MiniMax lanza H3-Image, un modelo de imágenes con pesos abiertos: solo el plan más caro se acerca a los 10 segundos en 4K

H3-Image, el modelo de imágenes de MiniMax cuyos pesos llegaron a Hugging Face el 10 de noviembre, genera imágenes de 4.096 por 4.096 píxeles en seis pasos de muestreo y sin una pasada de guía. Sin embargo, las únicas mediciones medianas publicadas hasta ahora sitúan su plan 4K más rápido en 10,3 segundos, no en los menos de 10 segundos que anuncia la compañía. Los desarrolladores que evalúen el modelo deben tener claro qué plan produce ese resultado, qué sacrifica el diseño de seis pasos y que su licencia excluye cuatro territorios: Estados Unidos, la Unión Europea, Reino Unido y Corea del Sur.

Los pesos están disponibles en Hugging Face como MiniMaxAI/MiniMax-H3-Image y el código está en GitHub. Ni la publicación de lanzamiento de MiniMax ni el archivo README del repositorio incluyen un informe técnico o resultados de pruebas comparativas.

Mediciones publicadas: 10,3 segundos en Highspeed y 16,0 segundos en Standard para 4K

La publicación de lanzamiento de MiniMax afirma que una imagen 4K llega en menos de 10 segundos, con una velocidad de hasta cinco veces superior a la de unas "alternativas convencionales" que no identifica. Según la compañía, el modo Standard es entre 1,5 y 2 veces más rápido y Highspeed entre 3 y 4 veces más rápido. La publicación no indica qué hardware se usó para la medición y los valores de su gráfico de latencia no aparecen en el texto.

Las latencias medianas de la API reportadas por Neurohive son menos contundentes:

Con esas cifras, incluso el modo Highspeed para texto a imagen queda 0,3 segundos por encima de la promesa. En resolución 1K, el modo Standard (10,6 segundos) es más lento que GPT-image 2.6 medium (9,0 segundos). Neurohive señala que las cifras del competidor provienen de la comparación original de MiniMax, mientras que H3-Image fue medido nuevamente. OrcaRouter, un servicio de enrutamiento de API, dijo el 11 de noviembre que no se había publicado ninguna medición de terceros.

El plan más rápido cuesta más. OrcaRouter registra precios de lista para 4K de US$0,06879 por imagen en Standard y US$0,13001 en Highspeed, una relación aproximada de 1,9 a 1. Un descuento del 50% para resultados 4K estará vigente hasta el 17 de noviembre a las 16:00 UTC (11:00 a. m., hora del Este de Estados Unidos) y solo aplica a imágenes de 16,6 millones de píxeles o más.

Seis pasos y ninguna pasada de guía: la velocidad fija un único punto de operación

H3-Image es un transformador de difusión denso, de flujo único y 33.100 millones de parámetros, con 50 capas, un tamaño oculto de 5.376, 56 cabezales de atención y codificación rotatoria de posición multimodal en 3D. El modelo desciende de H3, el modelo de video omnidimensional que MiniMax lanzó el 31 de julio, pero con las capas de audio eliminadas.

El repositorio indica que el punto de control fue destilado a seis evaluaciones de función y no utiliza guía sin clasificador. En un modelo convencional de difusión guiada, cada paso de muestreo evalúa dos redes: una condicionada por la instrucción y otra sin condicionamiento. Después, el muestreador repite ese par entre decenas y cientos de veces. Investigaciones publicadas sobre la destilación de modelos guiados han generado imágenes en entre uno y cuatro pasos para modelos en espacio latente como Stable Diffusion. MiniMax no ha explicado qué método de destilación utilizó y su publicación describe el entrenamiento posterior de forma general. Al incorporar la guía en los pesos, cada paso necesita una evaluación de red en lugar de dos.

Ese diseño fija el punto de operación. El repositorio acepta únicamente seis pasos y una escala de guía de 1; otros valores devuelven un error HTTP 400. La API alojada fija las mismas configuraciones. Las instrucciones negativas no son compatibles. Un usuario que obtenga un resultado débil no puede aumentar el número de pasos ni la escala de guía para buscar mayor fidelidad. Por eso, la velocidad anunciada y el límite de calidad corresponden a una sola configuración, no a dos. La ventaja es que los parámetros fijos deberían facilitar resultados reproducibles, aunque se trata de una expectativa aún no comprobada.

