MiniMax-H3-Image 对比 GPT Image 2.5：两者都能接收 16 个参考，而相似之处也仅止于此

数字十六同时出现在两份规格表上，但含义却截然不同。MiniMax-H3-Image 在单次编辑中最多接受十六张参考图像，并按上传顺序以 <图片 1> 到 <图片 16> 来指代，请求正文除了 32,000 个字符的提示词之外没有任何限制。GPT Image 2.5——OpenAI 于 2026 年 9 月 8 日发布的 Sunburst 与 Flare 组合——同样最多接受十六张输入图像，而且其文档明确说明了发送多张图像时会发生什么：标记和蒙版应用于第一张图像，其后的所有内容都作为参考。十六个槽位对十六个槽位，其中一个构成整个控制面，另一个则是你很可能永远不会填满的参数。

把这两个模型并排放在一起，最有价值的地方恰恰就是这一巧合，因为它们在其他所有方面都是不对称的，而这种不对称说起来容易，怎么强调都不为过。在 Artificial Analysis 的文生图榜单上，GPT Image 2.5 位列全球第二和第四，每一个名次背后都有一万三千张盲投票。MiniMax-H3-Image 则根本没有名次——它的权重于 2026 年 11 月 10 日 14:50 UTC 上线 Hugging Face，就在本文写成的一天之前，还没有任何竞技场来得及给它打分。所以这并不是两个候选者在同等条件下的比较。它是一场已测量模型与未测量模型之间的比较，而真正有用的问题是：这个尚未被测量的模型能提供什么，足以让人值得去一探究竟。

这两个调用实际上是什么样子的

OpenAI 这边是两个模型 ID 共同完成一项工作。gpt-image-2.5-sunburst 定位于细节丰富的构图和精确编辑；gpt-image-2.5-flare 是快速的日常变体。两者共享相同的快照日期、相同的端点接口和相同的费率，区别在于延迟与精度之间的取舍，而不是能力与能力之间的差异。没有单独的 gpt-image-2.5 别名——你需要选择一个变体。生成请求发往 v1/images/generations，编辑请求以 multipart 表单数据发往 v1/images/edits，并且 Batch 可按一半的输出费率使用。质量是一个有六档设置的旋钮——low、medium、high、xhigh、max 和 auto，并且 auto 是默认值。

MiniMax 这边是一个模型、两个服务层级。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——蒸馏到六步采样，且不使用无分类器引导。所提供的 API 强制要求这一点：num_inference_steps 必须为 6，guidance_scale 必须为 1，否则会返回 HTTP 400，并且拒绝负向提示词。Highspeed 是相同权重，但每 token 费率更高。没有质量调节档位，没有可提高的步数，也没有行为不同的第二个变体。你发送一个提示词和最多十六张图片，就能在固定次数的前向传递后得到一张图片。

把这两段放在一起读，设计哲学的差异便泾渭分明。OpenAI 给你一堆旋钮，指望你自己找到适合当前任务的那一档。MiniMax 只给你一个档位，指望模型本身就足够胜任。前者是一件工具，后者是一台家电。

尺寸是差距最大的方面，而且相差悬殊。

GPT Image 2.5 最高支持 3840×2160——即 829 万像素——并且尺寸必须是 16 的倍数，宽高比需介于 1:3 和 3:1 之间；在 OpenAI 自己的文档中，任何超过 2560×1440 的规格都被标记为实验性。推荐的预设尺寸是 1024×1024、1536×1024 和 1024×1536，而自定义尺寸路径允许的像素预算从 655,360 一直到 8,294,400 这一上限。

MiniMax-H3-Image 的上限大约是这个的两倍，而其下限高于 OpenAI 从上限到下限的差距。其规格卡宣称，在每个宽高比下都能达到约 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——同时 API 将输出面积上限设为 2000 万像素，实际可用范围被描述为 4 到 20 MP。整个流程中没有放大器；模型会重新生成细节，而不是将其放大。

