标题卡题为“MiniMax-H3-Image:三项主张,三条证据链”,副标题为“发布博文声称了什么”,并有三张圆角卡片:“实测 0.87 秒,但在 2048 像素画布上、四块 H200 上为 0.88 秒”“Vera Rubin 支持只是一个视频模型配方,当天开启又关闭,且未合并”“排名第一的开源权重编辑器——这一说法成立,Elo 为 1,138:总排名第十二,处于第八至第十七名的区间内”。页脚写着“延迟数据依据 vLLM-Omni H200 配方;排行榜数据来自 Artificial Analysis,2026 年 11 月 13 日。”真正的 OrcaRouter 标志合成在右下角新增的条带中。
Engineering & Research

MiniMax-H3-Image:发布博文宣称了什么,vLLM-Omni 又实际交付了什么

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

三项说法随 MiniMax-H3-Image 一同出现,值得将它们分开来看,因为它们背后的佐证材料多寡相差极大。该模型是一个 33.1B 的单流扩散 Transformer,可在约 1600 万像素下生成和编辑图像,经蒸馏后只需六步采样且无需无分类器引导;其权重于 2026 年 11 月 10 日 14:50 UTC 上线 Hugging Face。发布公告称,该模型是 Artificial Analysis 上排名第一的图像编辑开放权重模型;面向 MiniMax-H3-Image 的 NVIDIA Vera Rubin 支持正在被引入 vLLM-Omni;原生 4K 生成耗时 0.87 秒。第一条站得住脚,但仅限在一个开放权重模型队列内,且仅落在一个宽达十个名次的置信带内;第二条描述的是针对另一个模型的材料,且该材料已被关闭而未合并;第三条是一个真实测量值,但它所对应的画布只有其句子所暗示尺寸的四分之一。

这些都不会让模型变差。但它会让这份公告更难使用,因为如果读者对这三项都照单全收,就会围绕一个属于400万像素模型的延迟数据来规划4K处理管线。

0.87 秒这个数字在代码库中,并且它关联到一个 2048 像素的画布上。

vLLM-Omni 为 MiniMax-H3-Image 提供的自有配方中,附带了一张在八种 GPU 配置下实测延迟的表格,而其中与发布博客相印证的那个数值是:在四块 H200 上、对全部四块 GPU 启用 Ulysses 序列并行时,一次 2048×2048 的文本生成图像请求耗时 0.88 秒,一次 2048×2048 的图像编辑耗时 1.35 秒。这些数据是在并发数为 1、固定随机种子的条件下,预热一次后对三次请求取中位数,并在客户端进行端到端测量所得。

同一行测得的是作者尝试过的最大请求——4736×3552,即 1680 万像素,也是表中最接近 4K 板的条目——耗时为 3.84 秒。因此,对速度声明的诚实说法是:在四 GPU 节点上,一张 400 万像素图像大约需要十分之九秒,而模型所针对的 1600 万像素图像大约需要四秒。0.87 这个数字与 0.88 的差异在测量噪声范围内;改变的是画布,而不是模型。

这件事之所以不只是舍入层面的抱怨,是因为低于 2048×2048 的请求实际上并不会按标称尺寸运行。服务路径会在至少 2048×2048、保持相同宽高比的画布上生成任何更小的内容,然后用设备端 Lanczos 进行降采样。这就是为什么 1024×1024 耗时 0.77 秒,而 2048×2048 耗时 0.88 秒——它们的工作量相同,只是之后调整尺寸的量不同。该配方将下限暴露为min_generation_area,可在 32² 至 4096² 像素之间调整,因此真正需要低成本缩略图的部署必须主动选择启用它们。

表格的其余部分对任何要进行硬件选型的人来说才是有用的部分:

• 四块 H200,Ulysses SP 4 —— 每块 GPU 峰值 81.3 GiB,2048² 图像耗时 0.88 秒,4736×3552 时为 3.84 秒,2048² 编辑耗时 1.35 秒。

• 四块 H200,DiT 张量并行度为 4 — 每块 GPU 占用 36.2 GiB,耗时分别为 1.00 秒和 4.01 秒,且编辑结果与序列并行参考相比,PSNR 差异在 38.3 dB 以内。

• 四块 H200,TP 2 × SP 2 —— 每 GPU 52.2 GiB,1.09 秒和 4.07 秒,在同一参考下为 37.1 dB。

• 两块 H200,Ulysses SP 2——每 GPU 94.6 GiB,1.48 秒和 6.82 秒。这种布局几乎需要整张卡。

• 一台 H200,文本编码器已卸载——在同样两种尺寸下,分别为 73.4 GiB、3.18 秒和 12.39 秒。

• 一台 H200,对 DiT 和文本编码器均采用逐层卸载——14.7 GiB、8.30 秒和 12.85 秒。

最后两行在商业上才是有意思的,因为它们正是单张租用显卡所能带来的结果。在 14.7 GiB 下,模型可以轻松装下;对于四 GPU 节点不到一秒就能完成的任务,它需要八秒——延迟比约为九比一,而硬件比约为四比一。卸载配置受限于主机到设备拷贝,因此其延迟几乎不随图像尺寸增长:在单 GPU DLO 路径上,2048² 请求与 16.8 MP 请求分别为 8.30 秒和 12.85 秒。如果你的工作负载是大图像,而且你只有一张卡,那么卸载并不像原始延迟所暗示的那样糟糕。

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.