El condicionamiento de texto reutiliza sin cambios el codificador Qwen3-VL completo de H3, y el transformador de difusión lee los estados ocultos de su capa 50. Los tokens de texto y de imágenes de referencia comparten una sola secuencia, de modo que un único punto de control gestiona texto a imagen y edición de varias imágenes con hasta 16 referencias. Las instrucciones se truncan a 4.096 tokens. Hay una salvedad: una receta de implementación documenta nueve imágenes por solicitud, por lo que las 16 referencias podrían no estar disponibles en todos los entornos.

La compresión VAE de 16 veces convierte una imagen 4K en 16.384 tokens

El autocodificador de imágenes reduce 16 veces cada lado y conserva 24 canales latentes. Con bloques de 2 por 2, cada token cubre 32 por 32 píxeles. Así, una imagen de 4.096 por 4.096 se convierte en 128 por 128, es decir, 16.384 tokens. Cada una de las 50 capas del modelo procesa toda la secuencia en cada uno de los seis pasos.

Los tamaños de salida van de 4.096 por 4.096 (1:1) a 6.272 por 2.688 (21:9), con un rango operativo de aproximadamente 4 a 20 megapíxeles y mejores resultados cerca de los 16 megapíxeles. La wiki de ComfyUI advierte que los resultados por debajo de 4 megapíxeles pierden nitidez.

Las pruebas iniciales muestran problemas con textos pequeños y detalles omitidos

Las pruebas independientes son escasas y ofrecen resultados mixtos, según el resumen de Neurohive. La comparación de Pixel Dojo, basada en ocho instrucciones frente a GPT Image 2.6, concluyó que los retratos de H3-Image eran más naturales y que el control del ángulo de cámara se ajustaba mejor a la instrucción. Sin embargo, el texto pequeño era más débil: apareció un error ortográfico en un menú y palabras inventadas en los pies de una infografía.

En una prueba de maquetas de productos con cuatro modelos, el creador Alex Patrascu encontró que H3-Image acertó con el ángulo, los colores de las franjas y el texto del empaque, pero omitió los guantes de la mascota, la carga de la cabra y un cuerno curvado. Eligió a Seedream 5.5 como ganador. Una publicación entusiasta que señala cambios de estilo al modificar la pose o el ángulo proviene de un creador cuyo contenido Neurohive identifica como una colaboración pagada con MiniMax. No admite fondos transparentes.

¿La calidad o la velocidad de H3-Image han sido verificadas de forma independiente?

No. El repositorio afirma que el modelo ofrece el mejor seguimiento de instrucciones entre los modelos de código abierto, pero no aporta datos comparativos. Sus ejemplos, como acertijos lógicos y generación de texto, no incluyen evaluaciones cuantitativas. Al 11 de noviembre, H3-Image no aparecía en los rankings de imágenes de Artificial Analysis. Una revisión del ranking de texto a imagen de Artificial Analysis el día de la publicación tampoco encontró ningún modelo de MiniMax entre los 110 incluidos. La cifra de menos de 10 segundos es una afirmación de MiniMax y los tiempos de los competidores en 1K provienen de la propia comparación de MiniMax. Según OrcaRouter, ningún laboratorio independiente ha publicado mediciones.

Una entrada de Artificial Analysis permitiría una comprobación relevante, pues el modelo de video H3 de MiniMax ocupó el primer lugar en edición de video en el ranking de ese sitio, y TechTimes informó sobre la misma posición. Un resultado en video no se traslada automáticamente a las imágenes fijas.

