MiniMax H3-Image: o modelo open-weight que gera imagem 4K de 16 megapixels em 10 segundos, mas a licença proíbe UE e EUA

10 de novembro de 2026 A MiniMax lançou o H3-Image, um modelo de geração de imagem com pesos abertos que promete entregar uma imagem de 16 megapixels, 4096 x 4096, em menos de 10 segundos. No gráfico oficial da empresa, a versão Highspeed leva 10,3 segundos para gerar um quadro 4K, contra 50 segundos do Google Nano Banana 2.1, 51 segundos no modo de pensamento alto do mesmo modelo e 54,2 segundos do Seedream 5 Pro em 2K. E o preço é de US$ 0,06879 por imagem 4K na tabela cheia, US$ 0,03439 durante a semana de lançamento.

Traduzindo para o que importa: o H3-Image é o primeiro modelo open-weight de imagem que gera 4K nativo, sem upscaler, na velocidade de um upload. Isso muda o que dá pra fazer com imagem gerada por IA. O que não muda é a qualidade, porque isso ainda ninguém mediu fora da MiniMax. E há uma cláusula na licença que transformou o “open-weight” em letra miúda pesada, mas todo mundo precisa saber antes de baixar 135 GB de pesos.

O que é o H3-Image

O H3-Image é a ramificação de imagem do sistema H3 da MiniMax, aquele mesmo que genera vídeo com áudio estéreo nativo. É um diffusion transformer (DiT) denso de 33,1 bilhões de parâmetros, com 50 camadas, dimensão oculta de 5.376, 56 cabeças de atenção, FFN de 14.336 e RoPE multimodal 3D, exatamente a mesma espinha dorsal do H3-Omni-Transformer, só que sem os camadas de áudio.

O que faz o modelo ser rápido não é truque de inference: é destilação. O checkpoint foi destilado para 6 passos de amostragem (6 NFEs) e sem classifier-free guidance. Passe qualquer valor diferente de 6 em num_inference_steps ou diferente de 1 em guidance_scale e a API devolve HTTP 400. Não é bug, é contrato. negative_prompt também não existe.

O encoder de texto é o Qwen3-VL completo do H3, sem modificação, e o DiT lê os estados ocultos da camada 50 dele. O VAE de imagem é um encoder CNN com decoder ViT 2D de 24 camadas, downsampling 16x e 24 canais latentes. O DiT faz patchify 2×2 do latente, ou seja, cada token do transformer cobre um bloco de 32×32 pixels.

A latência: 4K em 10 segundos

Este é o gráfico que a MiniMax Releases, e ele é o argumento central do lançamento. Os números são P50, mediana, medidos no serviço hospedado, e os modelos comparados são o Google Nano Banana 2.1, o GPT-image 2.5, o GPT-image 2.6 e o Seedream 5 Pro da ByteDance.

O que o gráfico mostra, em uma frase: o H3-Image bate o GPT-image 2.6 em 2K e 4K e deixa o Nano Banana 2.1 muito atrás.

• Em 4K, onde o jogo é, o Highspeed faz 10,3s contra 50,0s do Nano Banana 2.1. São 4,85 vezes mais rápido. No modo de pensamento alto do Nano Banana, 51 segundos: 4,95 vezes.
• Em 1K o H3-Image ainda é mais lento que o GPT-image 2.6. 7,7s contra 9,0s do GPT-image 2.6 em Highspeed, mas o Standard do H3-Image leva 10,6s, mais que os 9,0s do GPT-image 2.6. Ou seja, a liderança de velocidade só é real a partir de 2K, e só na versão Highspeed.
• O Seedream 5 Pro desaparece em 4K porque nem aparece nos 4K do gráfico, e é o mais lento de todos em 1K e 2K, 34,4s e 54,2s.
• Latência de edição é bem pior que geração. O segundo painel do gráfico, com uma imagem de referência, mostra o H3-Image Highspeed entre 9,0s e 13,7s, contra 48,0s do GPT-image 2.5 em 2K. O terceiro painel, com três imagens de referência, é onde o Nano Banana 2.1 chega a 62,0s e o H3-Image fica em 28,0s.

