MiniMax-H3-Image：10 秒內達到 1600 萬像素只是一項宣稱，尚非實測數據

十六百萬像素的圖像只需十秒，並不是品質主張，而是關於模型如何被調度的主張，也是 MiniMax-H3-Image 發布內容中，使用者一個下午就能驗證的部分。MiniMax 於 2026 年 11 月 10 日宣布這款模型，短文中開頭就主打這個數字：4K 輸出、約一千六百萬像素、最多十六張參考圖、十秒內完成，並提供開放權重與廠商自有 API，可透過 MiniMax Code 和 Hailuo 使用。公告沒有附上的是任何一項延遲測量、任何一項品質基準測試，或是指向解釋這一切如何達成的部落格文章連結。位元組是真的——Hugging Face 上有 68.65 GB，外加從另一個儲存庫借來的文字編碼器——價目表也是真的。十秒是個承諾。以下說明這個承諾建立在什麼之上、代價是什麼，以及你得跑什麼才能知道它在你自己的硬體上是否成立。

值得把日期講清楚，因為這次推出很不尋常。MiniMax-H3-Image 的 Hugging Face 儲存庫建立於 2026 年 11 月 3 日，卻一直空著。權重於 11 月 10 日 14:50 UTC 上線。同一天，MiniMax 的 API 文件新增了一張標題為「MiniMax H3 Image」的發布說明卡片，上面寫著「領先的開放權重圖像模型。從想法到新世界」——一句沒有任何規格的句子——而公司自家的部落格與新聞索引至今完全沒有提到這個圖像模型。所以模型是先悄然發布、之後才被宣布，順序正是如此；這與大多數發布的方式相反，也正是為什麼那份公告讀起來像是硬貼到一個早已可下載的檢查點上的行銷文案。

十秒鐘可能從何而來

大部分的說明其實在檔案列表中，而不是在貼文裡。MiniMax-H3-Image 是一個 33.1B 的稠密擴散 transformer——50 層、隱藏大小 5,376、56 個注意力頭、FFN 寬度 14,336、3D 多模態 RoPE——並且它被蒸餾成六個取樣步驟，完全沒有無分類器引導。這不是呼叫端可以調整的預設值。提供的 API 會拒絕任何num_inference_steps=6和guidance_scale=1以外的值，並回傳 HTTP 400，而負面提示會被直接拒絕。另一個 12 MB 的檔案pdd_fused_heads.safetensors帶有逐步輸出頭，會取代 transformer 的輸出層，其排程在pdd_config.json中。

六次無引導取樣，正是十秒這個數字並不荒謬的原因。在 1600 萬像素下，引導式 30 步取樣器是一項批次作業；同樣面積下六步則是一次請求。它是否真的落在十秒，完全取決於加速器、序列平行設定，以及你實際要求的解析度，而這三件事都不在公告裡。MiniMax 自家的模型卡完全沒提到生成時間。這個數字只存在於一個地方：發布貼文。

這張卡確實有明確載明的，是幾何規格，而且比貼文更詳細。輸出在每種長寬比下都可達約 1600 萬像素——1:1 時為 4096×4096、4:3 時為 4736×3552、3:2 時為 5024×3360、16:9 時為 5472×3072、21:9 時為 6272×2688——且流程中沒有獨立的升頻器。API 將輸出面積上限設為 2000 萬像素，而這張卡將實用工作範圍描述為大約 400 萬到 2000 萬像素。編輯最多可接受 16 張參考圖像，這些圖像會在提示詞中依位置以 <圖片 1>到<圖片 16>按上傳順序。在所服務的 API 上，提示詞最多可達 32,000 個字元，不過只有前約 4,096 個 token 會生效。

這些主張，與支持它們的現有證據並列

• 解析度 —「1600 萬像素」與 4K：貼文中所述，並重現於卡片的尺寸表中。未經獨立測量，但這點只要產生一張影像並讀取其尺寸即可輕鬆驗證。

• 速度 —「全部在 10 秒內」：截至 2026 年 11 月 11 日，僅有廠商自行回報，未指明硬體，且未公布第三方計時結果。該卡完全未提供任何數據。

• 提示詞遵循——「精確的提示詞遵循」：一項質性主張。卡片中更強烈的措辭是「開源模型中指令遵循能力最強」，這是一項未附表格的比較。

• 編輯 —「{{1}}最多 16 張參考影像{{/1}}」：已在卡片與 API 文件中確認，但其中一個細節被 vLLM-Omni 的首日做法推翻，該做法在其路徑上記載每次請求最多 {{2}}9 張影像{{/2}}。把 16 視為模型的上限，9 則視為該框架做法實際涵蓋的數量。

