MiniMax H3 Image w teście: natywne 4K, 16 obrazów referencyjnych i obraz na wideo z H3

MiniMax H3 Image kontra Seedream 5.5 na tych samych promptach: produkt, portret, tekst plakatu, nocny targ, detale 4K, łączenie 6 zdjęć, edycja i wideo.
11 listopada MiniMax wypuścił H3 Image, model siostrzany do swojego modelu wideo MiniMax H3. Przekaz oficjalnego wpisu na blogu jest bezpośredni: natywne 4K, do 16 obrazów referencyjnych w jednym zapytaniu i jeden model zarówno do generowania, jak i do edycji. Mniej typowe jest to, że wagi są otwarcie dostępne na Hugging Face.
ZOOOP dodał dziś MiniMax H3 Image do narzędzia Generator obrazu. Zanim trafił na stronę, puściłem go i Seedream 5.5 przez ten sam zestaw promptów, a potem przekazałem jeden z wyników modelowi wideo H3, żeby sprawdzić, czy kadr z niego od razu ruszy.
Czym jest MiniMax H3 Image
Ustawień nie ma wiele, ale każde jest hojne. Prompt może mieć do 32 000 znaków, co wystarczy na całą stronę notatek do storyboardu. Masz osiem proporcji obrazu: 21:9, 16:9, 3:2, 4:3, 1:1, 3:4, 2:3 i 9:16. Rozdzielczość ma tylko dwa stopnie, 2K i 4K. W 4K dłuższy bok ma około 5120 pikseli, więc obraz 16:9 wychodzi w 5120×2891.
Zostaw pole referencji puste, a dostaniesz tekst na obraz. Wrzuć od 1 do 16 obrazów, a model je edytuje lub łączy. Nie potrafi za to przezroczystego tła, więc do naklejek czy ikon, które potrzebują czystego wycięcia, potrzebny będzie inny model.
Jeśli chodzi o cenę, opcja 2K mieści się w tańszym przedziale, tym samym co Seedream 5.5. 4K kosztuje więcej.
Jak testowałem
Modelem do porównania jest Seedream 5.5. Kończy na 2K, więc oba działały w 2K, po jednym obrazie na prompt:
- Zdjęcie produktowe: ręcznie robiony nakrapiany ceramiczny kubek na lnianym obrusie, obok nadgryziony croissant i gałązka rozmarynu, poranne światło, 4:3
- Portret środowiskowy: starszy piekarz z rękami w mące w kamiennej piekarni o świcie, 3:4
- Plakat turystyczny w stylu vintage: nagłówek "VISIT THE NORTHERN LIGHTS", na dole "Tromsø · Winter 2026", mała czerwona chatka pod zorzą polarną, 2:3
- Ujęcie z lotu ptaka nocnego targu w deszczu: setki lampionów, parujące stoiska z jedzeniem, odbicia na mokrym bruku, ludzie pod parasolami, 16:9
Potem dorzuciłem kilka dodatkowych prób. Nocny targ poszedł jeszcze raz w 4K, co potrafi tylko MiniMax H3 Image. Sześć obrazów referencyjnych połączyłem w jedną witrynę kawiarni, zdjęcie corgi zamieniłem w śnieżny dzień, a na koniec obraz z kubkiem trafił do modelu wideo H3 po 5-sekundowy klip.
Zdjęcia produktowe i portrety kontra Seedream 5.5
Oba obrazy kubka nadają się do użycia od ręki. Różnica tkwi w nastroju. MiniMax H3 Image postawił na cieplejsze światło i dużego croissanta tuż przy obiektywie, z przekrojem i okruszkami na samym pierwszym planie. To układ reklamowy. Seedream 5.5 położył croissanta na małym talerzyku i odsunął go do tyłu, nadał obrusowi szarozielony odcień i utrzymał cały kadr w spokojniejszym tonie.

Po lewej: H3 Image, po prawej: Seedream 5.5
Portret pokazuje większą różnicę. H3 dał mi scenę z historią: starsza kobieta pracuje przy stole, wałek do ciasta leży przy jej dłoni, przedramiona ma całe w mące, za nią są półki z chlebem, a z lewej wpada światło z okna. Seedream 5.5 zrobił z tego portret en face: piekarz patrzy prosto w obiektyw, a piekarnia rozmywa się w tle. Do opowiadania historii marki wersja H3 jest bardziej przydatna. Jeśli potrzebujesz po prostu czystego zdjęcia osoby, to ze Seedream jest całkowicie w porządku.