Ressalva que a MiniMax não faz: o modelo card não dá nenhum tempo de geração. O número de 10 segundos existe só no post de lançamento e só para o serviço hospedado. Se você rodar local, o tempo depende do acelerador, do paralelismo de sequência e da resolução. O guia de deploy da própria empresa cita H200, RTX PRO 6000 Blackwell e AMD Instinct MI350X, e o caminho de baixa latência documentado é sequence parallelism (Ulysses) com 4 GPUs.

O preço: 16 vezes mais pixels por 3 vezes mais dinheiro

O H3-Image é cobrado por token de imagem, não por imagem. Isso produz uma escada de preço estranhamente plana, e é ali que está a verdade matemática do lançamento.

Tarifas por token, no nível Standard:

Aí está o truque: 16 vezes mais pixels custa pouco mais que 3 vezes mais dinheiro. Uma imagem 1K custa US$ 0,02179; a 4K custa US$ 0,06879. Você multiplica os pixels por 16 e multiplica a conta por 3,16. Isso acontece porque o token count não escala linearmente com a área, e a escada foi desenhada assim.

Contra o Google Nano Banana 2.1, que custa US$ 0,0336 por imagem 1K e US$ 0,113 em 4K, o H3-Image Standard sai 35% mais barato em 1K e 39% mais barato em 4K. No chão de fábrica, quem precisa de 1.000 imagens 4K paga US$ 55 no H3-Image ou US$ 113 no Nano Banana. Isso não é margem, é mudança deunidade.

A licença que proíbe metade do mundo de usar

Aqui é onde o lançamento ganha uma coluna que quase nenhum post vai mencionar. A MiniMax-H3-Image Community License Agreement define no item 5 das Definições:

“Excluded Territories” means the European Union, the United Kingdom, the Republic of Korea and the United States of America.

Traduzido: você não pode usar, reproduzir, modificar, distribuir ou exibir o modelo nem as saídas dele dentro da União Europeia, do Reino Unido, da Coreia do Sul e dos Estados Unidos. Isso não é só sobre os pesos. A Seção V, item 4 do contrato é explícita:

“You may not use, reproduce, modify, distribute, or display the MiniMax-H3-Image Works or any of their Outputs or results outside the Applicable Territory. Any such use outside the Applicable Territory is not authorized by this Agreement.”

Ou seja: uma imagem gerada pelo H3-Image não pode ser publicada nem exibida dentro da UE ou dos EUA. Se você tem audiência nesses territórios, o modelo está fora. A MiniMax diz que está avaliando as leis e regulamentos de compliance e que quem estiver nesses territórios pode falar com eles para obter licença separada, “com controles e guardrails robustos para fins de conformidade”. Na prática, isso é uma porta fechada com três(words) de batente.

Other clauses do mesmo contrato merecem atenção:

• Receita acima de US$ 1 milhão por ano exige autorização escrita prévia, via formulário no platform.minimax.io/license. O mesmo vale para quem oferece o modelo como serviço hospedado para terceiros, independente de receita.
• Você não pode usar as saídas para melhorar outro modelo de IA, exceto o próprio H3-Image e seus derivados.
• Precisa exibir “MiniMax-H3-Image” na interface de qualquer produto ou serviço comercial que use o modelo.
• Quem redistribui precisa entregar a licença, marcar arquivos modificados, incluir um arquivo NOTICE e, no mínimo, publicar um post técnico ou declaração pública sobre a experiência.

Não compare isso com a licença MIT ou Apache dos modelos abertos ocidentais. O H3 do vídeo tem a mesma restrição, e a comunidade já reclamou. É open-weight no sentido de “você pode baixar o arquivo”, não no sentido de “você pode usar”.

