MiniMax-H3-Image 與 Qwen-Image 2.1：兩個開放檢查點，兩種不同的鎖定方式

這兩款模型都可下載，但兩者都不是以那個詞通常暗示的方式免費使用。MiniMax-H3-Image——下載大小 68.65 GB，其中光是 transformer 就佔 66.28 GB，再加上 66.7 GB 的文字編碼器，權重於 2026 年 11 月 10 日發布——採用社群授權，其授予範圍排除歐盟、英國、韓國與美國，且當年度化營收超過 100 萬美元，或提供任何託管服務時，需取得 MiniMax 的書面授權。Qwen-Image 2.1 由阿里巴巴的 Qwen 團隊於 2026 年 9 月 20 日發布，下載大小約為前者的四分之一，為 33.13 GB，採用 Qwen Research License Agreement，其第 2(a) 節授予的權利「僅限非商業用途」，第 2(b) 節則禁止未取得另行授權的商業使用。一個鎖是地理性的，並附有營收調節；另一個則是絕對的。如果你是為了挑選可放進產品裡的模型而來，授權文件早已給出答案，而這段比較的其餘部分，討論的只是那個答案仍讓你有所選擇、範圍窄得多的用途。

工程上的對比同樣鮮明，而且方向與參數量所暗示的正好相反。Qwen-Image 2.1 是 70 億參數的視覺生成器，以四十步去噪。MiniMax-H3-Image 則是 331 億參數的稠密 Transformer，經蒸餾後只需六步。一個是為了能裝進工作站而打造；另一個是為了讓託管請求感覺即時。要算出每千張影像哪個更便宜，並不是把參數乘以某個數就能決定——關鍵在於每個模型的成本實際上落在何處。

每個授權條款中「open」代表什麼，逐條說明

先從 Q​wen 開始，因為它的條款是兩者中較簡單的，而且在一般情況下也更為嚴格。Hugging Face 模型卡將該授權標記為 other，並附有 license_name: qwen-research，而儲存庫中的 LICENSE 檔案是日期為 2026 年 9 月 20 日的《Q​wen Research License Agreement》。其實際條文並不模糊：權利僅授予非商業用途，「Non-Commercial」定義為研究或評估，任何想要推出產品的人都必須向協議所列的地址申請授權。文中沒有營收門檻、沒有地域例外，也沒有寫出一條讓小型公司自動符合資格的路徑。這是一項研究授權，僅此而已。

MiniMax 的協議原則上較為寬鬆，實務上則較為奇特。授權範圍遍及全球，但點名排除四個司法管轄區。商業使用是被設想允許而非禁止，但須符合兩項觸發條件並取得事先書面授權，同時受一項署名條款約束，要求任何商業產品在其介面「顯著展示 'MiniMax-H3-Image'」。該協議也要求對任何產生輸出的服務採取保障措施——實施、維護、測試並定期審查——這種條款，合規團隊會視為義務，獨立開發者則視為樣板文字。

兩份文件並排放置，會構成一張奇怪的地圖。東京的工作室可在取得高於門檻的授權後，將 MiniMax-H3-Image 用於商業用途，但完全不得將 Qwen-Image 2.1 用於商業用途。加州的工作室則兩者皆不可用：M​iniMax 直接將該地區排除在外，Q​wen 則禁止該用途。任何地方的研究團隊兩者皆可使用，因為研究正是 Q​wen 所授予的用途，也是 M​iniMax 非商業解讀所涵蓋的範圍。最後這句話，是對 2026 年 11 月開放權重影像領域的誠實總結，任何基準測試表都改變不了它。

四十步對六步，以及這對法案的影響

取樣器差異是這場對決中最具影響力的工程事實，因為它在成本方面主導了其他一切。

• 步數 — Qwen-Image 2.1 在基礎檢查點上預設以四十個去噪步數執行 Flow Matching，並採用 Euler 離散排程，且基礎儲存庫中沒有蒸餾變體。另行發布的 Qwen-Image 2.1 Turbo 檢查點於 2026 年 10 月 9 日推出，將其縮減至八步，CFG 為 1，且其排程儲存在檢查點中。MiniMax-H3-Image 執行六步，且完全不使用無分類器引導——這不是預設，而是限制：服務 API 對任何其他步數或引導值都會傳回 HTTP 400，並拒絕負面提示詞。

• 規模 — Qwen 的視覺生成元件為 7B 參數，橫跨 32 層單流 DiT 層，並採用區塊因果注意力；文字與指令會使用 token 層級的因果遮罩，影像生成則使用區塊層級的雙向遮罩。MiniMax 的視覺生成元件則為 33.1B 稠密模型，共 50 層，隱藏維度為 5,376，具有 56 個注意力頭，FFN 為 14,336，並採用 3D 多模態 RoPE，以及每個 token 涵蓋 32×32 像素的 2×2 潛在 patch。