La ejecución local requiere descargar 135 GB; una RTX 3090 tardó 55,8 segundos

La tabla de descargas de Hugging Face registra 66,28 GB de pesos del transformador, 2,34 GB del VAE de imágenes y un codificador de texto de 66,7 GB extraído del repositorio de H3: unos 135 GB en total. El README de GitHub ofrece tamaños similares. El catálogo de modelos registra 68,65 GB para el transformador de difusión en BF16, una cifra que parece incluir el VAE. MiniMax es compatible con SGLang, que por defecto funciona en una GPU, y recomienda paralelismo de secuencia en cuatro GPU para reducir la latencia. OrcaRouter incluye vLLM-Omni, diffusers y ComfyUI entre los entornos adicionales. La wiki de ComfyUI registra archivos de difusión de entre 12,5 y 40,2 GB, desde una compilación w4a8 hasta bf16, pero no indica los requisitos de memoria de video.

Las primeras cifras de la comunidad recopiladas por Neurohive muestran la diferencia. Un usuario informó que generó una imagen 4K en 55,79 segundos con una RTX 3090, pesos INT8 y un límite de potencia de 250 W: aproximadamente 5,4 veces la mediana de Highspeed. Otro reportó 547 segundos en un Mac mini con 64 GB de memoria y un chip M5 Pro, con un pico de memoria cercano a 45 GiB y unos 40 segundos dedicados a codificar la instrucción. Son reportes de la comunidad, no pruebas controladas. Algunos usuarios tampoco pudieron acceder a los pesos de Hugging Face durante el lanzamiento, aunque el enlace funcionó posteriormente.

El umbral de ingresos de la licencia es de US$1 millón, una vigésima parte del de H3 Video

H3-Image se distribuye bajo el Acuerdo de licencia comunitaria MiniMax-H3-Image, que también cubre el expansor de instrucciones complementario. Es una licencia personalizada, no una licencia estándar de código abierto. Su territorio de aplicación es mundial, excepto la Unión Europea, Reino Unido, Corea del Sur y Estados Unidos; MiniMax afirma que puede conceder licencias separadas para esos territorios. Las empresas con ingresos anualizados superiores a US$1 millón, así como cualquier empresa que ofrezca el modelo como servicio alojado a terceros, necesitan autorización previa por escrito de MiniMax. Los productos comerciales deben mostrar de forma visible el nombre "MiniMax-H3-Image". La sección V.3 prohíbe utilizar el modelo o sus resultados para mejorar otro modelo de IA, y la licencia define la destilación y el entrenamiento con datos sintéticos como creación de derivados del modelo. La legislación de Hong Kong rige el acuerdo y los tribunales de Hong Kong tienen jurisdicción exclusiva.

El umbral es más estricto. La licencia del modelo de video H3 fija el requisito de autorización en US$20 millones de ingresos anuales. Por tanto, la línea de US$1 millón de H3-Image equivale a una vigésima parte, aunque mantiene los mismos cuatro territorios excluidos, como informó TechTimes sobre la licencia de video. La publicación de lanzamiento de MiniMax no menciona la licencia.

Los datos de la API alojada están sujetos a la Ley de Inteligencia Nacional de China; su aplicación es objeto de debate

MiniMax tiene su sede en Shanghái y cotiza en la Bolsa de Hong Kong desde el 9 de enero de 2026. El artículo 7 de la Ley de Inteligencia de China de 2017 establece que las organizaciones y los ciudadanos deben apoyar, ayudar y cooperar con las labores de inteligencia nacional, mientras que el artículo 14 permite a las instituciones de inteligencia solicitar esa colaboración. La Ley de Ciberseguridad de 2017 y la Ley de Seguridad de los Datos, vigente desde el 1 de septiembre de 2021, añaden normas sobre gestión de datos y transferencias transfronterizas, algunas aplicables solo a operadores de infraestructura crítica o a los llamados "datos importantes". Según el texto de las leyes, esa obligación alcanza a MiniMax como organización china, sin importar su política de privacidad. Por tanto, las instrucciones y las imágenes enviadas a la API alojada quedan dentro de un régimen jurídico que los usuarios extranjeros de servicios en la nube no controlan. Un análisis de China Law Translate sostiene que el artículo 7 no tiene por sí mismo un mecanismo de aplicación y quizá no exige recopilar datos activamente, aunque añade que el Gobierno puede presionar a las personas con independencia de esa ley.