• 開放權重——此說屬實，而且其關鍵作用在於貼文未加說明的一點：這些權重是依帶有地域與營收條件的授權條款開放，而非依 OSI 認可的授權條款開放。詳見下文。

費用是多少，以及只剩六天的折扣

商業條款是這次發布最具體的內容。計費以 token 為基礎，並對照影像輸出費率：標準層級下，每百萬個輸入文字 token 為 2.30 美元、每百萬個輸入影像 token 為 1.50 美元、每百萬個輸出影像 token 為 3.80 美元。MiniMax 自己提供的計算範例，將其換算成一個異常平緩的價格階梯，因為計量單位是 token，而 token 數量不會像直覺所想那樣隨面積而增加：

• 1K 文字轉圖片 — 每張 $0.02179。
• 2K 文字轉圖片 — $0.02333。
• 4K 文字轉圖片 — 定價 $0.06879，目前優惠期間 $0.03439。
• 1K 單一參考圖編輯 — $0.02654；2K — $0.02658；4K — $0.07312，折扣後 $0.03656。
• 1K 三張參考圖編輯 — $0.03563；2K — $0.04177；4K — $0.07914，折扣後 $0.03957。

十六倍的像素、僅略高於三倍的價格，這才是值得記住的關鍵，因為模型真正做出差異化的地方就在這裡：在 4K 下，這個開放權重檢查點的價格約為 FLUX 3 Image 4K 一張畫面的八分之一，也約為 Nano Banana 2.1 4K 一張畫面定價的五分之一。

這項折扣是真的，而且為期有限。50% 的降價僅適用於交付影像至少達 16,600,000 像素、涵蓋整筆請求總額的情況，並於 2026 年 11 月 17 日 16:00 UTC 到期——也就是權重上調後六天。任何以 $0.03439 為管線編列預算的人，都是在把促銷價當成預算。請以 $0.06879 定價，並將折扣視為毛利。

還有第二個更快的級別。MiniMax-H3-Image-Highspeed 採用相同的參數與限制，並以每百萬個輸出影像 token 7.60 美元計費：1K 為 $0.03529，2K 為 $0.03622，4K 為 $0.13001，之後再套用相同的折扣將其減半至 $0.06501。如果你感興趣的原因是那項十秒宣稱，那麼 Highspeed 正是必須為真、這件事才有意義的版本——而 MiniMax 並未公布兩者之間有任何延遲差異。

「Open weight」在這裡指的是一份你必須閱讀的授權條款。

權重可下載、架構也有文件說明，這比多數前沿圖像模型所提供的還多。授權條款正是「open」一詞不再發揮人們所期待作用的地方。MiniMax-H3-Image 是依 MiniMax-H3-Image Community License Agreement 發布，而決定部署與否的條款並非註腳：

• 領土範圍。授權條款對「排除領域」的定義涵蓋歐盟、英國、大韓民國與美國，而這些地區合計佔商業影像模型市場的很大一部分。

• 規模。年化營收超過一百萬美元時，需另行取得事前書面授權。

• 代管服務。同樣的授權要求也適用於將該模型作為代管服務提供，且完全沒有營收門檻——這項條款正是衝著 API 轉售模式而來。

• 署名。使用該模型的商業介面必須顯著顯示「MiniMax-H3-Image」。

• 下游用途。輸出不得用於訓練或改進其他模型。

Hugging Face 頁面只把它顯示成一行文字：授權：其他，這在技術上正確，實際上卻沒什麼用。如果你是要為產品評估這個模型，而不是只在筆記本裡試用，那麼授權條款檔案就是你第一件該讀的事，也可能正是你該停下來的原因。

