MiniMax-H3-Image 对比 Qwen-Image 2.1：两个开放检查点，两种不同的锁定方式

这两款模型都可以下载，但两者都不是人们通常所说的那种“免费使用”。MiniMax-H3-Image 的下载体积为 68.65 GB，仅 transformer 就有 66.28 GB，外加一个 66.7 GB 的文本编码器，权重发布于 2026 年 11 月 10 日；它以社区许可证发布，该许可证的授权范围不包括欧盟、英国、韩国和美国，并且当年化收入超过 100 万美元或用于任何托管服务时，需要获得 MiniMax 的书面授权。Qwen-Image 2.1 由阿里巴巴 Qwen 团队于 2026 年 9 月 20 日发布，下载体积约为四分之一，为 33.13 GB，以 Qwen Research License Agreement 发布；其第 2(a) 条授予的权利“仅限非商业用途”，第 2(b) 条则禁止未经单独许可的商业使用。一把锁是地域性的，并带有收入调节旋钮；另一把则是绝对的。如果你来这里是为了挑选一个可以放进产品里的模型，许可证文件已经给出了答案；而本次比较的其余部分，讨论的是在那个答案仍让你有选择余地的一小类用途。

工程层面的对比同样鲜明，而且与参数规模所暗示的方向正好相反。Qwen-Image 2.1 是一个 70 亿参数的视觉生成器，以四十步去噪。MiniMax-H3-Image 是一个 331 亿参数的稠密 Transformer，被蒸馏到六步。前者为适配工作站而构建；后者为让托管请求感觉即时而构建。要判断每千张图像哪个更便宜，并不是把参数乘以某个系数就行，而是要看各自的成本实际落在哪里。

在每个许可证中，“开放”的含义，逐条说明

先从 Qwen 说起，因为它的条款是两者中更简单的，而且在通常情形下也更具限制性。Hugging Face 的模型卡将许可证标记为 其他，并带有 license_name: qwen-research，而仓库中的 LICENSE 文件是日期为 2026 年 9 月 20 日的 Qwen 研究许可协议。其实际条款的措辞并不含糊：权利仅授予非商业目的，“非商业性”被定义为研究或评估，任何想要发布产品的人都必须向协议指定的地址申请许可证。没有收入门槛，没有地域例外，文本中也没有写明任何让小公司自动获得资格的途径。这是一项研究授权，仅此而已。

MiniMax 的协议在原则上更为宽松，在实践中则更为特殊。授权范围是全球性的，但明确列名排除了四个司法管辖区。商业使用是被考虑而非被禁止的，但须满足两个需要事先书面授权的触发条件，并遵守一项署名条款，该条款要求任何商业产品在其界面中“显著展示‘MiniMax-H3-Image’”。该协议还要求对任何生成输出的服务采取保障措施——实施、维护、测试并定期审查——合规团队会将这类条款视为义务，而独立开发者则会将其视为样板文字。

把这两份文件并排放在一起，会呈现出一幅奇怪的地图。东京的一家工作室在获得高于该门槛的授权后，可以将 MiniMax-H3-Image 用于商业用途，却完全不能将 Qwen-Image 2.1 用于商业用途。加利福尼亚的一家工作室两者都不能用：MiniMax 直接排除了该地区，Qwen 则禁止了该用途。任何地方的研究团队两者都可以使用，因为研究正是 Qwen 所授予的，也正是 MiniMax 的非商业性解读所涵盖的。最后这句话是对 2026 年 11 月开放权重图像领域的诚实总结，任何基准测试表都改变不了它。

四十步对六步，以及这对一项法案意味着什么

采样器差异是这场对比中最具影响的工程事实，因为它压倒了成本方面的其他一切因素。

• {{1}}步数{{/1}} — Qwen-Image 2.1 在基础检查点上默认以四十个去噪步运行采用 Euler 离散调度的 Flow Matching，基础仓库中没有蒸馏变体。2026 年 10 月 9 日发布的独立 Qwen-Image 2.1 Turbo 检查点将其缩减至八步，CFG 为 1，其调度表存储在检查点中。MiniMax-H3-Image 运行六步且完全不用无分类器引导——这不是默认设置，而是硬性约束：服务端 API 对任何其他步数或引导值都会返回 HTTP 400，并拒绝负面提示词。

