MiniMax H3-Image ทดสอบ 52 ภาพ: ภาพ 4K ราว $0.035 ต่อภาพ

เนื้อหาในคลิป

สิ่งที่ MiniMax ประกาศ และข้อจำกัดของ open weights

MiniMax ระบุว่า H3-Image สร้างภาพ 16 megapixel ออกจากโมเดลโดยตรงโดยไม่ต้องใช้ upscaler รายละเอียดไม่เรียบเนียนแบบภาพ AI ทำตาม prompt ได้ดีขึ้น และแก้ไขภาพโดยใช้ภาพอ้างอิงได้สูงสุด 16 ภาพในครั้งเดียว ผู้ทำคลิปเทียบว่า 4K คือ 16 megapixel ขณะที่โมเดลส่วนใหญ่ให้ภาพราว 1 megapixel เป็นค่าเริ่มต้น

ตัวโมเดลเป็น diffusion transformer ขนาด 33 พันล้านพารามิเตอร์ ต่อยอดจากโมเดลวิดีโอ H3 โดยตัดส่วนเสียงออก ใช้ text encoder Qwen 3 VL ตัวเดียวกับ H3 และถูกย่อให้เหลือ 6 steps การสร้างและการแก้ไขภาพอยู่ในโมเดลเดียว MiniMax อ้างว่าได้ภาพ 4K ในเวลาไม่ถึง 10 วินาที

แม้จะเปิด weights แต่ผู้ทำคลิปย้ำว่าไม่ใช่ของที่รันบน laptop ได้ ไฟล์โมเดลภาพหนักราว 69 GB และ text encoder อีก 67 GB จึงต้องใช้ GPU ระดับ data center ร่วมกับ SGLang, vLLM-Omni, Diffusers หรือ ComfyUI นอกจากนี้ license เป็นแบบ community license ซึ่งการใช้งานบางประเภทต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก MiniMax

ราคาและวิธีทดสอบผ่าน OpenRouter

OpenRouter คิดเงินตาม token โดย 1 token ครอบคลุมพื้นที่ภาพ 32 x 32 pixel ราคาตามป้ายของภาพ 4K เต็มขนาดอยู่ที่ราว 7 เซนต์ แต่ผู้ทำคลิปจ่ายจริงประมาณ 3.5 เซนต์ ซึ่งตรงกับส่วนลดช่วงสัปดาห์เปิดตัวของ MiniMax ส่วนโหมด high speed ราคาเป็นสองเท่า การทดสอบทั้ง 52 ครั้งใช้เงินรวมไม่ถึง $2

เครื่องมือทดสอบเป็น Python script สั้น ๆ ที่ส่ง prompt ไป OpenRouter บันทึกภาพ จดค่าใช้จ่ายจริงของแต่ละ call และหยุดเองถ้า call ถัดไปอาจทำให้เกินงบ บาง prompt นำมาจากคลิปก่อนหน้าที่ทดสอบ Qwen-Image 2.1 Turbo เพื่อเทียบผลของสองโมเดลแบบเคียงกัน

ผลทดสอบการสร้างภาพ: จุดแข็งและจุดที่พลาด

ด้านความสมจริง ภาพ portrait ที่เห็นเครา ผิว และหยดฝนบนแจ็กเก็ตดูใกล้ภาพถ่ายจริงกว่าผลของ Qwen ภาพตลาดดอกไม้เมื่อซูมเข้าไปยังอ่านป้ายราคาได้ และโมเดลแต่งราคาขึ้นมาเองโดยสะกดถูก โปสเตอร์ meetup ถูกทุกคำรวมถึง footer ตัวเล็ก เมนูร้านกาแฟ 12 รายการพร้อมราคาและเวลาเปิดปิดก็ออกมาครบ

ป้าย metro ห้าภาษาได้ภาษาอังกฤษ จีน และญี่ปุ่นถูกต้อง แต่ภาษา Kannada และ Hindi สะกดผิด โจทย์เลขบนกระดานดำสามข้อ โมเดลตอบถูกทั้งหมดพร้อมวิธีทำ คือ 105, 1,786 และ x = 7 มีเพียงคำว่า rupees ที่สะกดเป็น rubies

จุดที่พลาดชัดคือการทำตามคำสั่งแบบเจาะจง ขอแอปเปิล 7 ลูกได้ 5 ลูก ดินสอไปอยู่ข้างแก้วแทนที่จะอยู่ใต้แก้ว นาฬิกาที่ขอให้เป็น 4:47 กลับชี้ราว 11:25 และ bar chart มีตัวเลขกำกับถูก แต่ความสูงของแท่งไม่ตรงกับตัวเลข ส่วน infographic อธิบายการทำงานของ LLM การ์ตูนสี่ช่อง character sheet ภาพ panorama 3:1 และภาพแนวตั้ง 1:3 ออกมาดี

การแก้ไขภาพ 16 reference และความเร็วจริง

ในงานแก้ไข H3-Image ทำได้ดีกว่า Qwen Turbo ทุก prompt ที่นำมาใช้ซ้ำ เช่น ภาพร่างเรือยอชต์ที่ยังคงช่องหน้าต่างสองแถวและเรือชูชีพสองลำไว้ หรือการเปลี่ยนเสื้อเป็นเสื้อกันฝนสีเหลืองพร้อมร่มดำโดยที่ใบหน้าและฉากถนนไม่เปลี่ยน งานแก้เฉพาะจุดบนโปสเตอร์ การซ่อมภาพครอบครัวเก่า และการลบคนออกจากภาพก็ผ่านทั้งหมด

การทดสอบ 16 reference ใช้ห้องเปล่าหนึ่งภาพกับภาพเฟอร์นิเจอร์และของตกแต่ง 15 ภาพในคำขอเดียว โมเดลวางครบทั้ง 15 ชิ้นแต่กระถางต้นไม้กลืนไปกับฐานโคมไฟและชั้นหนังสือถูกบีบ งานนี้ใช้เวลา 50 วินาที

เรื่องความเร็ว ผู้ทำคลิปไม่เห็นตัวเลข 10 วินาที ภาพ 4K ผ่าน OpenRouter ใช้ราว 21 วินาที และงานแก้ไขราว 26 วินาที ซึ่งเป็นเวลารวมไปกลับที่นับการดาวน์โหลดไฟล์แล้ว โหมด high speed ทำภาพตลาดได้ใน 14.5 วินาทีโดยคุณภาพแทบไม่ต่าง