開放權重實際運行起來究竟要花你多少成本

68.65 GB 的 transformer 與 VAE，外加一個不在該儲存庫中的文字編碼器。model_index.json 會指向 MiniMax-H3 影片模型，而 text_encoder/ 則是從該處載入——66.7 GB 的 Qwen3-VL，維持不變。因此，第一次在本機生成，就是從兩個儲存庫下載約 135 GB，而編碼器占了其中較大的一半。

對這麼年輕的檢查點來說，框架支援情況好得出奇，而且是在第一天就到位，而不是在接下來一個月才陸續補上。SGLang 是參考路徑，有文件化的 cookbook 和單 GPU 指令；序列平行化只是個旗標（--ulysses-degree 用於 SGLang，--usp 用於 vLLM-Omni）；vLLM-Omni 發布了按硬體區分的配方，點名 NVIDIA H200、RTX PRO 6000 Blackwell 和 AMD Instinct MI350X；diffusers 和 ComfyUI 都支援。MiniMax 自家的服務指引指出，若要在完整解析度下達到可接受的延遲，需使用多 GPU，這是該廠商最接近承認「十秒是一種配置，而非常數」的說法。

對多數團隊來說，接下來的算術令人不太舒服。以每張 1K 圖像 $0.02179、每張 4K 圖像 $0.06879 計算，託管 API 在很長一段時間內都比電費與攤銷成本更便宜。選擇 135 GB 的理由是控制權——一個你能精確重現的固定六步取樣器、一份你能推敲理解的授權，以及在你需要吞吐量的那一刻不必依賴供應商的佇列。

在你提交之前值得執行的三項測試

第一種做法成本很低：透過 MiniMax 的 API 將同一個 4K 提示詞生成十次，記錄每次請求的實際耗時，以及每次回傳的像素尺寸。這樣就能在你自己的網路環境與提示詞長度下，驗證那兩個主要數字——十秒與一千六百萬像素——整個過程不到一小時，花費遠低於一美元。

第二項是身分測試，而這正是十六個參考能否名副其實、值得列入的關鍵所在。餵入同一主體的八到十六張涵蓋不同角度的影格，要求生成一個新場景，然後觀察臉部、布料與標誌是否仍能保留。位置槽位不如具型別的參考來得有結構——無法告訴模型哪張圖是角色、哪張是外套——因此測試重點在於：單靠位置是否就足以承載這樣的意圖。

第三項是沒有人能替你做的事：用你自己的提示詞，對你目前使用的任何工具做盲測 A/B 比較。截至 2026 年 11 月 11 日，MiniMax-H3-Image 在 Artificial Analysis 的兩個圖像排行榜上都完全沒有上榜——不是排名低，而是完全沒有——也沒有廠商評測表。沒有 GenEval、沒有 DPG-Bench、沒有人類偏好數據。模型卡上的展示圖集是唯一存在的輸出品質證據，而展示圖集本來就是為了好看而設計的。你自己比較一週，會比發布文章告訴你更多。

這件事讓發佈活動處於什麼境地

老實說，總結是這樣的：MiniMax-H3-Image 是一個真實存在的 checkpoint，有著異常完整的部署方案，一套在 4K 下大幅壓低閉源模型價格的價格階梯，以及一個公司外部沒有人驗證過的頭條數字。速度方面的說法在架構層面上是合理的——六個無引導步驟確實與三十步引導式取樣器屬於不同的成本級別——但合理性並不等於證據。

能改變局面的是具體、而且大概還要幾週才會出現的東西：在附上樣本數的影像排行榜上取得獨立排名、由第三方在指名硬體上為 4K 路徑計時，以及看看十六個位置參照在真實身分壓力下如何表現。在那之前，有用的姿態是把它當成候選途徑，而非替代方案——把它與你信任的模型並行跑在一組固定提示詞上，讓影像來決定。

OrcaRouter 目前並未提供 MiniMax-H3-Image；我們的目錄中沒有它的路由，若說有，正是本文所反對的那種說法。我們同系列確實有提供的是影片模型，minimax/minimax-h3，價格為 供應商定價，並以 0% 加價直接轉嫁——這表示 MiniMax 的價格變動，包括 4K 折扣及其到期，會在發生當天就在本站生效，而不是等到下一次帳務遷移。若圖像模型真的登上目錄，也會依相同條款上架。在那之前，這個模型只能透過 MiniMax 自家的 API 或你自己的 GPU 使用。