• 规模 — {{1}}Qwen 的视觉生成组件为 7B 参数，分布在 32 个单流 DiT 层中，采用块因果注意力；文本和指令使用 token 级因果掩码，图像生成则使用块级双向掩码。{{/1}} {{2}}MiniMax 的则是 33.1B 稠密模型，50 层，隐藏维度 5,376，56 个注意力头，FFN 14,336，采用 3D 多模态 RoPE，以及每个 token 覆盖 32×32 像素的 2×2 潜空间 patch。{{/2}}

• 下载 — Qwen-Image 2.1 总计 33.13 GB（其中 transformer 和 VAE 约 20.5 GB，其余为 Qwen3-VL 8B 文本编码器）。在你生成任何内容之前，M​iniMax 大约需要 135 GB。

把它算出来，直觉就会反转。一个 33B 模型跑六步，每张图大约做 199B 的参数步工作量；一个 7B 模型跑四十步，则大约做 280B。更大的模型并不自动等于更贵的那个——这正是蒸馏的全部意义所在，也是为什么规格表里的“33B”几乎说明不了一张图会花你多少成本。不过，在固定的一张卡上，33B 检查点恰恰是那个在 1600 万像素下可能装不下的模型，而 M​iniMax 在发布材料里任何地方都没有公布延迟数据、硬件方案或显存指引，来告诉你它到底装不装得下。Q​wen 则公布了固定预设：1:1 的 2048×2048、4:3 的 2400×1792、16:9 的 2752×1536，以及它们的转置——最高大约 420 万像素，是 M​iniMax 声称的四分之一。

那个分辨率差距并非成本比较中的偶然因素。M​iniMax 通往 4K 的价格阶梯异常平缓，因为其计费单位是 token，而 token 数量并不像直觉所设想的那样随面积缩放——1K 时为 $0.02179，4K 时为 $0.06879，这还是发布折扣将最高档价格减半之前。Q​wen 没有可供比较的价格阶梯，因为根本没有可购买的托管基础模型：Artificial Analysis 列出 Qwen-Image-2.1 时完全没有标价，而对该榜单来说，这意味着没有 API。A​libaba 确实托管的 Pro 和 Turbo 档位则完全是独立条目，分别为每千张图片 $35.33 和 $16。

Q​wen 拥有而 M​iniMax 不具备的一项能力

原生透明。Qwen-Image 2.1 的 VAE 是一个 64 通道 RGBA 自编码器，具备 16× 空间压缩，因此 alpha 通道直接由模型输出，而不是之后通过背景移除处理产生。对于任何制作需要参与合成的内容的人来说，这是实实在在的工作流差异——产品抠图、精灵图、分层设计文件——而且这不是你能通过提示词让 MiniMax-H3-Image 生成的东西。它的代码仓库、模型卡或许可证中都没有提到 alpha 通道，其 VAE 被描述为带有 24 层 ViT 解码器和 24 个潜在通道的 CNN 编码器。

能力清单的其余部分在纸面上更有利于 MiniMax，值得仔细阅读，因为其中大部分内容都是供应商自述的：

• 分辨率 — 这正是 33B 开始显得有明确用处的地方。MiniMax-H3-Image 可在任意宽高比下原生生成最高约 1600 万像素——从 4096×4096 到 6272×2688——API 上限为 2000 万像素，且处理流程中无需放大环节。Qwen 有文档记录的预设最高接近 420 万像素。

• 参考 — MiniMax-H3-Image 最多可接收十六张，你可以通过槽位来指定它们：提示词中写 <Picture 3>，意思是你上传的第三个文件。Qwen-Image 2.1 最多可接收十张，其展示案例中包含一张由六张肖像拼合而成的合影。

• 指令遵循——MiniMax 的模型卡声称“开源模型中指令遵循能力最强”，但这句话背后没有评估表。Qwen 公布了 VDEBench 数值：在 3,506 个样本上，local 为 0.81、global 为 0.83；这是一个带有真实样本数的真实数字，但仍然是厂商数字，由厂商自己的评测框架计算得出。

• 提示长度——M​iniMax 在服务端 API 上接受 32,000 个字符，其中大约前 4,096 个 token 会实际生效。Q​wen 的模型卡和示例是围绕简短的结构化指令而非长提示编写的，其混合粒度注意力被明确设计为一次性缓存指令和条件图像，并在各步骤中重复使用，这属于效率方面的主张，而非容量方面的主张。

独立董事会现在显示出什么

截至2026年11月14日，两款模型均在Artificial Analysis的两个图像竞技场中获得了评分，这使其成为少数双方拥有可比第三方证据的开放权重模型对决之一。文生图榜单上几乎打成平手：MiniMax-H3-Image在114条记录中位列第25，Elo为1,066，区间为1,051至1,080；Qwen-Image-2.1位列第28，Elo为1,047，区间为1,035至1,059。20 Elo的差距、且区间仅勉强相交，这只是领先，而非鸿沟，任何人都不应因此切换流水线。

