MiniMax-H3-Image 對比 GPT Image 2.5：兩者皆可接受 16 張參考圖，而相似之處僅止於此

十六這個數字同時出現在兩份規格表上，但代表兩種不同的意思。MiniMax-H3-Image 在單次編輯中最多接受十六張參考圖像，並依上傳順序以<Picture 1>到<Picture 16>來指定；其請求主體除了 32,000 字元的提示詞外，別無其他限制。GPT Image 2.5——OpenAI 於 2026 年 9 月 8 日推出的 Sunburst 與 Flare 組合——同樣最多接受十六張輸入圖像，而其文件明確說明了送出多張圖像時會發生什麼事：標註與遮罩會套用到第一張圖像，之後的每張圖像都只是參考。十六個欄位對上十六個欄位，其中一個是整個控制介面，另一個則是你大概永遠不會填的參數。

這個巧合，是把這兩個模型並排比較時最有用的地方，因為它們其餘一切都有著一種容易說明、卻難以誇大的不對稱性。GPT Image 2.5 在 Artificial Analysis 的文字生圖排行榜上，是世界第二與第四佳的圖像模型，每個名次背後都有 13,000 張盲投票。MiniMax-H3-Image 則完全沒有名次——它的權重於 2026 年 11 月 10 日 14:50 UTC 登上 Hugging Face，就在本文撰寫前一天，還沒有任何競技場有時間給它評分。所以，這不是兩個候選者在平等基礎上的比較。這是一個已受測模型和一個未受測模型的比較，而有用的问题是：這個未受測模型提供了什麼，足以值得去查明。

這兩個呼叫實際上長什麼樣子

OpenAI 這邊是由兩個模型 ID 共同完成同一項工作。gpt-image-2.5-sunburst 定位於精細構圖與精準編輯；gpt-image-2.5-flare 是快速的日常版本。兩者共用相同的快照日期、相同的端點介面與相同費率，差別在於延遲與精確度之間的取捨，而非能力高下。沒有單純的 gpt-image-2.5 別名——你得選擇一個變體。生成請求送往 v1/images/generations，編輯則以 multipart 表單資料送往 v1/images/edits，而 Batch 支援以一半的輸出費率計價。品質是具備六種設定的旋鈕——low、medium、high、xhigh、max 與 auto，預設為 auto。

MiniMax 這邊是一個模型搭配兩種服務層級。MiniMax-H3-Image 是 33.1B 的稠密擴散 Transformer——50 層、隱藏維度 5,376、56 個注意力頭、FFN 寬度 14,336、3D 多模態 RoPE——蒸餾為六個取樣步驟，且不使用無分類器引導。提供的 API 會強制要求：num_inference_steps 必須為 6，且 guidance_scale 必須為 1，否則會收到 HTTP 400，且不接受負向提示詞。Highspeed 是相同權重，但每 token 費率更高。沒有品質調整旋鈕、沒有可提高的步數、也沒有行為不同的第二個變體。你送出一個提示詞與最多十六張圖片，就會在固定次數的傳遞中拿回一張圖片。

把這兩段並排讀，設計哲學就清楚分開了。OpenAI 給你一堆旋鈕，期望你自己找到適合這份工作的設定。MiniMax 只給你一個設定，期望模型本身夠好。前者是工具，後者是家電。

尺寸是差距最懸殊的地方，而且差距一點也不小。

GPT Image 2.5 最高支援 3840×2160——8.29 百萬像素——尺寸必須是 16 的倍數，長寬比介於 1:3 與 3:1 之間，而任何高於 2560×1440 的規格在 OpenAI 自家文件中都標示為實驗性。建議預設為 1024×1024、1536×1024 與 1024×1536，自訂尺寸路徑則允許像素預算從 655,360 到 8,294,400 的上限。

MiniMax-H3-Image 的上限大約是它的兩倍，而下限也高於 OpenAI 的上下限落差。規格卡宣稱在每個長寬比下都能達到約 1600 萬像素——1:1 為 4096×4096、4:3 為 4736×3552、3:2 為 5024×3360、16:9 為 5472×3072、21:9 為 6272×2688——而 API 會將輸出面積上限設為 2000 萬像素，實際工作範圍則描述為 4 到 20 MP。整個流程中沒有放大器；模型會重新生成細節，而不是將其放大。

