MiniMax-H3-Image 與 Nano Banana 2.1：價格幾乎相同，證據卻天差地遠

兩個圖像模型，每張圖片都大約三分美元，而 MiniMax-H3-Image 與 Nano Banana 2.1 之間該怎麼選，並不是價格能決定的。在 1024×1024 下，這個開放權重的新秀每次生成要價 $0.02179，而 Google 的 Nano Banana 2.1 要價 $0.0336——相差約一分美元。到了 4096×4096，差距擴大到 $0.06879 對上 $0.113。所以便宜的那款確實更便宜，便宜三分之一到一半。但現在無論你花多少錢，都買不到一個理由去相信便宜那款的品質宣稱，因為 MiniMax 之外沒有人實測過它。Nano Banana 2.1 在 Artificial Analysis 的兩個圖像排行榜上都名列第四，每個名次背後都有數千個樣本。MiniMax-H3-Image 則在兩個榜單上都未出現，無論任何名次、任何樣本數。這種不對稱就是整個比較的核心，再多的規格表算術也無法彌補。

在進一步說明前，先具體談談日期，因為這兩個模型所處的生命週期階段並不相同。Nano Banana 2.1 自 2026 年 10 月 6 日起已正式全面開放使用，型號為 gemini-nano-banana-2.1，並取代了 gemini-3.1-flash-image；Google 已將其棄用，關閉日期為 2026 年 10 月 29 日——所以如果你之前呼叫的是舊版，現在已經不得不遷移了。MiniMax-H3-Image 的權重於 2026 年 11 月 10 日 14:50 UTC 上架 Hugging Face，同日的 MiniMax API 版本說明中只有一則簡短的模型卡，且沒有隨附的部落格文章。一個模型已有一個月的正式環境流量；另一個則才開放下載一天。請據此判斷。

每一個實際上會交給你什麼

Nano Banana 2.1 是 Gemini 3.6 Flash 的衍生版本，僅透過 G​oogle 的 API 販售。提供三種解析度等級——1K、2K、4K，且沒有 512 像素選項——長寬比採用常見組合，輸入上下文為 131,072 個 token，輸出為 32,768 個 token。單一請求最多可接受 14 張參考影像，G​oogle 會將其分為 10 個物件參考與 4 個角色參考，且能讓生成結果以 G​oogle 搜尋或圖片搜尋結果為依據。Thinking 預設以 medium 等級開啟，並提供 minimal 與 high 等級，且完全無法透過 API 關閉。每項輸出都帶有 SynthID 浮水印。

MiniMax-H3-Image 是一款 33.1B 稠密擴散 Transformer，其 VAE 採用 CNN 編碼器與 24 層 ViT 解碼器，並以 MiniMax 自有社群授權條款發布。文字生圖與編輯皆透過同一組端點執行；編輯接受 1 至 16 張參考影像，以位置方式標示為 <Picture 1> 到 <Picture 16>（依上傳順序）；且模型經蒸餾至六個取樣步數，不採用無分類器引導——服務 API 若傳入 num_inference_steps=6 與 guidance_scale=1 以外的任何值，會回傳 HTTP 400。透過 API 的輸出面積上限為 20,000,000 像素，面積級距為 1K、2K 與 4K，預設為 4K；模型卡宣稱在每個長寬比下約為 1600 萬像素。儲存庫或授權條款中均未說明任何搜尋依據、思考預算或浮水印機制。

能力清單的分歧，正好清楚對應到各產品鎖定的對象。G​oogle 推出的是編排：參照、檢索、推理預算、來源標記。M​iniMax 推出的則是解析度與控制：十六個參照槽位、兩千萬像素上限、固定的六步取樣器，可在你自己的硬體上精確重現。

價格階梯，並明確列出折扣窗口

Nano Banana 2.1 按每百萬輸出影像 token 30 美元計費；根據 Google 自家文件，這相當於每 1K 影像 0.0336 美元、每 2K 影像 0.0504 美元，以及每 4K 影像 0.113 美元。輸入影像按每百萬 token 1.50 美元計費，文字輸出則為每百萬 token 7.50 美元。對於可等候的工作，另有批次層級，其輸出費率為上述的一半；Artificial Analysis 將 1K 的有效費率列為每千張影像 33.60 美元——也就是以批量形式表達的相同數字。

MiniMax-H3-Image 的計費方式原則上相同，但實際結果卻大不相同。標準等級：每百萬輸入文字 token 2.30 美元，每百萬輸入圖片 token 1.50 美元，每百萬輸出圖片 token 3.80 美元。以廠商自己的範例試算：

