一張生成的標題卡,標題為「MiniMax-H3-Image:三項主張,三份書面紀錄」,副標題為「發布貼文宣稱的內容」,並有三張圓角卡片:「實測 0.87 秒,但在 2048 像素畫布上、四張 H200 上則是 0.88 秒」、「Vera Rubin 支援是一份影片模型配方,同日開啟後未合併即關閉」、「排名第一的開放權重編輯器——此說成立,Elo 1,138:總排名第十二,落在第八至第十七名區間」。頁腳寫著「延遲依 vLLM-Omni H200 配方;排行榜數據來自 Artificial Analysis,2026 年 11 月 13 日。」真正的 OrcaRouter 標誌合成在右下角新增的條帶中。
Engineering & Research

MiniMax-H3-Image:發布貼文宣稱了什麼,以及 vLLM-Omni 實際上交付了什麼

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

三項說法隨 MiniMax-H3-Image 一同出現,值得分開檢視,因為它們背後的書面佐證量差異極大。該模型是 33.1B 的單流擴散 Transformer,能以約 1,600 萬像素生成與編輯圖像,經蒸餾至六個取樣步驟,且不使用無分類器引導;其權重於 2026 年 11 月 10 日 14:50 UTC 登上 Hugging Face。宣布它的貼文稱,該模型是 Artificial Analysis 上排名第一的開放權重圖像編輯模型、正把對 MiniMax-H3-Image 的 NVIDIA Vera Rubin 支援引入 vLLM-Omni,且原生 4K 生成耗時 0.87 秒。第一項成立,但僅限於開放權重模型隊列內,且僅落在寬達十名的信賴區間內;第二項描述的書面資料針對的是另一個模型,且未合併便遭關閉;第三項是真實測得的數字,但其對應畫布僅有其語句所暗示的四分之一大小。

這些都不會讓模型變差。它會讓這則公告更難使用,因為若讀者把這三項都照字面當真,就會圍繞一個屬於 4 百萬像素的延遲數字,來規劃 4K 管線。

0.87 秒這個數字就在儲存庫裡,而且它是綁在一個 2048 像素的畫布上。

vLLM-Omni 針對 MiniMax-H3-Image 的自家方案附有一張表,列出八種 GPU 配置下量測到的延遲;而與發布文章對照後仍成立的關鍵數值是:在四張 H200 上、四張全數採用 Ulysses 序列平行,2048×2048 的文字生圖請求耗時 0.88 秒,2048×2048 的編輯耗時 1.35 秒。這些是在併發度為 1、固定隨機種子下,先暖機一次後三次請求的中位數,並在用戶端端到端量測。

同一列測得作者嘗試過的最大請求——4736×3552,即 16.8 百萬像素,也是表中與 4K 板最接近的項目——耗時 3.84 秒。因此,速度宣稱的誠實版本是:4 百萬像素影像在四 GPU 節點上約需十分之九秒,而模型所針對的 16 百萬像素影像則約需四秒。0.87 這個數值落在 0.88 的測量噪聲範圍內;改變的是畫布,不是模型。

讓這件事不只是捨入問題抱怨的原因,在於低於 2048×2048 的請求實際上不會以其標稱尺寸執行。服務路徑會在至少 2048×2048、相同長寬比的畫布上生成任何更小的內容,然後使用裝置端 Lanczos 縮小。這就是為什麼 1024×1024 耗費 0.77 秒,而 2048×2048 耗費 0.88 秒——它們是相同的工作量,只是之後重新縮放的幅度不同。此配方將下限公開為 min_generation_area,可從 32² 調整到 4096² 像素,因此真正需要廉價縮圖的部署必須選擇啟用它們。

表格其餘部分才是對任何要估算硬體需求的人有用的部分:

• 四張 H200、Ulysses SP 4 — 每顆 GPU 峰值 81.3 GiB,2048² 影像耗時 0.88 秒,4736×3552 耗時 3.84 秒,2048² 編輯耗時 1.35 秒。

• 四張 H200,DiT 張量平行 4 —— 每張 GPU 36.2 GiB,1.00 秒與 4.01 秒,且編輯結果與序列平行參考的 PSNR 差距在 38.3 dB 以內。

• 四張 H200,TP 2 × SP 2 — 每張 GPU 52.2 GiB,1.09 秒與 4.07 秒,對同一參考基準為 37.1 dB。

• 兩張 H200、Ulysses SP 2 —— 每顆 GPU 94.6 GiB,分別為 1.48 秒與 6.82 秒。這是幾乎要用掉整張卡的配置。

• 單張 H200,將文字編碼器卸載 — 73.4 GiB,相同兩種尺寸分別為 3.18 秒與 12.39 秒。

• 單張 H200,對 DiT 與文字編碼器皆採用逐層卸載 — 14.7 GiB、8.30 秒與 12.85 秒。

最後兩列在商業上才是有意思的,因為它們代表單張租用顯示卡所能達到的效果。在 14.7 GiB 時,模型能從容容納,且只需八秒就能完成四 GPU 節點不到一秒就完成的事——硬體比例約為四比一,延遲比例卻約為九比一。卸載設定檔受主機到裝置複製的限制,因此其延遲幾乎不會隨影像尺寸增加:在單 GPU DLO 路徑上,2048² 與 16.8 MP 請求之間的差距是 8.30 秒對 12.85 秒。如果你的工作負載是大尺寸影像,而且你只有一張卡,卸載並不像原始延遲所暗示的那麼災難性。

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.