• 最大輸出 — {{1}}GPT Image 2.5{{/1}}：3840×2160，8.29 MP。{{2}}MiniMax-H3-Image{{/2}}：約 16 MP，透過 API 最高可達 20 MP。

• 最小可用輸出 — GPT Image 2.5：655,360 像素，因此 768 像素縮圖是支援的請求。MiniMax-H3-Image：約 4 MP，且沒有小型圖片層級。

• 參考圖片 — 兩者皆最多 16 張；OpenAI 會將第一張標定為編輯目標，其餘則視為參考圖，MiniMax 則依位置排序全部十六張，不做任何類型標定。

• 品質控制 — GPT Image 2.5：六種品質設定，外加 自動。MiniMax-H3-Image：無；六個步驟，無指引，強制套用。

• 輸出格式 — GPT Image 2.5：預設為 PNG，另提供 JPEG 與 WebP，壓縮值 0–100，透明背景可透過 background: "transparent" 設定。MiniMax-H3-Image：data[0].b64_json 中的 PNG。

這些差異中，有一項比其他差異更能左右部署決策。如果你的交付物是 4K 底板，GPT Image 2.5 做不到——不是降低品質就行，也不是改個設定就能解決。它最高只到 8.29 百萬像素，其餘都是升頻放大。這不是在批評該模型；而是在說明這個產品是為了什麼而存在。但這確實意味著，一旦你的需求超過 8.3 MP，這兩個模型就不再相互競爭，而再多的實測 Elo 也彌補不了這道差距。

兩者都會計量代幣，而只有一個會公布一枚代幣能買到什麼。

OpenAI 對 GPT Image 2.5 採用以 token 計費的方式：每百萬個文字輸入 token 收費 5 美元（快取價 1.25 美元）、每百萬個圖片輸入 token 收費 8 美元（快取價 2 美元），以及每百萬個圖片輸出 token 收費 30 美元，若使用 Batch API 則減半為 15 美元。文字輸出不收費，因為該模型回傳的是圖片而非文字。這些費率與 GPT Image 2 相同，如果你曾為上一代估算過價格，這點值得留意。

真正重要、卻未出現在 OpenAI 費率表中的數字，是生成一張圖片會消耗多少輸出 token；而 OpenAI 並未公布這個數字——每張圖片的消耗量在推出時沒有文件說明，至今也仍未按尺寸提供文件。市面上唯一流傳的每張圖片數字，是 Artificial Analysis 推導出的每千張圖片 210.72 美元，也就是在 1024×1024、預設設定下每張約 0.21 美元。這是第三方依據實測用量推導出的結果，並非 OpenAI 的定價，應視為會隨品質設定與解析度變動的估計值。

MiniMax 直接公布換算後的數字，因為其輸出費率夠低，算術很簡單：每百萬個輸入文字 token 為 $2.30，每百萬個輸入圖像 token 為 $1.50，每百萬個輸出圖像 token 為 $3.80。供應商自己提供的計算範例顯示，1K 圖像為 $0.02179、2K 為 $0.02333、4K 為 $0.06879；其中最後一項在 50% 折扣有效期間為 $0.03439，而該折扣將於 2026 年 11 月 17 日 16:00 UTC 到期，且僅在交付圖像至少達 16,600,000 像素時適用。

把兩者並排一看，這筆取捨的輪廓就十分鮮明。在 1024×1024 下，大約是 $0.21 對上 $0.02179——約為十比一。在各模型各自設計的尺寸下，要誠實地做比較就變得更難，因為 8.29 MP 的 GPT Image 2.5 和 16 MP 的 MiniMax-H3-Image 並不是同一種產品。可以不加保留地說的是：如果你以 1K 大量生成，MiniMax 的價格低了一個數量級，而它的品質尚未被衡量；這就是全部的賭注，直白地說。

MiniMax 這邊有兩項計費細節很容易被忽略。輸入影像按 token 計費，每百萬 token 1.50 美元，因此參考圖並非免費——依廠商自己的範例，從一張參考圖增加到三張，會讓一次 2K 編輯從 0.02658 美元提高到 0.04177 美元。此外，API 會對逾時的請求收費，因此用戶端重試策略會把一次生成變成兩到三次計費生成。OpenAI 對失敗與遭審核攔截的請求所記載的行為則相反，這些請求不收費。