• 最大输出 — GPT Image 2.5：3840×2160，8.29 MP。MiniMax-H3-Image：约 16 MP，通过 API 最高可达 20 MP。

• 最小可用输出 — GPT Image 2.5：655,360 像素，因此请求 768 像素缩略图是受支持的。MiniMax-H3-Image：约 4 MP，没有小图档位。

• 参考图像——两者均最多支持 16 张；OpenAI 会把第一张指定为编辑目标，将其余的作为参考图处理，而 MiniMax 则按位置排列全部十六张，不进行类型区分。

• 质量控制 — GPT Image 2.5：六种质量设置，外加 自动。MiniMax-H3-Image：无；六步、无引导为强制设定。

• 输出格式 — GPT Image 2.5：默认 PNG，支持 JPEG 和 WebP，压缩 0–100，透明背景通过 background: "transparent"。MiniMax-H3-Image：返回一个 PNG，位于 data[0].b64_json。

这些差异中，有一项比其余各项更能决定部署选择。如果你的交付物是 4K 画面，GPT Image 2.5 做不出来——不是质量低一点，也不是改个设置就能做到。它止步于 829 万像素，其余部分都是放大。这不是对模型的批评，而是在说明这个产品是为什么用途而造的。但这确实意味着，一旦你的需求超过 830 万像素，这两个模型就不再构成竞争，测得的 Elo 再高也弥补不了这一点。

两者都是计量代币，且只有一个会公布一个代币能买到什么。

OpenAI 按 token 对 GPT Image 2.5 计费：文本输入每百万 token 5 美元（缓存价 1.25 美元），图像输入每百万 token 8 美元（缓存价 2 美元），图像输出每百万 token 30 美元，在 Batch API 上减半至 15 美元。文本输出不收费，因为该模型返回的是图像而非文字内容。这些费率与 GPT Image 2 相同；如果你曾为上一代产品定价，这一点值得了解。

真正重要且未出现在 OpenAI 价目表中的数字是：一张图像要消耗多少输出 token。OpenAI 并未公布这一数字——每张图像的消耗量在发布时没有文档说明，至今也没有按尺寸分别记录。目前流传的唯一每图像数据是 Artificial Analysis 推导出的每千张图像 210.72 美元，这大约相当于在 1024×1024 分辨率、默认设置下每帧 0.21 美元。这是第三方基于实测用量推导出的结果，并非 OpenAI 的定价，应被视为会随质量设置和分辨率变化的估算值。

MiniMax 直接公布最终计算出的价格，因为其输出费率足够低，算术很简单：每百万输入文本 token 2.30 美元，每百万输入图像 token 1.50 美元，每百万输出图像 token 3.80 美元。该厂商自己给出的计算示例显示，1K 图像为 0.02179 美元，2K 为 0.02333 美元，4K 为 0.06879 美元——其中最后一项在 50% 折扣持续期间为 0.03439 美元，该折扣将于 2026 年 11 月 17 日 16:00 UTC 到期，且仅在交付图像至少为 16,600,000 像素时适用。

把两者并排放在一起，这笔取舍的轮廓就一目了然。在 1024×1024 下，大约 0.21 美元对 0.02179 美元——约十比一。而在各自模型所针对的尺寸上，要做诚实的比较就更难了，因为 8.29 MP 的 GPT Image 2.5 和 16 MP 的 MiniMax-H3-Image 并不是同一种产品。可以毫不含糊地说的是：如果你要批量生成 1K 图像，MiniMax 的价格低一个数量级，而其质量尚未经过实测；这就是全部的赌注，直白地说就是这样。

MiniMax 这边有两个计费细节很容易被忽略。输入图像按 token 计费，每百万 token 收费 $1.50，所以参考图并不是免费的——在厂商自己的示例中，参考图从一张增加到三张，一次 2K 编辑的费用就会从 $0.02658 涨到 $0.04177。另外，API 对超时的请求同样收费，因此客户端侧的重试策略会把一次生成变成两到三次计费的生成。OpenAI 文档中说明的行为则相反：对于失败和被审核拦截的请求，它不收取费用。