为什么第一张图像的成本高于模型权重的预期

人们下载的检查点并不是真正运行的那个东西。68.65 GB 的仓库装的是 BF16 扩散 Transformer,但要将其用于推理服务,还需要从 MiniMax-H3 提取的完整 Qwen3-VL 文本编码器——这是另一个约 66.7 GB 的工件——再加上一个 0.58B 的 VAE;而该方案自身的参数总量把这三者相加后得到 67B。这个数字正是文本编码器常驻时单 GPU 需要 73.4 GiB 这一数值背后的依据,也是双 GPU 常驻布局每张卡需要 94.6 GiB 背后的依据。

后果是发布当天的一道算术难题。一个 1600 万像素的图像模型,其权重以两个大型下载包的形式提供,而最便宜的快速部署方案是四块数据中心 GPU,这可不是一个周末项目;那些声称首日支持的框架,声称支持的是整条流水线,而不是你的桌面。该配方明确说明了哪些硬件经过实际测量、哪些只是完成了配置:H200、双卡和四卡配置的 RTX PRO 6000 Blackwell,以及 MI325X 和 MI350X 都标记为已验证,而 H100、B200 和 B300 的配方仅为配置。单独的 single-RTX-4090 配方也存在,并被标记为社区部署,而非供应商认证的部署。

Vera Rubin 的说法指向视频模型,而拉取请求已被关闭

这是最需要深入查证的说法,因为这项工作确实存在,但其形态与帖子所描述的不符。vLLM-Omni 中有一个编号为 10108 的拉取请求,于 2026 年 11 月 10 日 11:10 UTC 开启,标题为“[文档] 添加 MiniMax-H3 Rubin 配方与推理结果”。它在四个文件中贡献了 1,972 行,记录了一个四 GPU 离线配方,运行在 NVIDIA VR NVL72 硬件上,aarch64 主机上每卡 286,524 MiB,并报告了真实测量结果:一个 1344×768、五秒、24 FPS 的文本到视频请求,在使用 TRTLLM attention 和 eager execution 时,中位耗时为 19.811 秒,而使用 SDPA 时为 110.039 秒。首/尾关键帧和混合参考变体分别为 21.535 秒和 21.461 秒。

这些任务全都是视频任务。T2VA、FL2VA 和 Ref2VA 是 MiniMax-H3 的任务名称,而不是 MiniMax-H3-Image 的;并且该拉取请求自己的描述也指出,现有的 MiniMax-H3 指南缺少合格的 Rubin 环境。该仓库的 recipe 索引也与此一致:MiniMax-H3-Image 有针对 H200、H100、B200、B300、RTX PRO 6000、MI325X 和 MI350X、Intel Arc Pro B70、Ascend Atlas、RTX 4090 和 MUSA 的 recipe,而 Rubin 则没有任何 recipe。

随后该拉取请求被关闭。它于11月10日11:10 UTC开启,并于同日12:05关闭,未被合并;此前自动审查者要求作者提供一条自审评论。其作者在描述中坦诚说明了局限:使用所测试的 vLLM nightly 版本时,HTTP 启动失败;该配方记录了这些失败,而不是声称支持 HTTP;而基于更新基础版本的推理则被列在“未运行”下。今天获取的 main 目录列表中,两款 M​iniMax 模型都没有 Rubin 配方。

准确的说法是:一位贡献者为 MiniMax-H3——也就是那个视频模型——起草并评测了一个 Rubin 配方,而该草案并未落地。如果支持到来,它会以配方索引下的一个已合并文件形式出现,这才是值得关注的东西,而不是一条社交帖子。与此同时,MiniMax-H3-Image 的首日框架,则是那些背后有合并提交的框架:vLLM-Omni 的模型支持拉取请求于 11 月 11 日 07:32 UTC 合并,配套的配方拉取请求于 11 月 10 日 14:53 合并——大约早了十七个小时,这足以说明把“首日”这个说法套用到文档上有多随意。

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.

关于竞技场的说法属实,而且其范围比听起来要窄得多。

Artificial Analysis 运营着两个相关榜单:一个图像竞技场文生图排行榜和一个图像编辑排行榜,二者都提供 Elo 分数、置信区间和样本数,而 MiniMax-H3-Image 在两个榜单上都有名。在编辑榜 AA-Image-Editing v2.1 上,它以 1,138 Elo 位列第十二,处于从第八到第十七名的排名区间内,基于约 3,200 个样本,价格为每千张图像 26.54 美元。其更快的变体 MiniMax-H3-Image Highspeed 落后一名,以 1,134 位列第九到第二十名的区间。该榜单自身的评论特别指出,该模型是排名最高的开放权重条目,领先于 1,085 的 Fibo 2.0 和 1,084 的 Qwen-Image-2.1。因此,发布帖中的说法按原文所述是准确的——图像编辑领域开放权重模型中的第一名——而其背后的数字是真实的、经投票产生的、可公开核查的。

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.