Rodar local: 135 GB e um H200

Se a licença não te impediu, o hardware te impede. O repositório do H3-Image tem 68,65 GB em BF16 do DiT, mas o text encoder não está nele: ele vem do repositório do H3 de vídeo, que é o Qwen3-VL completo com 66,7 GB. Uma primeira geração local é um download de aproximadamente 135 GB em dois repositórios, mais o prompt expander opcional de 17,9 GB em NVFP4.

Existe uma pegadinha operacional na API que a documentação menciona e quase ninguém copia: os endpoints de imagem não são idempotentes. Se a requisição dá timeout, ela foi gerada e foi cobrada. O retry cobra de novo. A documentação recomenda desligar o retry automático do SDK, e num trabalho pago em imagens isso importa mais que o desconto.

O que o modelo realmente entrega

Geração e edição estão no mesmo checkpoint. Você não escolhe entre um modelo de texto-para-imagem e um de edição: é um só, que recebe um prompt e opcionalmente até 16 imagens de referência, endereçadas posicionalmente como <Picture 1>, <Picture 2> no prompt. Cada referência pode receber um papel, tipo “o produto da imagem 1 com a paleta de cores da imagem 2”.

Fotografia

Surreal editorial

Cenarios e personagens em 3D

Arte e ilustração

Repare no último bloco: o modelo desenha texto em chinês legível dentro de tabuleiros de lógica. Isso não é comum em geradores de imagem e é o tipo de detalhe que costuma quebrar quando o modelo tenta.

Editar com 10 referências

Este é o argumento mais forte do modelo, porque não é uma demonstração de prompt bonito. A edição parte de referências reais e reconstrói a cena:

O fluxo real: Context-IR antes do modelo

Um detalhe de arquitetura que muda como você usa o modelo: o H3-Image espera uma descrição detalhada em inglês de toda a imagem. A API do MiniMax converte um prompt curto em qualquer idioma nessa descrição através do H3-Image-Context-IR antes de gerar. O repositório inclui o H3-Image-PE (Prompt Expander) para rodar isso local.

Na prática: se você chama a API com um prompt curto e em português, quem expande é o Context-IR da MiniMax. Se você desliga o enable_prompt_expansion, o prompt vai como está e só os primeiros 4.096 tokens valem, mesmo aceitando até 32.000 caracteres. E na edição o expander é sempre usado.

Resoluções e limites

• Faixa de trabalho útil: 4 a 20 megapixels, com melhores resultados por volta de 16 MP. A API aceita saída de 655.360 a 20.000.000 de pixels, proporção entre 1:3 e 3:1.
• Sem upscaler no caminho. O tamanho sai exatamente como pedido, sem arredondar.
• 1 a 10 imagens por requisição, com padrão de 1.
• Formatos de saída: jpeg (padrão), png, webp. Resposta em url (padrão) ou b64_json.
• Não suporta: preview, edição com máscara, fundo transparente.
• Parâmetros travados: num_inference_steps em 6, guidance_scale em 1. Qualquer outro valor dá HTTP 400. negative_prompt é rejeitado.
• Prompt: até 32.000 caracteres, com apenas ~4.096 tokens efetivos se a expansão estiver desligada.
• Links expiram em 24 horas. Guarde o arquivo se for usar depois.

Perguntas frequentes (FAQ)