证据基础失衡，而这种失衡的两方面都至关重要

在 Artificial Analysis 的文生图榜单上，GPT Image 2.5 Sunburst 以 Elo 1228 位居第二，基于 13,370 个样本；Flare 以 1209 位居第四，基于 12,695 个样本。在图像编辑榜单上，同一对模型分别位列第三和第五——Sunburst 为 1199，基于 18,617 个样本；Flare 为 1181，基于 19,498 个样本。这些数字是点估计，置信区间为数十个 Elo，也就是说，在文生图上 Sunburst 和 Flare 彼此之间没有显著差异，并且两者都显著高于第五名以下的所有模型。

还值得注意的是，GPT Image 2.5 已不再是其自身系列中的最强型号。2.6 的两个变体——Sunburst 和 Flare——目前以同样每千张图片 210.72 美元的价格，在文生图榜单上位列第一和第三，在编辑榜单上位列第一和第二。因此，读者在 MiniMax-H3-Image 和 GPT Image 2.5 之间做选择，实际上是在一个尚未被测量的新来者与一个已被测量的系列中的上一代之间做选择，而该系列的当前一代就在同一价格下、只差一个模型 ID 的位置。任何因为分数而选择 2.5 的人，都应该看看这个分数实际上是相对于什么而言的。

MiniMax-H3-Image 在两个榜单上都没有得分，也没有厂商评测表——没有 GenEval，没有 DPG-Bench，也没有人类偏好数据。其模型卡上的说法是定性的：“开源模型中指令遵循能力最强”，且未附对比表。展示网格是唯一存在的输出证据，而展示网格是一种经过挑选的产物。对于一款在撰写本文时才刚公开一天的模型来说，这一切都不足为奇。但这确实意味着，本文中为其提出的每一个论点，都是基于价格、分辨率或架构的论点，没有一个是基于实测质量的论点。

提示词预算，以及模型能记住多少内容

GPT Image 2.5 接受普通的 OpenAI 提示词，并且根据 OpenAI 的文档，最多可接受十六张输入图像；对于复杂编辑而言，实际限制不是字符数，而是请求的机制——蒙版必须在尺寸上与第一张图像一致，并带有 alpha 通道；用于标记编辑的注释层必须与第一张图像的尺寸完全一致。模型文档中没有公布图像提示词的 token 上限，这意味着你规划时依据的上限是 API 的上限，而不是模型的上限。

MiniMax-H3-Image 公布了一个具体而适度的预算：在提供的 API 上为 32,000 个字符，其中只有前约 4,096 个 token 会生效，而本地 SGLang 路径则直接在 4,096 个 token 处截断。对于一个以指令遵循为卖点的模型来说，四千个 token 很紧张——一份引用了十六张按位置标注的参考图像的详细简报就会占去很大一部分。MiniMax 的答案是配套模型：MiniMax-H3-Image-PE，一个 27B 的提示词扩展器，可将简短请求改写为长描述，并附带宽高比建议，以 JSON 形式输出。它约占 19 GiB 显存。其编辑路径被描述为仅支持提示词，因此它目前对文生图有帮助，其他方面作用不大。

这种不对称值得点明，因为它改变了两者各自“遵循提示”的含义。OpenAI 的模型接收的是你写的提示。MiniMax 的模型接收的是你写的提示，或是另一个模型为它改写的提示，而无论哪种情况，它能容纳指令的空间都更小。如果你的工作流依赖于冗长、结构化且包含许多具名引用的简报，那这就是一个实实在在的限制，而且它会在质量差异显现之前就先暴露出来。

许可、留存与封闭的代价

GPT Image 2.5 是闭源的。没有权重，没有自托管，没有可固定的检查点，商业条款是一份 API 合同。OpenAI 的开发者文档确实指出，除非你主动选择加入，否则 API 数据不会用于训练；图像端点被列为不用于训练；并且这些模型兼容零数据保留（Zero Data Retention）。所有权与商业使用条款存在于单独的政策中，而不在开发者文档里。