• 1K 文字轉圖像 — Nano Banana 2.1 $0.0336 對比 MiniMax-H3-Image $0.02179。

• 2K 文字轉圖像 — $0.0504 對比 $0.02333。

• 4K 文字轉圖像 — $0.113 對比 $0.06879，或在 M​iniMax 限時 50% 折扣下為 $0.03439。

• 以單一參考圖進行編輯 — Google 並未在這些方案層級公布每張圖的編輯價格；MiniMax 在 1K 的收費為 $0.02654、2K 為 $0.02658、4K 為 $0.07312。

• 在 M​iniMax 上，使用三個參考進行編輯 — 1K 為 $0.03563、2K 為 $0.04177、4K 為 $0.07914。

那座價格階梯中有兩個細節很容易被忽略，卻會改變算術結果。第一，MiniMax 的折扣僅在交付影像至少達 16,600,000 像素時適用，且將於 2026 年 11 月 17 日 16:00 UTC 到期——也就是權重上線六天後。若用折扣後的 4K 數字來為管線定價，你其實是在按促銷價定價。第二，MiniMax 的階梯異常平坦：像素多十六倍，價格只多略逾三倍，因為計費單位是 token，而 token 數量並不會像標價所暗示的那樣隨面積等比增加。Google 的階梯則較接近比例關係。在 4K——這款開放權重模型所針對的解析度——真正省下的錢就藏在這種平坦之中。

路由層在這裡之所以有價值，就在於你不必在乎自己用的是那兩種計價方式中的哪一種。OrcaRouter 以 0% 加成將供應商牌價原樣傳遞，這表示供應商價格一旦變動——包括像 MiniMax 那樣的促銷，也包括促銷到期——當天就會在我們這邊生效，而不必等待帳務遷移。這篇比較裡的兩個模型都不在我們的目錄中：MiniMax-H3-Image 才推出一週，尚無託管路由；Nano Banana 2.1 則是透過 Google 自家 API 存取。我們從那個系列確實有收錄的，是上一代，google/gemini-3.1-flash-image-preview，以及 OpenAI 的圖像路由和 MiniMax H3 的影片路由。之所以要把話說白，是因為一篇拿未經測量的開放權重檢查點與已有評分的封閉模型相比的文章，不應假裝這個新檢查點只要按一個鍵就能取得。

只有其中一方有計分板

Artificial Analysis 在其文字轉圖像排行榜上，給予 Nano Banana 2.1 Elo 1160 的評分，排名第四，樣本數超過 6,055 個；在其圖像編輯排行榜上則為 Elo 1137，同樣排名第四，樣本數超過 5,968 個。這兩個名次依你所查看的區間不同，排名範圍落在第四到第六名之間。這些評分是獨立、抽樣得出的，且可與榜上其他所有模型相比——包括你已經在使用的模型。

MiniMax-H3-Image 在兩個排行榜上都沒有條目。不是排名低，而是根本沒有。廠商的產品卡稱它是「領先的開放權重圖像模型」，而該倉庫的展示網格是唯一存在的輸出品質證據，而這正是那種被設計得好看的證據。也沒有廠商評測表——沒有 GenEval、沒有 DPG-Bench、沒有人類偏好分數，沒有任何可與競爭對手已公布評測相比較的東西。一個月後，情況可能已經改變。今天，誠實的總結是：較便宜的模型就是較便宜，受測量的模型就是受測量，而這兩個事實並不衝突，因為它們講的是不同的事。

還有一項二階成本，完全被每張圖片的價格掩蓋，而它是本文中最大的數字：68.65 GB 的擴散 Transformer 與 VAE（BF16 和 FP32），再加上一個文字編碼器，它根本不在該儲存庫中。MiniMax-H3-Image 會載入text_encoder/（取自 MiniMax-H3 影片模型，66.7 GB 的 Qwen3-VL），因此首次在本機生成需從兩個儲存庫下載約 135 GB。再加上 GPU：MiniMax 自家針對 vLLM-Omni 的服務指引列出 H200、RTX PRO 6000 Blackwell 與 AMD Instinct MI350X，以及多 GPU 序列平行——--ulysses-degree在 SGLang 上、--usp在 vLLM-Omni 上——是官方文件記載能在完整解析度下取得可接受延遲的方法。以每張 1K 圖片 $0.02179 計算，在很長一段時間內，API 都比電費便宜。開放權重的價值在於控制權與授權條款，而非小規模下的單位經濟效益。

限制比品質更能決定部署數量

解析度上限是最明顯的一項，而且差距懸殊。Nano Banana 2.1 最高只到 4K。MiniMax-H3-Image 透過 API 可達 2,000 萬像素，而在其卡片範例中約為 1,600 萬像素——1:1 時為 4096×4096，21:9 時為 6272×2688，4K 16:9 時為 5472×3072。如果你的交付物是印刷尺寸的版面，或是會被大幅裁切的背景，那麼封閉模型在品質進入討論之前就已出局，而本文中的兩個模型也完全不再競爭。