• 下載 — Qwen-Image 2.1 總共 33.13 GB（其中約 20.5 GB 是 transformer 與 VAE，其餘則是 Qwen3-VL 8B 文字編碼器）。在你還沒生成任何東西之前，MiniMax 就要先下載約 135 GB。

把數字乘開來算，直覺就會反轉。一個 33B 模型跑六步，每張影像約做 199B 參數步的工作；一個 7B 模型跑四十步則約做 280B。較大的模型不一定就是成本較高的那個——這正是蒸餾的全部重點，也是為什麼規格表上的「33B」幾乎無法告訴你，生成一張影像要讓你付出多少成本。不過，在一張固定顯卡上，33B 檢查點正是可能在 1600 萬像素時放不下的那個，而 MiniMax 在發布資料中完全沒有公布延遲數字、硬體配置建議或記憶體指引，來告訴你它到底放不放得下。Qwen 則公布固定預設：1:1 的 2048×2048、4:3 的 2400×1792、16:9 的 2752×1536，以及它們的轉置——最高約 420 萬像素，是 MiniMax 宣稱值的四分之一。

那個解析度差距並非成本比較的枝微末節。MiniMax 到 4K 的價格階梯異常平緩，因為它的計費單位是 token，而 token 數量並不會像直覺所想的那樣隨面積等比放大——1K 為 $0.02179，4K 為 $0.06879，這還是上市折扣將最高階價格減半之前的數字。Qwen 沒有可供比較的價格階梯，因為沒有可購買的託管基礎模型：Artificial Analysis 列出 Qwen-Image-2.1 時完全沒有標價，而對該榜單而言，這代表沒有 API。Alibaba 確實有託管的 Pro 與 Turbo 層級則完全是獨立列，分別為每千張圖片 $35.33 與 $16。

Qwen 擁有而 MiniMax 沒有的那一項能力

原生透明。Qwen-Image 2.1 的 VAE 是 64 通道 RGBA 自編碼器，具備 16× 空間壓縮，因此 alpha 通道是由模型直接輸出，而不是事後再經過一道去背處理。對任何製作需參與合成之素材的人來說——產品去背圖、sprites、分層設計檔——這是實質的工作流程差異，而且這不是你能靠提示詞讓 MiniMax-H3-Image 產出的東西。它的儲存庫、模型卡或授權條款中完全沒提到 alpha 通道，而其 VAE 被描述為 CNN 編碼器搭配 24 層 ViT 解碼器與 24 個潛在通道。

其餘的能力清單在紙面上對 M​iniMax 較有利，值得仔細閱讀，因為其中大部分是廠商自述的：

• 解析度 — 這正是 33B 開始顯得有明確定位的地方。MiniMax-H3-Image 可在任何長寬比下原生生成最高約 1,600 萬像素——從 4096×4096 到 6272×2688——API 上限為 2,000 萬像素，且流程中沒有放大器。Qwen 文件記載的預設最高約 420 萬像素。

• 參考 — MiniMax-H3-Image 最多可接受十六個，而你是以槽位來指向它們：提示詞會寫 <Picture 3>，意思是你上傳的第三個檔案。Qwen-Image 2.1 最多可接受十個，而其展示範例包含一張由六張肖像拼組而成的團體照。

• 指令遵循 — M​iniMax 的模型卡宣稱「開源模型中指令遵循能力最強」，但這句話背後沒有評測表支撐。Q​wen 公布 VDEBench 數據：在 3,506 個樣本上，本地為 0.81、全域為 0.83；這是帶有真實樣本數的真實數字，但仍是廠商數字，由廠商自己的測試框架計算得出。

• 提示長度 — MiniMax 在正式服務的 API 上接受 32,000 個字元，其中約前 4,096 個 token 會生效。Qwen 的模型卡與範例是圍繞簡短的結構化指令而非長提示所撰寫，且其混合粒度注意力明確設計為將指令與條件影像快取一次，並在各步驟間重複使用，這是一項效率主張，而非容量主張。

獨立董事會現在顯示出什麼

截至 2026 年 11 月 14 日，兩款模型都在兩個 Artificial Analysis 圖像競技場上獲得評分，這使其成為少數雙方擁有可比第三方證據的開放權重對決之一。文字轉圖像排行榜幾乎打成平手：MiniMax-H3-Image 以 Elo 1,066 在 114 列中排名第 25，區間為 1,051 至 1,080；Qwen-Image-2.1 以 1,047 排名第 28，區間為 1,035 至 1,059。20 Elo 的差距，且區間只是勉強擦邊而過，這只是領先，不是差距，不該有人因此更換管線。