為什麼第一張影像的成本比模型權重所反映的還高

人們下載的檢查點,並不是實際執行的那個東西。68.65 GB 的儲存庫裝的是 BF16 擴散 Transformer,但要提供服務,還需要從 MiniMax-H3 提取的完整 Qwen3-VL 文字編碼器——這是另一個約 66.7 GB 的產物——再加上一個 0.58B 的 VAE;而該配方本身的參數量,把這三者相加後為 67B。這個數字就是文字編碼器常駐時、單 GPU 達到 73.4 GiB 的依據,也是雙 GPU 常駐配置每張卡需要 94.6 GiB 的依據。

其後果是一個上市首日的算術問題。一個 1600 萬像素的影像模型,其權重必須透過兩次大型下載取得,而最便宜的快速部署方式是四張資料中心 GPU,這不是一個週末專案;那些宣稱首日支援的框架,宣稱的是支援整條流程,而不是支援你桌上的環境。配置方案明確說明了哪些硬體是實際量測過、哪些只是設定過:H200、雙卡與四張卡的 RTX PRO 6000 Blackwell,以及 MI325X 與 MI350X 標示為已驗證,而 H100、B200 與 B300 的配置方案則僅為配置設定。另外,單張 RTX-4090 的配置方案確實存在,並標示為社群部署,而非原廠認證部署。

Vera Rubin 的說法指向影片模型,而該提取請求已被關閉。

這是最需要深入追查的一項說法,因為這項工作確實存在,但其樣貌與貼文所述不同。vLLM-Omni 中有一個編號 10108 的拉取請求,於 2026 年 11 月 10 日 11:10 UTC 開啟,標題為「[Doc] Add MiniMax-H3 Rubin recipe and inference results」。它跨四個檔案貢獻了 1,972 行,記錄了在 NVIDIA VR NVL72 硬體上、aarch64 主機上每張卡 286,524 MiB 的四 GPU 離線配方,並回報了真實測量數據:一個 1344×768、五秒、24 FPS 的文字轉影片請求,在使用 TRTLLM 注意力與 eager 執行時,中位數為 19.811 秒,而使用 SDPA 則為 110.039 秒。首/末關鍵影格與混合參考變體分別為 21.535 秒與 21.461 秒。

那些任務全都是影片。T2VA、FL2VA 和 Ref2VA 是 MiniMax-H3 的任務名稱,不是 MiniMax-H3-Image 的,而且該拉取請求本身的描述也說,現有的 MiniMax-H3 指南缺少合格的 Rubin 環境。該儲存庫的 recipe 索引也如此顯示:MiniMax-H3-Image 有適用於 H200、H100、B200、B300、RTX PRO 6000、MI325X 和 MI350X、Intel Arc Pro B70、Ascend Atlas、RTX 4090 和 MUSA 的 recipe,卻沒有適用於 Rubin 的。

接著該拉取請求被關閉。它在 11 月 10 日 11:10 UTC 開啟,並於同日 12:05 關閉,未被合併;此前自動化審查程式要求作者提供自我審查評論。其作者在描述中坦白說明限制:以受測的 vLLM nightly 版本執行時,HTTP 啟動失敗,該 recipe 記錄了這些失敗,而非聲稱支援 HTTP,而在較新基礎修訂版本上的推論則列於「未執行」之下。今日取得的 main 目錄清單中,兩個 M​iniMax 模型都沒有 Rubin recipe。

因此,準確的說法是:有一位貢獻者為影片模型 MiniMax-H3 起草並實測了一份 Rubin 配方,而該草稿並未合併。若之後有支援,會以配方索引下已合併的檔案形式出現,這才是該留意的重點,而不是社群貼文。至於 MiniMax-H3-Image 的首日框架,則是背後已有合併提交的那些:vLLM-Omni 的模型支援 pull request 於 11 月 11 日 07:32 UTC 合併,隨附的配方 pull request 於 11 月 10 日 14:53 合併——大約早了十七個小時,這說明「首日」這個說法套用在文件上有多寬鬆。

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.

arena 的這項主張屬實,而且比聽起來狹窄得多。

Artificial Analysis 營運兩個相關榜單:一個是 image-arena 文字轉圖像排行榜,另一個是圖像編輯排行榜,兩者都附有 Elo 分數、信賴區間與樣本數,而 MiniMax-H3-Image 同時登上這兩份榜單。在編輯榜 AA-Image-Editing v2.1 上,它以 1,138 Elo 位居第十二名,落在第八至第十七名的名次區間內,樣本約 3,200 筆,價格為每千張圖像 26.54 美元。其更快的變體 MiniMax-H3-Image Highspeed 以 1,134 位居其後一名,落在第九至第二十名的區間。該榜單自身的評論特別點名此模型是排名最高的開放權重參賽者,領先 Fibo 2.0 的 1,085 與 Qwen-Image-2.1 的 1,084。因此,發布貼文中的說法照字面而言是準確的——在圖像編輯領域的開放權重模型中排名第一——而支撐這個說法的數字,是真實、經投票產生、且可公開查核的。

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.