參考圖的處理方式則相反。Google 的 14 個參考是有型別的——10 個物件、4 個角色——而型別標註正在發揮作用：它告訴模型每張圖片扮演什麼角色。MiniMax 的 16 個是未定型、以位置定址的槽位，空間更多、結構更少。如果你的工作流程是「把這個人放進這件外套、置於這個背景前」，Google 的型別標註就是特色。如果你的流程是「這裡有十六個畫面，讓身分在所有畫面中保持一致」，MiniMax 的上限就是特色。兩者都不是對方的超集。

提示詞預算排第三。Nano Banana 2.1 有 131,072 個 token 的輸入上下文可用。MiniMax-H3-Image 在正式提供的 API 上最多接受 32,000 個字元，但在關閉提示詞增強時，只有大約前 4,096 個 token 會生效，而本機 SGLang 路徑則直接在第 4,096 個 token 截斷。對於一款主打指令遵循的模型來說，這樣的預算很緊，因此 MiniMax 推出了配套模型：MiniMax-H3-Image-PE，這是 Qwen3.8-27B 的 27B FP4 微調版本，會把簡短請求改寫成長篇說明，並加上長寬比建議，再依結構描述以 JSON 輸出。它約佔 19 GiB 的 VRAM。其編輯端部分被描述為僅支援提示詞，且仍在開發中，所以這個擴充器目前對文字轉圖像有幫助，其他用途則不多。

還有授權條款——Google 這邊沒有對應項，因為根本沒有東西可授權。MiniMax 的社群協議要求：年化營收超過一百萬美元，或你提供託管服務時，須另行取得事前書面授權；須在任何使用它的商業介面上顯著展示「MiniMax-H3-Image」字樣；將使用限制於指定地域；並禁止利用輸出內容來訓練或改進其他模型。Google 的條款則是標準的 API 合約。這裡的「開放權重」指的是你必須閱讀的授權條款，而不是可以忽視的授權條款。

在真實的一個月裡，這兩張帳單會是什麼樣子？

假設你每個月生成 20,000 張 2K 圖像。Nano Banana 2.1 按定價是 $1,008；若工作可排入佇列，批次方案則是 $504。MiniMax-H3-Image 透過 MiniMax 的 API 按定價是 $466.60——或者自架，費用就是兩到四張這類 GPU 在所需時數上的花費，對多數團隊而言會更高。換個假設，你每個月生成 2,000 張 4K 圖像，而折扣窗口已經關閉：Google 是 $226，MiniMax 是 $137.58。節省是真實的，而且是每月三位數，不是五位數。這才是這個獎賞的正確規模，也應與成為第一個發現未經測量模型會在何處出錯的人所付出的代價一併衡量。

那種不對稱性支持的是特定模式，而非選出贏家。將生產路徑導向有計分板佐證的模型，並把一小部分流量送到便宜的模型，以建立你自己的證據——一組固定提示、你自己的審查、兩週的比較。這正是故障轉移真正適用的情境：把不熟悉的模型視為候選路由，而非替代品，並在任務結果出錯時，由已知良好的模型作為後備。以影像標準而言，1600 萬像素下的六步無引導取樣也是耗時較長的請求，而且它在 MiniMax 端並非冪等——用戶端逾時仍會計費，而且 OpenAI SDK 預設會重試兩次，除非你設定 max_retries=0。長時間、逾時仍計費的請求，正是你最希望有第二條路由承接的請求。

大約一個月內就能解決這件事的問題

兩個模型都不是錯誤選擇；選擇取決於你是否負擔得起成為負責衡量的那一方。如果交付成果在需要做出決定之前，先需要一個計分板，那麼 Nano Banana 2.1 是這項比較中唯一擁有計分板的一方，而且在 4K 下它的價格是 $0.113，對比 MiniMax 的 $0.06879——這個差距，你會在內部爭論中付出超過一次的代價。如果交付成果需要 16 百萬像素，具型別的參照就不重要，解析度才重要，而 MiniMax-H3-Image 是這項比較中唯一提供此規格的一方。

能讓這件事定論的，是那件還沒發生的事：獨立評測排名。MiniMax-H3-Image 公開發表才一天，權重現身後數小時，儲存庫的討論串裡還有人在問它的授權條款，而它自家的提示詞擴充器也只完成了一半。當它帶著樣本數出現在 Artificial Analysis 上，價格差距就不再是間接論據，而會變成實質的取捨。在那之前，針對非得交付的工作，就買那個已實測的模型；把便宜的那個當成你正在評估的候選，而不是你已經決定採用的替代品。