3-Image 发布中用户一个下午就能验证的唯一部分。MiniMax 于 2026 年 11 月 10 日宣布了该模型，一篇简短的帖子恰恰以这个数字开头：4K 输出、约一千六百万像素、最多十六张参考图像、十秒完成，并开放权重，同时提供厂商自己的 API、MiniMax Code 和 Hailuo 作为使用入口。但公告中没有包含任何一项延迟测量、任何一项质量基准，也没有链接到解释这一切如何实现的博客文章。字节是真实的——在 Hugging Face 上有 68.65 GB，外加一个从第二个仓库借来的文本编码器——价格表也是真实的。十秒是一个承诺。这就是这个承诺建立在什么之上、代价是什么，以及你需要运行什么才能知道它在自己的硬件上是否成立。

值得把日期直白地说清楚，因为这次发布很不寻常。MiniMax-H3-Image 的 Hugging Face 仓库创建于 2026 年 11 月 3 日，之后一直空着。权重于 11 月 10 日 14:50 UTC 上线。同一天，MiniMax 的 API 文档新增了一张发布说明卡片，标题为“MiniMax H3 Image”，上面写着“领先的开放权重图像模型。从想法到新世界”——这句话里没有任何规格信息——而公司自己的博客和新闻索引至今完全没有关于这个图像模型的内容。所以，这个模型是先悄然发布、之后才被宣布的，顺序正是如此；这与大多数发布方式相反，也正是为什么那份公告读起来像是硬贴在一个已经可下载的检查点上的营销文案。

十秒钟可能来自何处

大部分说明都在文件列表中，而不是在帖子里。MiniMax-H3-Image 是一个 33.1B 的稠密扩散 Transformer——50 层、隐藏维度 5,376、56 个注意力头、FFN 宽度 14,336、3D 多模态 RoPE——并且它被蒸馏为 六步采样，且完全没有任何无分类器引导。这不是调用方可以调整的默认值。所服务的 API 拒绝除 num_inference_steps=6 和 guidance_scale=1 之外的任何内容，并返回 HTTP 400，而且负面提示词会被直接拒绝。一个单独的 12 MB 文件，pdd_fused_heads.safetensors 带有一组逐步输出头，用于替换 Transformer 的输出层，其调度表位于 pdd_config.json。

六次无引导采样，正是十秒这个数字并不荒谬的原因。在 1600 万像素下运行带引导的 30 步采样器是一项批处理作业；在相同面积上只需六步则是一次请求。它能否落在十秒内，完全取决于加速器、序列并行配置以及你实际请求的分辨率，而这三项在公告里一个都没有。MiniMax 自己的模型卡在任何地方都没有给出生成时间。这个数字只存在于一个地方：发布帖。

卡片确实明确说明的是几何规格，且比帖子更详细。每种宽高比下输出都约为 1600 万像素——1:1 时为 4096×4096，4:3 时为 4736×3552，3:2 时为 5024×3360，16:9 时为 5472×3072，21:9 时为 6272×2688——流程中没有单独的放大模块。API 将输出面积上限定为 2000 万像素，卡片将实际工作范围描述为大约 4 到 2000 万像素。编辑最多接收 16 张参考图像，在提示词中以 <Picture 1> 到 <Picture 16>（按上传顺序）的位置进行寻址。在所提供的 API 上，提示词最长可达 32,000 个字符，不过只有大约前 4,096 个 token 会生效。

这些主张，以及与之对应的现有证据

• 分辨率 — “1600 万像素”和 4K：帖子中已说明，并在卡片的尺寸表中复现。未独立测量，但这一项只需生成一张图像并读取其尺寸即可轻松核验。

• 速度——“全部在10秒内”：由厂商报告，未指定硬件，且截至2026年11月11日未公布第三方计时。卡片完全没有给出任何数字。

• 提示词遵循——“精确的提示词遵循”：这是一种定性表述。该卡片中更强的说法是“开源模型中指令遵循能力最强”，而这一对比并未附上任何表格。

• 编辑 — “最多 16 张参考图像”：卡片和 API 文档均已确认，但 vLLM-Omni 的首日方案在一个细节上与之矛盾，其路径记录每次请求最多支持 9 张图像。应将 16 视为模型的上限，而 9 是该框架方案实际验证过的数量。