編輯榜正是分出高下的那一個。MiniMax-H3-Image 在 84 個模型中排名第 13，Elo 為 1,138（1,122–1,154）；Qwen-Image-2.1 排名第 30，Elo 為 1,084（1,071–1,097）。這相差五十四 Elo，而且完全沒有重疊；在這項比較中，這是第三方證據唯一對品質、而非對成本或授權作出決定性判斷的地方。

變體在不改變形態的情況下追隨其母模型。MiniMax-H3-Image Highspeed 在文字生成圖像排名第 24（1,072），在編輯排名第 14（1,134），因此更快的服務層級在兩張榜單上都接近標準版。在 Q​wen 這邊，託管的 Pro 同系列版本分別為 1,059 與 1,068，Turbo 則為 1,025 與 1,062——兩者都低於基礎檢查點的編輯分數，這是八步排程的預期代價，而非意外。

在任何人拿這些數字建立採購論據之前，有兩點告誡。首先，Elo 來自盲測成對投票，而非對解析度、alpha 處理或步數遵循度的測量；看不見你的合成流程的董事會，無法為對它重要的事評分。其次，Qwen-Image-2.1 的資料列是由自行運行權重的人所產生，因為沒有可將提示指向的託管基礎端點，而 M​iniMax 的資料則包含對其 API 的流量。不同的群體，同一個排行榜——而 Artificial Analysis 主動標示這項差異，而非加以隱藏。

OrcaRouter 適合的地方，以及不適合的地方

這兩個模型都不在 OrcaRouter 的目錄中，而與其把這件事藏起來，不如坦白說清楚：截至 2026 年 11 月 14 日，這裡沒有 MiniMax-H3-Image 或 Qwen-Image 2.1 的路由，而上述授權分析正是為什麼託管目錄與權重儲存庫是不同業務的一大原因。平台在圖像產品線中實際提供路由的是 G​oogle 和 O​penAI 系列——包括 G​emini 圖像模型與 GPT Image 系列——與其文字模型共用同一把金鑰，按供應商標價、0% 加成轉嫁。

在這項比較中，真正有用的部分是路由 DSL。一條管線若需要 16 百萬像素的印版供印刷作業使用，還需要 1 百萬像素的縮圖供商品刊登使用，就不會希望由同一個模型以同一價格包辦兩者，也不會希望為此簽下兩份供應商合約。組合這些呼叫——一條路由負責重度生成，另一條負責低成本衍生品，兩者都放在同一個端點之後——正是路由器存在的目的，而這也是把研究授權的檢查點放在內部服務之後、而非直接接進應用程式的相同理由。

這項裁定，以它理應如此的狹義措辭表述

對研究團隊、評測團隊，或任何成果永遠不會商業化交付的人來說，Qwen-Image 2.1 是更值得下載的選擇：體積只有三分之一、預設集有文件說明、公開的評測數據附有樣本數、想反覆迭代時有八步 Turbo 可用，而若你的工作涉及合成，還有原生 alpha。它也是你今天下午就能在自己的硬體上摸清行為特性的模型。

對於四個排除司法管轄區以外的商業團隊來說，MiniMax-H3-Image 是兩者中唯一能合法推出的模型，而且它是更強的編輯模型，領先幅度足以讓董事會拍板。請為下載編列預算，預期營收超過一百萬時要與 M​iniMax 談判，並在推出前就把標示出處的要求納入介面規劃，而不是等到推出後才做。

對於那些司法管轄區內的商業團隊來說，答案是兩者皆非。這令人不滿意，卻是準確的。開放權重影像領域已發展到一個階段：有趣的問題不再是哪個檢查點得分更高，而是你的律師會讓你執行哪一個——而就這個問題而言，這一對模型是個有用的例證，說明「開放」如今已衍生出多少種不同的含義。

什麼能推動這個？

任一方修改授權條款，對這項比較的影響都會大於任何小版本更新。M​iniMax 的地區清單讀起來像是合規上的預設做法，而該公司過去也曾重新授權模型；Q​wen 的研究授權自 2.1 系列以來一直是該系列的標準，若針對基礎權重提供商業層級——有別於託管的 Pro 與 Turbo 端點——將使其成為任何想要取得該模型成品的人的明顯選擇。在上述任一情況發生之前，這兩個模型之間的技術差異確實存在、有詳盡文件記載，且對任何有產品要推出的人來說，大多只是學術層面的差異。