Po lewej: H3 Image, po prawej: Seedream 5.5
Tekst na plakacie i duża scena nocna
Plakat to test liternictwa. Oba modele poprawnie napisały nagłówek, a także linijkę "Tromsø · Winter 2026" na dole. MiniMax H3 Image wsunął jednak pod nagłówek dodatkową linijkę "Norway". Tromsø rzeczywiście leży w Norwegii, ale tej linijki nie było w prompcie. Gdyby to był zatwierdzony przez klienta tekst, taka improwizacja oznaczałaby przeróbkę.

Po lewej: H3 Image, po prawej: Seedream 5.5
Z nocnym targiem oba poradziły sobie pięknie. Lampiony, para i odbicia na ziemi są na miejscu. H3 ujął go niemal prosto z góry, jak dron zawieszony nad ulicą. Seedream 5.5 pochylił kąt i pokazał budynki w oddali, co daje więcej głębi. Tu remis. Wszystko zależy od tego, jakiego widoku chcesz.

Po lewej: H3 Image, po prawej: Seedream 5.5
Co tak naprawdę daje 4K
Puściłem prompt z nocnym targiem jeszcze raz na MiniMax H3 Image w 4K i plik wyszedł w 5120×2891. Po zmniejszeniu wygląda mniej więcej jak wersja 2K. Powiększ do 100% i zobaczysz, po co jest.

Pełny obraz nocnego targu w 4K, tutaj pomniejszony
Wytnij stoisko z makaronem po lewej, a wszystko się trzyma: para nad garnkami, rzędy misek, odbicia na przezroczystych parasolach, nic się nie zlewa. Duże szyldy, "拉麵 NOODLES" i "炒飯 FRIED RICE", mają czyste liternictwo. Psuje się drobny tekst. Małe chińskie znaki obok szyldu po powiększeniu okazują się bełkotem.

Stoisko z makaronem z lewej strony oryginału 4K, wycinek w skali 100%, z szyldem w lewym górnym rogu
Dlatego 4K pasuje do realistycznych scen, które planujesz później powiększać albo kadrować, na przykład żeby wyciąć kilka postów do social mediów z jednego szerokiego ujęcia. Nie licz na to, że drobny tekst wyjdzie poprawnie. 4K nie jest też dużo wolniejsze od 2K. W tej rundzie H3 potrzebował około 28–50 sekund na obraz w 2K i około 28–61 sekund w 4K. Seedream 5.5 w 2K zajmował 24–35 sekund, nieco szybciej.
Sześć obrazów w jeden, plus edycja
MiniMax H3 Image przyjmuje do 16 obrazów referencyjnych, a Seedream 5.5 do 10. Użyłem sześciu i poprosiłem o witrynę kawiarni: kilka pierwszych przedmiotów ułożonych na drewnianym blacie, czerwony rower z moodboardu zaparkowany za oknem i trzy plakaty powieszone na tylnej ścianie.

Sześć obrazów referencyjnych, od lewej: puszka herbaty i torebki herbaty, kubek i croissant, filcowa zabawka-robot, biały dzbanek do herbaty, moodboard, trzy ilustrowane plakaty
Oba zmieściły wszystkie sześć, a kwiaty na puszce, robot i plakaty zgadzają się z referencjami. Różnią się rozmieszczeniem. H3 wprowadził rower do środka i oparł go o stolik. Seedream 5.5 zrobił, o co go poproszono, i zostawił go na chodniku za oknem. W tym teście H3 nie wykonał poleceń przestrzennych w kompozycji z wielu obrazów, więc sprawdzaj swoje kompozycje, gdy już się wygenerują. Co do czasu, H3 potrzebował na to 51 sekund, a Seedream 39.

