MiniMax-H3-Image 与 GPT Image 2.6：每次请求中你实际能改变什么

大多数图像模型对比都把篇幅花在分数上。这一篇则把篇幅花在可调项上，因为 MiniMax-H3-Image 和 G​PT Image 2.6 Sunburst 争夺的并不是同一个旋钮。MiniMax-H3-Image 是一个开放权重的 33.1B 扩散 Transformer，于 2026 年 11 月 10 日发布，运行固定的六步采样器，没有引导尺度，最多接受十六张参考图像，并原生生成最高 1600 万像素。G​PT Image 2.6 Sunburst——以及它更快的兄弟型号 G​PT Image 2.6 Flare，二者均于 2026 年 11 月 4 日推出——是一个闭源托管模型，其近期提升主要体现在你能交给它什么，以及它交还给你什么：复用参考图像、标记引导编辑、GIF 和 SVG 输出。如果你的瓶颈是控制一条很长的编辑链，那么其中一个显然合适。如果你的瓶颈是分辨率或账单，那么另一个合适。

两者都值得认真对待。它们只是失败的方向不同，而且仅从控制面就能看清各自的失效模式。

采样器一侧是旋钮，另一侧是常量

MiniMax-H3-Image 几乎没有给你留下任何可调项，并且在 API 层面强制执行这一点。该 checkpoint 经过 CFG 蒸馏，压缩至仅需六次函数评估，这意味着扩散工作中通常的两个调节旋钮——步数与引导强度——已被并入权重之中。调用时num_inference_steps只要设为六以外的任何值，请求就会以 HTTP 400 返回。将guidance_scale设为 1 以外的任何值，同样会被拒绝。传入negative_prompt则会被直接拒绝，因为并不存在可供其起作用的第二次前向传播。

那听起来限制性很强，而且基本上是一种简化。六步很快，给定种子时是确定性的，并且不可能配置错误——不会出现“我把步数调高，结果反而更差”这种失败。你失去的是在模型内部权衡质量与延迟的能力，以及你积累的任何负面提示词技巧。

G​PT Image 2.6 没有采用采样器旋钮，而是保留了自己小巧的控制界面：一个复杂度参数，默认设为高，这是两款模型所提供的功能中与“更用力思考”开关最接近的东西。其 2.6 有文档记录的新增功能涉及输入和输出，而非采样——参考图像可在后续编辑中保留，因此无需反复上传；可在参考图像上绘制标记以指导编辑；以及上一代未提供的两种输出格式。

• 步数 — MiniMax-H3-Image 固定为六步，其他值会被拒绝；G​PT Image 2.6 没有公开的步数控制。

• 引导 — MiniMax-H3-Image 会将 guidance_scale 固定为 1；而 GPT Image 2.6 则改为提供 complexity（默认为高）。

• 负面提示词——被 MiniMax-H3-Image 以 400 拒绝；在 G​PT Image 2.6 上并非有文档记载的接口。

• 提示词预算——MiniMax-H3-Image 在 4,096 个 token 处截断；GPT Image 2.6 的提示词上限未在其模型页面上公布。

十六个参考槽位是这两款型号中任何一款所能提供的最宽泛的控制。

最大的功能性差异在于，你可以在编辑前放入多少上下文。MiniMax-H3-Image 在单次请求中最多接受十六张参考图像，模型卡将编辑模式描述为能以与生成大致相同的保真度工作——vLLM-Omni 移植版报告称，在 2048² 编辑任务上，其相对于自身单 GPU 参考实现的 SSIM 为 0.985、PSNR 约为 35 dB；这是一项自一致性检查，而非质量评分，但它确实意味着并行化路径并没有悄悄降低你的输出质量。

十六个参考图与“一张图加一句话”是不同量级的控制。产品摄影的六个角度、一份风格表、一份角色设定表和一份品牌指南都可以一次性输入。这种广度的代价是，提示词工程变成了上下文工程：当有十六张图像参与时，文本必须说明哪一张控制哪个属性，而模型没有办法询问。

GPT Image 2.6 对同一问题的回答是记忆，而不是宽度。参考图像会在一次会话内的后续编辑中持续保留，因此多轮修图不必每次都重新上传原图；而标记引导的编辑路径让你可以指向某个区域，而不是用文字描述它。对于围绕单张图像进行的迭代工作，这比十六个静态槽位是更好的界面。而对于由十几个素材一次性合成的作品，则并非如此。