這句話沒說的是差距有多大,以及區間的寬度。該排行榜上的領先者是 GPT Image 2.6 Sunburst,在約 6,400 個樣本上達到 1,210 Elo,GPT Image 2.6 Flare 為 1,206,GPT Image 2.5 Sunburst 為 1,201——比 MiniMax-H3-Image 高出約七十 Elo,以 Elo 的標準來說,這是實質且很可能持久的差距,而不是雜訊。第八到第十七名的區間則是故事的另一半:在這個樣本數下,該模型有可能排第八,也有可能排第十七,而它自己的 Highspeed 變體也落在同一個重疊區間內。「最適合編輯的開放權重模型」和「接近最佳編輯模型」是不同的主張,而只有前者有依據。

文生圖才是這項說法開始站不住腳的地方。在 AA-Image-T2I v2.1 上,該模型以 1,066 Elo 排名第 23,Highspeed 以 1,070 排名第 22,而 Sunburst 2.6 以 1,261 在 5,282 個樣本中位居第一。這是兩百 Elo 的差距,而且同樣的開放權重領先優勢也適用——Qwen-Image-2.1 的 1,046 和 FLUX 3 Image Klein 的 1,042 都落後於它——但「圖像編輯排名第一的開放權重模型」不應被解讀為關於圖像品質的普遍陳述。該模型的編輯實力確實存在,但其生成實力僅處於中段。

模型卡本身的品質描述是質性的——在開源模型中擁有最強的指令遵循能力,未附上比較表——而廠商提供的唯一輸出證據,是一張精心策劃的展示網格。對一個問世三天的版本而言,這很正常。這確實意味著,如今支持該模型的理由,是一個帶有寬廣區間的實測分數,加上從解析度與價格出發的論證,而非發布貼文所塑造的那種斷言。

真正已經交付上線的是什麼,以及如何在不拿整條 pipeline 冒險的情況下試用它

剝去公告的外衣,實質並不光鮮,卻很真實。一個 33.1B 圖像模型,搭載六步採樣器、無需調整引導尺度、十六個參考槽,以及 1600 萬像素原生輸出,以開放授權推出;它還包含一條重用 H3 影片模型 DiT 與文字編碼器的 vLLM-Omni 管線、一套含八種實測配置的官方 H200 配方、另外四套處於不同驗證階段的硬體配方、一條 diffusers 路徑,以及一項 ComfyUI 整合。API 強制執行此採樣器:若請求中的 num_inference_steps 不是六,或 guidance_scale 不是一,或帶有任何負面提示,都會回傳 HTTP 400。

對於想先評估、而非直接投入採用的團隊,實務上的做法是採 14.7 GiB 的單 GPU 卸載式部署——速度慢,但小到足以與顯示卡上其他既有內容並存——並且等到輸出品質值得這個節點之後,再轉向四 GPU 的序列平行配置。此模型也可透過 M​iniMax 自家的 API 以按 token 計費的費率存取,另有數個第三方平台提供;它不在 OrcaRouter 的型錄中。

OrcaRouter 確實有提供的,是這款圖像檢查點所建構於其上的影片模型:minimax/minimax-h3 目前可依價路由使用:供應商的牌價,且不額外加收任何費用,如果你對 MiniMax-H3-Image 感興趣,是因為你已經在同一系列上生成影片,而且寧可持有一個金鑰,也不要簽兩份合約,那麼這一點就很重要。同一路由層的自動容錯移轉,也是在生產環境中測試未經量測模型最不誇張的方式:將一部分流量導向它,在它後面保留一個已量測的備援,並讓路由根據錯誤來決定,而不是根據仍落在十個名次幅度區間的排行榜名次來決定。

什麼能讓這件事定下來?

有三件事,按它們會多大程度改變整體情況的順序排列。在編輯看板上更窄的區間——模型在約 3,200 個樣本上以 1,138 分位居第 8 到第 17 名的區間,而更多投票會把它變成實際名次,而不是一個範圍。針對圖像模型——不是影片模型——的已合併 Rubin 配方,會讓硬體宣稱在唯一真正算數的地方成立,也就是配方索引。以及對 1600 萬像素延遲進行第二次獨立測量,將可讓 0.87 秒的標題說法被重新表述為它實際上的樣子:四張 H200 上的四百萬像素,約十分之九秒,而真正的 4K 底板則是其四倍。

在那之前,站得住腳的摘要比那篇文章更狹窄,但也更有用:這個模型在大多數人實際生成的尺寸上很快,其 1600 萬像素模式在四 GPU 節點上是一項四秒的操作,而不是亞秒級;對於背後有合併提交的硬體,它的框架支援是真實的;而它在排行榜上的名次是真實但有範圍的——在開放權重中排名第一、總體第十二,約在第八到第十七之間,並且比那篇文章暗示它已擊敗的模型落後約 70 Elo。