O que isso significa

• A MiniMax atacou o ponto certo. Todo mundo competia em qualidade perceptual; ninguém tinha aberto o jogo da latência em 4K. Publicar um gráfico com P50 contra o Nano Banana 2.1, o GPT-image 2.5, o GPT-image 2.6 e o Seedream 5 Pro na mesma resolução é uma escolha de guerra, e o Highspeed a 10,3s em 4K é um número que dá para verificar numa tarde.
• Se a velocidade for real, 4K deixa de ser pipeline de batch. US$ 0,06879 por imagem 4K muda a conta de catálogos de e-commerce, fundos de print e variações de anúncio. Você itera em 4K, não em 1K, e deixa o upscaler fora da discussão. Esse é o efeito prático maior do lançamento, e ele depende inteiramente da latência se sustentar fora do serviço da MiniMax.
• A escada de preço é a parte mais subestimada. 16 vezes mais pixels por 3,16 vezes mais dinheiro é o que torna a coisa viável. Se a MiniMax tivesse cobrado proporcional ao pixel, o 4K sairia a US$ 0,35 e ninguém usaria.
• Open-weight com trava territorial não é open source. A licença proíbe UE, Reino Unido, Coreia do Sul e Estados Unidos, e isso inclui as saídas, não só os pesos. Para um modelo que se apresenta como “para sustentar a pesquisa aberta”, a restrição é de outro mundo. A MiniMax vai chamar isso de conformidade regulatoria; a leitura prática é que metade do mercado do Occidente não pode tocar no modelo.
• Não existe benchmark de qualidade. Nenhum. O model card diz “o melhor seguimento de instrução entre modelos open-source” e não anexa tabela nenhuma. Não há GenEval, não há DPG-Bench, não há preferência humana, não há entrada nos rankings de imagem do Artificial Analysis. O único lugar onde há evidência de qualidade é a galeria do próprio fabricante, que é exatamente o tipo de evidência desenhada para parecer boa. O modelo pode ser excelente e a única coisa que existe hoje é a promessa da empresa sobre o próprio produto.
• 6 passos de amostragem é uma faca de dois gumes. É o que torna 10,3s em 4K possível, e é também a escolha que costuma dar para o modelo menos liberdade para corrigir os próprios erros. Quem vier do Flux ou do SDXL vai sentir a diferença de “guidance” fino, porque ele não existe: guidance_scale travado em 1 é a assinatura da destilação.
• O desconto de 50% acaba em seis dias. Ele vale só para saídas com 16,6 milhões de pixels ou mais, ou seja, só para 4K real, e expira em 17 de novembro de 2026 às 16:00 UTC. Quem orça pipeline em US$ 0,03439 está orçando uma promoção. Some com isso antes de fechar a planilha.

Onde usar

• API: POST /v1/images/generations (texto-para-imagem) e POST /v1/images/edits (edição, multipart com as referências). Variante rápida trocando model para MiniMax-H3-Image-Highspeed.
• Context-IR: POST /v1/h3_image_context_ir para expandir o prompt antes de gerar.
• Apps: Hailuo AI (hailuoai.video), agente desktop (agent.minimax.io), MiniMax Code e a plataforma de API (platform.minimax.io).
• Pesos: huggingface.co/MiniMaxAI/MiniMax-H3-Image, com prompt expander opcional em MiniMaxAI/MiniMax-H3-Image-PE.
• Deploy: vLLM-Omni ou SGLang, com receita oficial em recipes.vllm.ai.

Para ler depois no blog

• Meta lança Muse Spark Open: primeiro modelo aberto americano que compete com Qwen, Kimi e GLM
• Anthropic lança Claude Fable 5.2 e Mythos 5.2: o modelo que formaliza Fermat em 30 horas
• O novo Google Gemini 4 Argon empata com GPT-6 Astra a 60% do custo

Referências consultadas

• MiniMax H3-Image: Bringing 4K Image Generation into the 10-Second Era (MiniMax Research)
• MiniMaxAI/MiniMax-H3-Image, model card e pesos abertos (Hugging Face)
• MiniMax-H3-Image Community License Agreement, texto integral
• Image Generation Guide (documentação da API MiniMax)
• Pricing Overview, seção Image (documentação da API MiniMax)
• MiniMax-H3-Image: 16 MP in 10 Seconds, Still Unmeasured (Orca Router)
• MiniMax-H3-Image vs Nano Banana 2.1: price vs proof (Orca Router)
• MiniMax H3 Image Highspeed, custos medidos por token (Runware)
• MiniMax H3 Image na plataforma fal.ai
• MiniMax H3-Image Open Weights, Pricing and Limits

Todas as imagens deste post são oficiais: capa e gráficos do blog da MiniMax Research, e galeria de showcase do model card no Hugging Face. Os números de latência e preço são self-reported pela MiniMax, exceto onde indicado. Nenhum benchmark de qualidade independente foi publicado até o momento.