出来的是什么

输出格式列表正是 GPT Image 2.6 领先于所有开放权重图像模型（包括这一款）的地方。2.6 版本在常见的栅格格式之外，新增了动画 GIF 输出和 SVG 输出。SVG 结果的重要性远超字面意义：它决定了一个图像模型是只能用来起草 Logo 概念，还是可以直接交给前端使用。MiniMax-H3-Image 返回 PNG——其服务路径已通过逐位一致的 PNG 比较验证——而 vLLM-Omni 流水线或模型卡中没有任何内容表明其支持矢量或动画输出。

分辨率的情况正好相反，而且差距并不小。MiniMax-H3-Image 原生最高可生成 1600 万像素的图像，覆盖从正方形到超宽屏的每一种宽高比，且整个流程中不包含任何超分器——4096×4096 和 6272×2688 都是原生输出。其工作范围约为 400 万至 2000 万像素，质量在接近该范围上限时达到峰值。GPT Image 2.6 的模型页面记录了格式和参考图处理方式，但未公布最大像素数，因此这场对比中的分辨率论据是 MiniMax 公布了一个数字，而 OpenAI 没有公布，并非经过实测的正面对决。

• 原生输出——MiniMax-H3-Image 支持任意宽高比下最高 16 MP，无需放大器；G​PT Image 2.6 未注明上限。

• 格式 — MiniMax-H3-Image 返回 PNG；GPT Image 2.6 新增 GIF 和 SVG。

• 宽高比 — MiniMax-H3-Image 接受任意宽度与高度组合；GPT Image 2.6 支持的比例范围并未在各模型页面上公布。

• 编辑输入 — MiniMax-H3-Image 每次请求最多支持 16 张参考图像；GPT Image 2.6 可跨轮次保留参考图像，并支持手绘标注。

该法案，基于每个供应商自己的计算示例

两家厂商都按 token 计量图像，这使得标价看起来还有可比性，而每张图像的成本却截然不同。M​iniMax 在其定价页面上公布了完整的计算示例，因此这是对它们自己给出的数字做算术，而不是推导：

• MiniMax-H3-Image 1024×1024，文生图 — 每张图片 $0.02179，而每百万输出 token 为 $3.80。

• MiniMax-H3-Image 2048×2048 — 每张图片 $0.02333。像素翻倍只需多花半美分，因为在这一区间的这一端，token 数量的增长速度远慢于面积。

• MiniMax-H3-Image 4096×4096 — 每张图片 $0.06879，限时五折优惠期间降至 $0.03439，该优惠持续至 2026 年 11 月 17 日 16:00 UTC，并要求交付的图片至少达到 16,600,000 像素。

MiniMax-H3-Image 编辑，单张参考图 1024×1024 —— 每张图像 $0.02654，其中输入图像按每百万 token $1.50 计费，输入文本按 $2.30 计费。

• G​PT Image 2.6 — 输出 token 每百万 30 美元。按照 O​penAI 自家文档对 1024×1024 结果所暗示的 token 数量，这大约是每张图 21 美分，约为相同标称尺寸下 M​iniMax 数字的十倍。

速度也不同，而这正是两款产品不再可互换的地方。在 M​iniMax 随 11 月 4 日发布公布的数据中，G​PT Image 2.6 Flare 处理一次文生图请求的中位数约为 30 秒，低于上一代的约 55 秒；一次编辑请求约为 32 秒，低于约 58 秒。Sunburst 是更慢、更高保真度的层级，而且变得更慢了——约为 135 秒，相比之下的 113 秒。MiniMax-H3-Image 自身的延迟只有在你自己托管它的地方才能测量：根据官方方案，在四块 H200 上处理一张 2048² 图像为 0.88 秒，处理一次 2048² 编辑为 1.35 秒。这些不是同一类数字——自托管节点延迟与托管端点包含排队时间的中位数——把它们放在一句话里当作同类数字会是不诚实的。这个比较合理说明的是，托管的 2.6 请求需要几十秒，而本地 H3-Image 请求不到两秒，前提是你已经拥有那四块 GPU。

公开证据涵盖了哪些内容，又没有涵盖哪些内容

Artificial Analysis 在同样的两个榜单上为两者打分，这使得它成为这场对比中少数几个双方可以直接比较、而非依据规格表争论的地方之一。在 AA-Image-Editing v2.1 上，G​PT Image 2.6 Sunburst 以约 6,400 个样本达到 1,210 Elo，Flare 以约 6,700 个样本达到 1,206，而 MiniMax-H3-Image 以约 3,200 个样本达到 1,138，位列第八至第十七名区间。在 AA-Image-T2I v2.1 上，差距进一步扩大：Sunburst 以 5,282 个样本取得 1,261 分，排名第一；MiniMax-H3-Image 则为 1,066 分，排名第二十三。相同的投票池、相同的 Elo 标度，在编辑上相差约七十分，在生成上相差近两百分。