Po lewej: H3 Image, po prawej: Seedream 5.5
Do edycji wypróbowałem najczęstszą prośbę w narzędziu Edytuj obraz: zdjęcie z telefonu, na którym corgi opiera łapy o blat obok żółtej butelki, zamienione w śnieżny dzień bez ruszania psa i butelki. Oba dały radę, a poza corgi i butelka zostały na miejscu. H3 nasypał grubszą warstwę śniegu i poszedł w chłodniejsze barwy, a Seedream zachował więcej ciepła oryginału. Każdy z nich się nada. H3 potrzebował na tę edycję około 71 sekund, więcej niż przy tekście na obraz.

Od lewej: oryginalne zdjęcie, śnieżna edycja H3 Image, śnieżna edycja Seedream 5.5
Od obrazu do wideo z H3
MiniMax H3 Image pochodzi z tej samej rodziny co model wideo MiniMax H3, więc na koniec dałem obraz z kubkiem modelowi wideo H3 jako klatkę początkową: 480p, 5 sekund, prompt "unosi się para, powolny najazd kamery, z prawej wchodzi dłoń i podnosi croissanta". Na ZOOOP to funkcja Klatka początkowa / końcowa z wypełnioną tylko klatką początkową.
Wszystkie trzy rzeczy się wydarzyły. Para się unosi, kamera robi najazd, a dłoń wchodzi z prawej i podnosi croissanta naturalnym ruchem. Jest jednak jeden błąd ciągłości. Nadgryziony croissant po podniesieniu znów jest cały, co widać, porównując pierwszą klatkę z dwiema ostatnimi. Model zapamiętał croissanta, a zapomniał o ugryzieniu. Możesz spróbować powtórzyć w prompcie wideo "nadgryziony" albo po prostu zacząć od klatki z nietkniętym croissantem.

Pięć klatek z klipu z modelu wideo H3 w kolejności czasowej od lewej; na dwóch ostatnich croissant znów jest cały
Generowanie wideo trwało około 171 sekund.
Który wybrać
Wybierz MiniMax H3 Image, gdy potrzebujesz 4K, dużych realistycznych obrazów, które będziesz powiększać i kadrować, albo wielu referencji naraz. Jego zdjęcia produktowe i portrety mają silne poczucie miejsca i bardziej przypominają prawdziwe sesje reklamowe i zdjęcia dokumentalne.
Do przezroczystych teł, stabilnych edycji tego samego obrazu runda po rundzie albo przedmiotów ustawionych dokładnie tam, gdzie chciałeś, bezpieczniejszy jest Seedream 5.5. Tym razem tylko on postawił rower we właściwym miejscu. Do układów z dużą ilością tekstu, jak menu i infografiki, żaden z nich nie jest pierwszym wyborem; sięgnij zamiast tego po GPT Image 2.6.
Jeszcze jedna przydatna rzecz: wszystko, co zrobisz, może od razu trafić do modelu wideo H3 jako klatka początkowa. Żeby spróbować, otwórz MiniMax H3 Image, zrób kilka obrazów w 2K, żeby znaleźć kierunek, a gdy spodoba ci się efekt, przełącz na 4K.
Najczęściej zadawane pytania
Ile obrazów referencyjnych przyjmuje MiniMax H3 Image?
Do 16. Bez obrazu to tekst na obraz; dodaj obrazy, a model je edytuje lub łączy. Seedream 5.5 przyjmuje do 10.
Czy MiniMax H3 Image potrafi tworzyć przezroczyste tła?
Nie. Do naklejek, ikon czy wyciętych produktów na przezroczystym tle użyj Seedream 5.5.
Jak duże są obrazy 4K?
Dłuższy bok ma około 5120 pikseli, więc 16:9 wychodzi w 5120×2891. Zarówno 2K, jak i 4K oferują wszystkie osiem proporcji obrazu.
Czy mogę uruchomić MiniMax H3 Image lokalnie?
Wagi są publicznie dostępne na Hugging Face, więc możesz je pobrać i uruchomić samodzielnie; wymagania sprzętowe sprawdź w oficjalnych notatkach. Na ZOOOP nie trzeba niczego konfigurować: otwórz stronę modelu i napisz prompt.
Jak H3 Image i model wideo H3 współpracują?
Najpierw zrób obraz, potem przekaż go modelowi wideo H3 jako klatkę początkową i opisz, jak scena ma się poruszać. Szczegóły w wideo mogą się zmienić, jak tutaj, gdzie croissant po podniesieniu stracił ślad ugryzienia.