• 开放权重——属实，而且其关键作用在文中并未得到解释：这些权重是在附有地域和收入条件的许可证下开放的，而不是在经 OSI 批准的许可证下开放的。详见下文。

费用是多少，以及仅剩六天的折扣

商业条款是此次发布中最具体的内容。计费基于 token，并按图像输出费率计算：在标准档下，每百万输入文本 token 为 2.30 美元，每百万输入图像 token 为 1.50 美元，每百万输出图像 token 为 3.80 美元。MiniMax 自己给出的示例将其归结为一条异常平滑的阶梯，因为计量单位是 token，而 token 数量并不像直觉所认为的那样随面积缩放：

• 1K 文生图 — 每张 $0.02179。
• 2K 文生图 — $0.02333。
• 4K 文生图 — 标价 $0.06879，当前折扣有效期间为 $0.03439。
• 使用一张参考图的 1K 编辑 — $0.02654；2K — $0.02658；4K — $0.07312，折后 $0.03656。
• 使用三张参考图的 1K 编辑 — $0.03563；2K — $0.04177；4K — $0.07914，折后 $0.03957。

要记住的关键格局是：像素数达到十六倍，而花费只略高于三倍；因为模型真正拉开差异的地方正在于此：在 4K 下，这个开放权重检查点按标价计算，约为一帧 FLUX 3 Image 4K 的八分之一，约为一帧 Nano Banana 2.1 4K 的五分之一。

折扣是真的，但只是暂时的。50% 的减免仅在交付图像至少为 16,600,000 像素且覆盖整个请求总额时适用，并将于2026年11月17日16:00 UTC到期——也就是权重上线六天后。任何按 $0.03439 为流水线做预算的人，都是在按促销价做预算。按 $0.06879 定价，并把折扣视为利润空间。

还有第二个更快的档位。MiniMax-H3-Image-Highspeed 采用相同的参数和限制，每百万输出图像 token 收费 7.60 美元：1K 时为 0.03529 美元，2K 时为 0.03622 美元，4K 时为 0.13001 美元，之后同样的折扣将其减半至 0.06501 美元。如果你感兴趣的原因是那个十秒的说法，那么 Highspeed 就是必须属实才有意义的变体——而 MiniMax 并未公布两者之间的延迟差异。

这里的“开放权重”指的是你必须阅读的许可证。

权重可下载，架构也有文档记录，这比大多数前沿图像模型所能提供的还要多。许可证恰恰是“开放”一词不再发挥人们所期望的作用之处。MiniMax-H3-Image 依据 MiniMax-H3-Image 社区许可协议发布，而决定部署的条款绝非脚注：

• 地域。该许可对排除地域的定义涵盖欧盟、英国、韩国和美国，这占据了商业图像模型市场的很大一部分。

• 规模。年化收入超过一百万美元的，需另行事先书面授权。

• 托管。将模型作为托管服务提供同样适用该授权要求，且完全没有收入下限——这一条款直指 API 转售模式。

• 署名。使用该模型的商业界面必须显著展示“MiniMax-H3-Image”。

• 下游用途。输出内容不得用于训练或改进其他模型。

Hugging Face 页面将其呈现为一行文字：许可证：其他，这在技术上准确，在实际中却没什么用。如果你是在为产品而不是为 notebook 评估这个模型，那么许可证文件就是最该先读的东西，也可能正是让你停下来的原因。

开放权重实际会花你多少运行成本

68.65 GB 的 transformer 和 VAE，外加一个不在该仓库中的文本编码器。model_index.json会深入到 MiniMax-H3 视频模型中，并从那里加载text_encoder/——66.7 GB 的 Qwen3-VL，未作改动。因此，首次本地生成需要从两个仓库下载约 135 GB，而编码器占了其中较大的一半。