这句话没有说明的是差距的大小和区间的宽度。该榜单上的领先者是 GPT Image 2.6 Sunburst,在约 6,400 个样本上以 1,210 Elo 位居第一,GPT Image 2.6 Flare 以 1,206 紧随其后,GPT Image 2.5 Sunburst 为 1,201——大约比 MiniMax-H3-Image 高七十 Elo,从 Elo 的角度看,这是一种显著且可能持久的差距,而非噪声。第八到第十七名的区间则是故事的另一半:在这个样本量下,该模型既有可能排第八,也有可能排第十七,而它自己的 Highspeed 变体就落在同一重叠区间内。“最适合编辑的开放权重模型”和“接近最佳编辑模型”是两种不同的说法,而只有前者有依据。

文生图正是这一说法变得更站不住脚的地方。在 AA-Image-T2I v2.1 上,该模型以 1,066 Elo 排名第二十三,Highspeed 以 1,070 排名第二十二,而 Sunburst 2.6 以 1,261 在 5,282 个样本中排名第一。这中间存在两百 Elo 的差距,而且同样的开放权重领先优势也适用——Qwen-Image-2.1 以 1,046、FLUX 3 Image Klein 以 1,042 排在其后——但“图像编辑领域排名第一的开放权重模型”不应被理解为关于图像质量的普遍性声明。该模型的编辑实力确实很强,而生成实力则处于中游。

模型卡自身对质量的表述是定性的——称其为开源模型中指令遵循能力最强,却没有附上对比表——而厂商提供的唯一输出证据,是一张精心挑选的展示网格。对于一个发布仅三天的版本来说,这很正常。但这确实意味着,如今支持该模型的说法是一个区间很宽的实测分数,外加基于分辨率和价格的论证,而不是发布帖所宣扬的那种断言。

真正交付的到底是什么,以及如何在不拿整条流水线冒险的情况下试用它

剥去公告的包装,实质并不光鲜,却真实可信。一个 33.1B 图像模型搭载六步采样器,无需调校引导尺度,拥有十六个参考槽位和 1600 万像素原生输出,并以开放许可证发布;它还有复用 H3 视频模型 DiT 和文本编码器的 vLLM-Omni 流水线、包含八种实测布局的官方 H200 配方、另外四个处于不同验证状态的硬件配方、一条 diffusers 路径,以及 ComfyUI 集成。API 强制执行该采样器:请求中若 num_inference_steps 不是六,或 guidance_scale 不是一,或包含任何负面提示词,就会返回 HTTP 400。

对于希望评估而非直接承诺采用的团队来说,务实的形态是采用 14.7 GiB 的单 GPU 卸载部署——速度慢,但足够小,能与显卡上其他内容并存——并且只有在输出质量足以证明该节点值得投入后,才转向四 GPU 序列并行布局。该模型也可通过 M​iniMax 自有 API 按 token 计量费率访问,且已有多个第三方平台提供它;它不在 OrcaRouter 的目录中。

OrcaRouter 确实承载的是这个图像检查点所基于的视频模型:minimax/minimax-h3目前可按服务商的标价进行路由,且不额外加收任何加价,如果你关注 MiniMax-H3-Image 的原因是已经在同一系列上生成视频,并且宁愿只保留一个密钥而不是两份合同,这一点就很重要。同一路由层的自动故障转移也是在生产环境中测试未经实测模型最不戏剧化的方式——将一部分流量指向它,在其后保留一个经过实测的回退方案,让路由根据错误而不是根据仍处于十个名次区间的排行榜位置来做决定。

怎样才能了结此事?

三件事,按它们对整体判断的改变程度排序。编辑榜上更窄的区间——该模型在约 3,200 个样本上处于第 8 到第 17 的区间,更多投票会把它变成实际排名,而不是一个范围。针对图像模型(而非视频模型)的合并 Rubin 配方,会让硬件声明在唯一真正重要的地方——配方索引——成立。而对 1600 万像素延迟进行第二次独立测量,则能让 0.87 秒这个头条数字被重新表述为它的真实情况:四块 H200 上的四百万像素,约十分之九秒,而真正的 4K 画面是它的四倍。

在此之前,站得住脚的总结比那篇帖子范围更窄,也更有用:该模型在大多数人实际生成的尺寸上很快;其 1600 万像素模式在四 GPU 节点上是四秒级的操作,而不是亚秒级;对于有合并提交作为支撑的硬件,其框架支持是实打实的;其排行榜排名真实但有限——在开放权重中位列第一,总榜第十二,大致在第八到第十七之间,并且比那篇帖子暗示它已击败的模型落后约 70 Elo。