證據基礎並不均衡，而這件事的兩個層面都很重要

在 Artificial Analysis 的文字生圖排行榜上，GPT Image 2.5 Sunburst 以 Elo 1228、13,370 個樣本位居第二，Flare 則以 1209、12,695 個樣本排名第四。在編輯排行榜上，同一對模型分別排名第三與第五——Sunburst 為 1199、18,617 個樣本，Flare 為 1181、19,498 個樣本。這些數字是點估計，信賴區間為數十 Elo，也就是說，Sunburst 和 Flare 在文字生圖上彼此沒有顯著差異，而兩者都顯著高於第五名以下的所有模型。

值得注意的是，GPT Image 2.5 已不再是其自身家族中的頂尖選擇。2.6 的兩個變體——Sunburst 與 Flare——如今在文生圖排行榜上分別占據第一與第三名，在編輯榜上則位居第一與第二，且價格同為每千張圖 210.72 美元。因此，讀者在 MiniMax-H3-Image 與 GPT Image 2.5 之間做選擇時，實際上是在一個尚未經實測的新秀，與一個已受實測系列的前一代產品之間取捨；而該系列的當前世代，就在相同價格下、僅隔一個模型 ID 之處。任何因為分數而選擇 2.5 的人，都應該看看這個分數究竟是相對於什麼而言。

MiniMax-H3-Image 在任一排行榜上都沒有分數，也沒有廠商評測表——沒有 GenEval、沒有 DPG-Bench、沒有人類偏好數據。模型卡上的說法是定性的：「開源模型中指令遵循能力最強」，且未附上比較表。展示網格是唯一存在的輸出證據，而展示網格是經過策劃的產物。對一個在撰寫時才公開一天的模型來說，這一切都不可疑。但這確實意味著，本文中為它提出的每一個論點，都是從價格、解析度或架構出發的論點，而沒有哪一個是從實測品質出發的論點。

提示預算，以及模型能在腦中容納多少

GPT Image 2.5 接受一般的 OpenAI 提示，且依據 OpenAI 的文件，最多可接受十六張輸入影像；複雜編輯的實際限制並非字元數，而是請求的運作機制——遮罩必須在尺寸上與第一張影像相符，並帶有 alpha 通道，而用於標記編輯的註解層則必須與第一張影像的尺寸完全相符。模型文件中並未公布影像提示的 token 上限，這表示你規劃時所依據的上限是 API 的上限，而不是模型的上限。

MiniMax-H3-Image 公佈了具體且保守的預算：在提供服務的 API 上為 32,000 個字元，其中只有前約 4,096 個 token 會生效，而本機 SGLang 路徑則直接截斷於 4,096 個 token。對於一個主打指令遵循的模型而言，四千個 token 相當吃緊——一份詳細的簡報若以位置參照十六張參考圖片，就會佔掉很大一部分。MiniMax 的解答是一個搭配模型：MiniMax-H3-Image-PE，一個 27B 的提示詞擴展器，能將簡短請求改寫成長篇說明，並附上長寬比建議，再以 JSON 形式輸出。它約佔 19 GiB 的 VRAM。其編輯路徑被描述為僅靠提示詞，因此它目前對文字生圖有幫助，其他方面則不多。

這種不對稱值得特別點名，因為它改變了「提示詞遵循」對雙方各自代表的意義。OpenAI 的模型採用的是你寫的提示詞。MiniMax 的模型採用的是你寫的提示詞，或是另一個模型替它改寫過的提示詞；但不論哪一種，它能容納指令的空間都比較小。如果你的工作流程依賴冗長、結構化且包含許多具名參照的簡報，這就是一項實質限制，而且它會在品質問題浮現之前就先顯現出來。

授權、留存與封閉的代價

GPT Image 2.5 是封閉的。沒有權重、沒有自行託管、沒有可固定的檢查點，而商業條款是一份 API 合約。OpenAI 的開發者文件確實指出，除非你選擇加入，否則 API 資料不會用於訓練；圖像端點被列為不用於訓練；且這些模型與 Zero Data Retention 相容。所有權與商業使用條款見於另訂政策，而非開發者文件。