对于一个如此年轻的 checkpoint 来说，这套框架支持情况好得非同寻常，而且它在发布首日就已到位，而不是在接下来一个月里才陆续补齐。SGLang 是参考实现路径，配有文档化的操作指南和单 GPU 命令；序列并行只是一个参数（--ulysses-degree 用于 SGLang，--usp 用于 vLLM-Omni）；vLLM-Omni 发布了按硬件划分的配方，明确列出 NVIDIA H200、RTX PRO 6000 Blackwell 和 AMD Instinct MI350X；diffusers 和 ComfyUI 也都支持它。MiniMax 自家的服务指南建议使用多 GPU，才能在全分辨率下获得可接受的延迟——这是厂商最接近于承认“十秒是一种配置，而非恒定值”的表述。

对大多数团队来说，接下来这笔账算起来并不舒服。按每张 1K 图像 $0.02179、每张 4K 图像 $0.06879 计算，在很长一段时间里，托管 API 都比电费和摊销成本更便宜。选择 135 GB 的理由是控制权——一个可以精确复现的固定六步采样器、一份你可以推敲的许可证，以及在你需要吞吐量时不必依赖供应商的队列。

提交前值得运行的三项测试

第一种是低成本的方法：通过 MiniMax 的 API 将同一个 4K 提示词生成十次，记录每次请求的实际耗时以及每次返回结果的像素尺寸。这样就能在你自己的网络和你自己的提示词长度下，验证两个关键数字——十秒和一千六百万像素——耗时不到一小时，花费远低于一美元。

第二项是身份测试，十六个参考图是否名副其实，就看这一项。将同一个主体在不同角度下的八到十六帧输入进去，要求生成一个新场景，然后观察脸、面料和 logo 是否还能保留下来。位置槽不像带类型的参考那样有结构——无法告诉模型哪张图是角色、哪张是夹克——因此测试的是：仅靠位置是否足以承载这一意图。

第三件事是没人能替你做的：用你自己的提示词，对你目前使用的任何方案做一次盲测 A/B 对比。截至 2026 年 11 月 11 日，MiniMax-H3-Image 在 Artificial Analysis 的两个图像榜单上都没有条目——不是排名低，而是压根没有——也找不到厂商评测表。没有 GenEval，没有 DPG-Bench，也没有人类偏好数据。模型卡片上的展示图集是唯一存在的输出质量证据，而展示图集的设计初衷就是要好看。你自己做一周对比，得到的收获会比发布博文更多。

这让发布处于什么境地

诚实的总结是，MiniMax-H3-Image 是一个真实的检查点，拥有异常完整的部署方案、一套在 4K 下以大幅优势压低闭源模型价格的价格阶梯，以及一个公司外部无人验证过的头条数字。速度主张从架构层面看是合理的——六步无引导与三十步引导采样器确实属于不同的成本类别——而合理并不等于证据。

真正会改变局面的是具体且可能还要数周才会出现的东西：在图像排行榜上获得独立排名并附上样本数量，由第三方在具名硬件上为 4K 路径计时，以及考察十六个位置参考在真实身份压力下会如何表现。在此之前，有用的姿态是把它当作候选路线而非替代方案——在你信任的模型旁边、用固定提示集运行它，让图像来决定。

OrcaRouter 目前不提供 MiniMax-H3-Image；我们的产品目录中没有它的路由，若说不是这样，那正是本文所反驳的那类说法。我们确实从同一系列中提供的是视频模型，minimax/minimax-h3，按供应商标价、0% 加价直通——这意味着 MiniMax 的价格变动，包括 4K 折扣及其到期，会在发生当天就在这里生效，而不是等到下一次计费迁移。如果图像模型真的进入产品目录，它也会以相同条款进入。在此之前，这款模型只能通过 MiniMax 自己的 API 或你自己的 GPU 使用。