MiniMax no ha reconocido ninguna solicitud de datos por parte del Gobierno y, según el informe de TechTimes del 31 de julio, no se ha confirmado ningún incidente específico. Descargar los pesos elimina la ruta de datos de la API alojada, pero los usuarios de Estados Unidos, la Unión Europea, Reino Unido y Corea del Sur están en territorios excluidos por la licencia y no pueden utilizar esa alternativa sin un permiso separado de MiniMax. El README del repositorio no menciona una auditoría de seguridad de los pesos, y tampoco aparece ninguna en la cobertura citada aquí.

Cuatro aspectos que deben revisarse antes de adoptar H3-Image: velocidad, control, verificación y legislación

La generación nativa en 4K con seis pasos y la edición con múltiples referencias en un único punto de control representan un objetivo técnico notable para un lanzamiento con pesos abiertos. Un equipo que evalúe si el modelo se ajusta a sus necesidades debería revisar cuatro aspectos. En velocidad, solo el plan Highspeed registra una mediana cercana a 10 segundos, con un precio de lista aproximadamente 1,9 veces superior al de Standard; además, la cifra proviene de los datos de latencia de API de Neurohive y no cuenta con confirmación de un laboratorio independiente. En control, los seis pasos, la escala de guía de 1 y la ausencia de instrucciones negativas no pueden modificarse; las primeras pruebas detectaron problemas con textos pequeños y detalles omitidos. En verificación, todavía no existe un informe técnico, una puntuación de referencia ni una entrada de imágenes de MiniMax en Artificial Analysis. En materia legal y operativa, la licencia excluye a Estados Unidos, la Unión Europea, Reino Unido y Corea del Sur, exige autorización escrita por encima de US$1 millón de ingresos, prohíbe utilizar los resultados para entrenar otros modelos y somete los datos de la API alojada a la Ley de Inteligencia Nacional de China. La ejecución local requiere descargar unos 135 GB y las pruebas de la comunidad van de 55,8 a 547 segundos. Probar ambos planes con las instrucciones propias antes de que termine el descuento, el 17 de noviembre —cuando la licencia lo permita—, aportaría las cifras independientes que no ofrecen los materiales de lanzamiento de MiniMax.

Preguntas frecuentes

¿MiniMax H3-Image realmente puede crear una imagen 4K en menos de 10 segundos?

Esa es la afirmación de MiniMax, que no identifica el hardware utilizado para la medición. Neurohive reporta medianas de 10,3 segundos en Highspeed y 16,0 segundos en Standard para texto a imagen en 4K. Al 11 de noviembre, OrcaRouter no había encontrado mediciones de terceros.

¿Por qué H3-Image no admite instrucciones negativas ni pasos de muestreo adicionales?

El punto de control fue destilado a seis evaluaciones de función con la guía incorporada. Por eso no existe una pasada de guía separada que una instrucción negativa pueda utilizar para orientar el resultado, y la API devuelve un error ante cualquier otro número de pasos o valor de guía. Los modelos guiados estándar necesitan dos evaluaciones de red por paso, que es el costo que elimina este diseño.

¿H3-Image se puede utilizar comercialmente de forma gratuita?

No sin condiciones. Las empresas con ingresos anualizados superiores a US$1 millón y quienes alojen el modelo como servicio para terceros necesitan autorización previa por escrito de MiniMax. Además, la licencia excluye cuatro territorios: la Unión Europea, Reino Unido, Corea del Sur y Estados Unidos, salvo que MiniMax conceda un permiso separado.

¿Puedo ejecutar H3-Image en un computador personal?

En términos técnicos, en algunos casos sí. La comunidad reportó 55,79 segundos para una imagen 4K en una RTX 3090 con pesos INT8 y 547 segundos en un Mac mini con 64 GB de memoria y un M5 Pro, después de descargar unos 135 GB de componentes o archivos de difusión más pequeños de ComfyUI. Los usuarios de los territorios excluidos también necesitarían el permiso de licencia separado de MiniMax para ejecutarlo legalmente.