图像编辑排行榜正是区分二者的一项。MiniMax-H3-Image 以 Elo 1,138（1,122–1,154）在 84 个模型中排名第 13；Qwen-Image-2.1 以 1,084（1,071–1,097）排名第 30。这相差 54 个 Elo，且区间完全没有重叠；这也是本次比较中唯一一处第三方证据对质量而非成本或授权做出决定性判断的地方。

各变体与其父模型的表现保持一致，整体格局未变。MiniMax-H3-Image Highspeed 在文生图榜单位列第 24（1,072），在编辑榜单位列第 14（1,134），因此这一更快的服务层级在两个榜单上都接近标准版。在 Qwen 一侧，托管版 Pro 同系模型分别为 1,059 和 1,068，Turbo 为 1,025 和 1,062——两者都低于基础检查点的编辑分数，这是八步调度带来的预期代价，而非意外。

在任何人依据这些数字构建采购论证之前，有两点提醒。第一，Elo 来自盲测两两投票，而非对分辨率、alpha 处理或步数遵循度的测量；一个看不到你的合成管线的董事会，无法对真正关乎它的事项打分。第二，Qwen-Image-2.1 的各行是由亲自运行权重的人产生的，因为不存在可供提示词指向的托管基础端点，而 M​iniMax 的各行则包含针对其 API 的流量。不同的人群，同一个排行榜——并且 Artificial Analysis 主动标出了这一差异，而不是将其隐藏。

OrcaRouter 适合哪些场景，以及不适合哪些场景

这两个模型都不在 OrcaRouter 的目录中，与其遮遮掩掩，不如直说：截至 2026 年 11 月 14 日，这里没有针对 MiniMax-H3-Image 或 Qwen-Image 2.1 的路由，而上文的许可分析在很大程度上解释了为什么托管目录与权重仓库是两门不同的生意。该平台在图像产品线中实际路由的是 G​oogle 和 O​penAI 系列——包括 G​emini 图像模型和 GPT Image 系列——这些模型与其文本模型共用同一个密钥，按提供商目录价、0% 加价直通。

在这个比较中，真正有用的部分是路由 DSL。一个流水线如果既需要用于印刷任务的 1600 万像素大图，又需要用于商品列表的 100 万像素缩略图，就不希望一个模型以同一价格同时完成两者，也不希望为此签两份供应商合同。组合这些调用——一条路由负责重型生成，另一条负责低成本衍生图，二者都位于同一个端点之后——正是路由器存在的意义；这也同样适用于把研究许可的检查点放在内部服务之后，而不是将其接入应用程序。

这项裁决，按其应有的狭义范围加以表述

对于研究团队、评估团队，或任何其产出永远不会商业化发布的人来说，Qwen-Image 2.1 是更值得下载的选择：体积只有三分之一，提供有文档记录的预设，公布了带样本数量的评估数值，想反复迭代时可用八步 Turbo，如果你的工作涉及合成，它还原生支持 alpha 通道。它也是那种你今天下午就能在自己的硬件上摸清其行为特性的模型。

对于位于四个被排除司法管辖区之外的商业团队来说，MiniMax-H3-Image 是两者中唯一可以合法交付的，而且它是更强的编辑模型，其优势幅度足以让董事会做出判断。为下载预留预算，预计收入超过一百万时需要与 MiniMax 谈判，并在发布前而非发布后将署名要求规划进你的界面。

对于这些司法管辖区内的商业团队来说，答案两者都不是。这令人不满，但却是准确的。开放权重图像领域已经走到这样一个节点：有意思的问题不再是谁的检查点得分更高，而是你的律师会允许你运行哪一个——而在这个问题上，这一对模型很有用地说明了“开放”如今已经意味着多少种不同的东西。

什么会推动这个

任何一方对许可协议的修订，都会比任何小版本发布更能改变这一比较。M​iniMax 的地区列表读起来像是一种合规默认设置，而且该公司此前就曾重新授权过模型；Q​wen 的研究许可自 2.1 系列以来一直是该系列的标准，而为基础权重提供商业层级——有别于托管的 Pro 和 Turbo 端点——会让它成为任何想要该制品的人的显而易见之选。在这些情况之一发生之前，这两个模型之间的技术差异是真实存在的、有充分文档记录的，并且对于任何有产品要交付的人来说，大多只具有学术意义。