MiniMax-H3-Image 已开放，但其许可证比“开放”一词所暗示的更具限制性。MiniMax-H3-Image 社区许可协议按定义排除欧盟、英国、韩国和美国；当年化收入超过 100 万美元时，需要另行获得书面授权；对任何托管服务也同样要求，且没有收入门槛；要求在商业界面上显著展示模型名称；并禁止使用输出训练或改进其他模型。Hugging Face 页面将这一切呈现为 license: other。

通常的说法在这里正好相反。闭源模型的条款更简单，锁定也更弱——你可以离开，只是不能拿走权重。开源模型的条款更苛刻，锁定也更强，因为一份排除四个主要市场的许可证，对你的业务构成了一种限制，再多可下载的权重也无法抵消。如果你考虑 MiniMax-H3-Image 是因为想走自托管路线，请先读许可证，再看模型卡。

当未被衡量的一方才是正确选择时

尽管没有排行榜，但在三种情况下 MiniMax-H3-Image 都是显而易见的选择，而其中没有一种是因为“它更便宜”。

首先是分辨率。如果你需要单次生成超过 8.29 百万像素，GPT Image 2.5 就不在考虑范围内，比较也就结束了。1600 万像素、价格 $0.06879，对比将一张 8.29 MP 的画面放大——这毫无悬念。

第二点是可复现性。六步、无 guidance、公开的调度表写在 pdd_config.json 里，还有可下载的权重。如果你需要一年后在自己的硬件上，从相同的输入得到相同的输出，GPT Image 2.5 做不到，而 MiniMax-H3-Image 可以——前提是许可证允许。

第三点是小尺寸下的用量。按 $0.02179 对比 1K 时约 $0.21 来算，一条每月生成十万张缩略图的流水线，面临的是以数万美元计的成本差异。这笔钱足以让你花一周时间自己做一次盲测对比，而这也是让这两个数字中的任何一个真正成为决策依据的唯一方式。

其余方面则恰恰相反。如果你需要一个不会让你意外的模型，GPT Image 2.5 有两个榜单席位，各有一万三千票，背后还有六周的付费流量；而 MiniMax-H3-Image 只有一天。如果你需要质量调节档位，OpenAI 有六档设置，MiniMax 则没有。如果你需要小尺寸图像，OpenAI 最低可到 655,360 像素，MiniMax 则不会低于约 4 MP。而如果你需要的是该系列当前的最佳版本，而不是上一代，2.6 变体价格相同。

OrcaRouter 将 GPT Image 2.5 的两个变体——gpt-image-2.5-sunburst 和 gpt-image-2.5-flare——统一路由在同一个密钥之下，按供应商标价、0% 加价原样透传，因此 OpenAI 一侧的降价或下线会在发生当天就反映出来，而不是等到你下一次迁移计费集成时才体现。我们不提供 MiniMax-H3-Image；它在我们目录中没有路由，如今要使用它的诚实路径是 MiniMax 自家的 API，或者那 135 GB 的下载内容。在这样的对比中，我们能做的是让被评测的一方保持测试成本低廉、故障切换容易，而这正是决策中不依赖于竞技场评分的那一部分。

怎样才算得上真正的比较？

有两件事，而这两件事都是按周计、而非按月计就会到来的。第一件是图像竞技场上的 MiniMax-H3-Image 条目，带有几千个样本，它要么会证实这个价格是笔划算买卖，要么会表明它目前就是如此——一个未经检验的折扣。第二件是 OpenAI 给出的 2K 和 4K 下的每图像 token 数字，因为 $0.21 这个估算只是 1K 的数字，而如果 4K 的倍率并非人们所假设的那样，整个价格论证就会随之改变。

在两者都出现之前，这个决定异常清晰：对于必须以中等分辨率交付的工作，选择经过实测的模型；而将 MiniMax-H3-Image 视为 GPT Image 2.5 在结构上无法胜任的任务的候选——一千六百万像素、完全可复现，或是以十比一的价格差足以多次覆盖评估成本的大批量场景。