MiniMax-H3-Image 已開放，但其授權比「開放」一詞所暗示的更具限制性。MiniMax-H3-Image 社群授權協議依定義排除歐盟、英國、大韓民國與美國；年化營收超過一百萬美元時，須取得另行書面授權；對任何託管服務亦有相同要求，且不設營收門檻；要求在商業介面上顯著展示模型名稱；並禁止利用輸出內容訓練或改良其他模型。Hugging Face 頁面將這一切呈現為 授權：其他。

所以這裡常見的框架反而顛倒了。封閉模型的條款較簡單，鎖定也較弱——你可以離開，只是不能帶走權重。開放模型的條款更嚴苛，鎖定也更強，因為排除四大市場的授權是對你業務的一項限制，再多的可下載權重也無法抵銷。如果你是因為想走自架路徑而查看 MiniMax-H3-Image，請先讀授權條款，再看模型卡。

當未經衡量的那個才是正確抉擇時

有三種情況，即使 MiniMax-H3-Image 沒有排行榜分數，它仍是顯而易見的選擇，而這三種情況都不是「因為它比較便宜」。

首先是解析度。如果你需要單次生成超過 829 萬像素，GPT Image 2.5 就出局了，這場比較也到此為止。以 $0.06879 取得 1,600 萬像素，對上把 829 萬像素的畫面放大，這可不是勢均力敵的選擇。

第二是可重現性。六個步驟、無需指引，並在pdd_config.json中公開排程，還有可供下載的權重。若你一年後想在自己的硬體上，從相同的輸入得到相同的輸出，GPT Image 2.5 辦不到，而 MiniMax-H3-Image 可以，前提是授權許可。

第三是小尺寸下的用量。$0.02179 對上 1K 時約 $0.21，一條每月產生十萬張縮圖的管線，面對的是以數萬美元計的差距。這筆錢足以支撐你花一週跑自己的盲測比較，而這是讓這兩個數字中的任何一個真正成為決策依據的唯一辦法。

其他一切都指向相反的方向。如果你需要一個不會讓你意外的模型，GPT Image 2.5 有兩個看板版位，各自獲得一萬三千票，背後還有六週的付費流量；MiniMax-H3-Image 只有一天。如果你需要品質調整選項，OpenAI 有六種設定，MiniMax 則完全沒有。如果你需要小尺寸圖片，OpenAI 最低可到 655,360 像素，MiniMax 則不會低於約 4 MP。而如果你要的是該系列當前的最佳版本，而非上一代，2.6 變體的价格相同。

OrcaRouter 同時路由兩個 GPT Image 2.5 版本——gpt-image-2.5-sunburst 與 gpt-image-2.5-flare——共用同一把金鑰，並以供應商定價、0% 加成原樣轉嫁，因此 OpenAI 那邊一旦降價或停售，當天就會反映出來，而不是等到你下次遷移帳務整合時才發現。我們不提供 MiniMax-H3-Image；它不在我們目錄的路由之中，而目前取得它最誠實的途徑，就是 MiniMax 自家的 API，或那 135 GB 的下載檔。在這類比較中，我們能做的是讓實測的一邊維持低成本測試、也能輕鬆切換出去，而這正是決策中不取決於競技場分數的那一部分。

要怎麼做才能讓這成為真正的比較？

這兩件事都只剩幾週，而不是幾個月。第一件事是 MiniMax-H3-Image 在一個有數千個樣本的圖像競技場中參賽，這要麼會證實這個價格很划算，要麼會顯示它目前的本來面目——一個未經測試的折扣。第二件事是 OpenAI 在 2K 和 4K 下每張圖像的 token 數量，因為 $0.21 的估計是 1K 的數字；如果 4K 的倍率不是大家所假設的那樣，整個價格論點就會改變。

在兩者都到位之前，決策異常明確：對於必須以中等解析度交付的工作，就買經過實測的模型；並把 MiniMax-H3-Image 視為 GPT Image 2.5 在結構上無法勝任的工作之候選——一千六百萬像素、完全可重現性，或是十比一價差足以多次抵付評估成本的大量需求。