坦率地读，它同时说明了两件事。MiniMax-H3-Image 是编辑榜单上排名最高的开放权重模型——领先于得分 1,085 的 Fibo 2.0 和得分 1,084 的 Qwen-Image-2.1——所以它的质量主张不再只是断言，而是一个实测数字。但这个数字比 G​PT Image 2.6 Sunburst 低约七十 Elo，而且它的区间横跨十个名次，Sunburst 的前三名区间却没有这么宽。在两个模型最明显共有的维度上，G​PT Image 2.6 胜出，而且在 H3-Image 更弱的榜单上，它赢得更多。1600 万像素分辨率的论据和两美分的价格依然各自成立；它们只是并非质量论据。

两块榜单都没有告诉你的是：当任务正是本文所讨论的那种——包含大量参考图且采样器固定的长编辑链——G​PT Image 2.6 的优势还能剩下多少。Elo 是对未知提示词上人类偏好的聚合指标，一个模型可能在该聚合指标上领先七十分，却在某个具体工作流上落败。唯一能弄清楚的办法，就是把你自己的提示词分别在两者上跑一遍；这是本文末尾给出的建议，而不是文中为了留后路而塞进去的场面话。

在没有第二份合同的情况下将它们并排运行

实际困难在于，对大多数团队来说，这两个模型都不是一次 API 调用就能用上的。MiniMax-H3-Image 的首日可用路径是自托管——总计 67B 的组合体，包括一个 33.1B 的 transformer、一个从视频模型原样复用而来的 33.4B Qwen3-VL 文本编码器，以及一个 0.58B 的 VAE；其 1600 万像素的最佳适配点在全速运行下需要四块数据中心 GPU。它也可通过厂商自有 API 和若干第三方平台按上述 token 定价获取。G​PT Image 2.6 仅限 O​penAI。

如果你想在自己的提示词上对两者做 A/B 测试，对路由层的诚实描述是这样的：OrcaRouter 尚未接入 MiniMax-H3-Image，也尚未接入 G​PT Image 2.6 Sunburst 或 Flare。它确实接入的是上一代 G​PT Image 组合—— gpt-image-2.5-sunburst 和 gpt-image-2.5-flare——以及 gpt-image-2 和 gpt-image-1.5，全部 按提供商的目录价提供，不在其上转嫁任何加价。这会构成一个有用的中间测试：通过一个密钥针对 2.5 搭建测试框架，确认你的评估确实能区分 Sunburst 的保真度与 Flare 的速度，然后再决定你需要的究竟是 2.6 的增量，还是一个自托管的开放权重模型。模型融合是这里另一个值得了解的选项——让一组模型回答同一个图像提示词，就能让你每个提示词都得到多种输出，而无需编写三个客户端。

顺便说一句，反过来情况也已经被覆盖了：minimax/minimax-h3，这个视频模型的 DiT 和文本编码器正是 MiniMax-H3-Image 的构建基础，目前已经可以路由。如果你关注图像模型的原因是你已经在运行 H3 视频，那么这个系列已经在一个关键点上给出了答案。

该选哪一个

当约束在于像素、参考图或单位成本时，就选 MiniMax-H3-Image：原生输出 1600 万像素、支持十六张输入图像，且一次 1024² 生成仅约两美分。当约束在于输出的形态或编辑循环的顺畅程度时，就选 GPT Image 2.6：输出端支持 SVG 和 GIF，输入端支持持久参考与手绘标注，并在编辑榜上领先七十个 Elo 分，其背后还有排名前三的置信区间作为支撑。

如果你真正需要的是针对你的提示词的评分，那就自信地两者都不选。两个模型现在都有公开评分，而这两个分数都是对别人的提示词进行汇总得到的；决定你这种情况的比较，是你自己运行的那一个，而且它的每一侧都附有成本。排行榜能给你的是一个先验——G​PT Image 2.6 领先，而且在文生图方面领先幅度足够大，你应当预期能看到这一点。它不能给你的是四百万像素下十六张参考图的产品合成答案，因为没有人发表过这种比较，Elo 榜单也不衡量它。