MiniMax H3 Image 實測:原生 4K、16 張參考圖合成,再接 H3 做成影片

MiniMax H3 Image 和 Seedream 5.5 同提示詞對比:產品圖、人像、海報文字、夜景,4K 細節、六圖合成、改圖,再接 H3 影片動起來。
MiniMax 在 11 月 11 日發布了 H3 Image,和 MiniMax H3 影片模型是一家。官方部落格裡的賣點寫得很直接:原生 4K,一次最多餵 16 張參考圖,生成和改圖用同一個模型。比較少見的是,權重直接公開在了 Hugging Face 上。
ZOOOP 今天把 MiniMax H3 Image 接進了 AI 圖像生成。上線前我拿它和 Seedream 5.5 用同一批提示詞各跑了一遍,又把其中一張交給 H3 影片,看出來的圖能不能直接動起來。
MiniMax H3 Image 是什麼
能調的參數不多,但每項都給得很寬。提示詞最長 32,000 個字元,一整頁分鏡說明都塞得下。畫幅有 21:9、16:9、3:2、4:3、1:1、3:4、2:3、9:16 八種。解析度只有 2K 和 4K 兩檔,4K 的長邊大約 5,120 像素,16:9 出來就是 5120×2891。
參考圖欄位空著就是文生圖,放進 1 到 16 張就變成改圖或合成。它做不了透明背景,要去背好的貼紙、圖示,得換模型。
價格上,MiniMax H3 Image 的 2K 屬於便宜的那一檔,和 Seedream 5.5 同一個檔位;4K 貴一些。
怎麼測的
對照組是 Seedream 5.5。它最高只到 2K,所以兩邊都開 2K,每條提示詞各出一張:
- 寫實產品:手作斑點陶瓷咖啡杯,亞麻桌布上有咬過一口的可頌和一枝迷迭香,晨光,4:3
- 環境人像:清晨的石砌麵包店,手臂沾著麵粉的老麵包師傅,3:4
- 復古旅行海報:大標題「VISIT THE NORTHERN LIGHTS」,底部「Tromsø · Winter 2026」,極光下的紅色小屋,2:3
- 雨夜夜市空拍:成百盞燈籠、冒蒸氣的小吃攤、濕地面反光、撐傘的人,16:9
後面又加了幾項:夜市那條用 4K 再出一張;六張參考圖合成一個咖啡店櫥窗;一張柯基照片改成下雪天;最後把咖啡杯那張交給 H3 影片,做一支 5 秒短片。
寫實產品和人像:和 Seedream 5.5 比
咖啡杯這條兩邊都能直接用,差在氣質上。H3 這張光更暖,可頌擺得大、離鏡頭近,斷面和碎屑都在前景,是廣告圖的構圖。Seedream 5.5 把可頌放進小盤子推到了後面,桌布帶點灰綠,整體更素淨。

左:H3 Image,右:Seedream 5.5
人像差得更明顯。H3 給的是一個有故事的畫面:老太太在砧板前幹活,手邊一根擀麵棍,小臂全是麵粉,身後架子擺滿麵包,窗光從左邊打進來。Seedream 5.5 拍成了一張正面肖像,人端正地看著鏡頭,麵包店退成了背景。做品牌故事配圖,H3 這張更好用;只要一張乾淨的人物照,Seedream 那張也沒毛病。

左:H3 Image,右:Seedream 5.5
海報文字和大場景
海報考的是寫字。兩邊的大標題和底部那行「Tromsø · Winter 2026」都寫對了。不過 MiniMax H3 Image 在大標題下面自己加了一行「Norway」。特羅姆瑟確實在挪威,可是提示詞裡沒有這一行,要是客戶的定稿文案,這種自作主張就得返工。

左:H3 Image,右:Seedream 5.5
夜市兩邊都拍得很好,燈籠、蒸氣、地上的倒影一樣不少。H3 是更正的俯視,像無人機懸在街道上方;Seedream 5.5 角度更斜,看得到遠處的樓,縱深更強。這組算打平,看你要哪種視角。

左:H3 Image,右:Seedream 5.5
4K 能看到什麼細節
夜市這條,我又用 MiniMax H3 Image 的 4K 出了一張,實際尺寸 5120×2891。縮小看和 2K 差不多,放大到 100% 才看出用處。

4K 出的夜市整圖,這裡縮小顯示
把左邊的麵攤裁出來,鍋裡的蒸氣、一碗碗菜、透明雨傘上的反光都還清楚,沒糊成一片。大招牌上的「拉麵 NOODLES」「炒飯 FRIED RICE」也寫得清清楚楚。問題出在小字:招牌旁邊那幾個小號漢字,放大一看是亂碼。

4K 原圖左側麵攤的局部,100% 裁切,左上角是招牌
所以 4K 適合之後還要放大、裁切的寫實畫面,比如從一張大場景裡裁出好幾張社群配圖。別指望它把小字寫對。速度上 4K 不比 2K 慢多少:這次 2K 大約 28 到 50 秒一張,4K 大約 28 到 61 秒。Seedream 5.5 的 2K 是 24 到 35 秒,稍快一點。
六張圖合成一張、改圖
MiniMax H3 Image 最多能放 16 張參考圖,Seedream 5.5 最多 10 張。這次放了六張,要一個咖啡店櫥窗:前面幾樣擺在木檯上,情緒板裡的紅色腳踏車停在窗外,三張海報掛在後牆。

六張參考圖,由左到右:茶葉罐和茶包、馬克杯和可頌、毛氈機器人玩具、白色茶壺、情緒板、三張插畫海報
兩邊都把六樣東西放齊了,茶葉罐上的花、機器人、海報都和參考圖對得上。差別在位置:H3 把腳踏車擺進了店裡,就靠在桌邊;Seedream 5.5 老老實實停在了窗外的人行道上。這次測試裡,多圖合成的位置關係 H3 沒聽,做合成圖最好出完核對一遍。用時上 H3 這張 51 秒,Seedream 39 秒。

左:H3 Image,右:Seedream 5.5
改圖測的是 AI 圖像編輯 裡最常見的需求:一張柯基扒著檯子、旁邊立著黃色瓶子的手機照片,改成下雪天,柯基和瓶子不動。兩邊都做到了,柯基的姿勢和瓶子都沒變。H3 的雪更厚、色調更冷,Seedream 留了更多原圖的暖色,兩張都能用。H3 改這張花了大約 71 秒,比文生圖慢。

由左到右:原照片、H3 Image 改的雪景、Seedream 5.5 改的雪景
接 H3 做成影片
H3 Image 和 MiniMax H3 影片模型是一家,所以最後把咖啡杯那張當首幀交給 H3 影片,480p、5 秒,提示詞是:熱氣升起,鏡頭慢推,一隻手從右邊伸進來拿起可頌。在 ZOOOP 上用 首尾幀生成影片,只放首幀就行。
三件事都做到了。熱氣在升,鏡頭在推,一隻手從右邊進來把可頌拿起,手的動作也自然。但穿幫了一處:那個被咬過一口的可頌,被拿起來時變成了完整的,對照一下第一幀和最後兩幀就看得出。模型記住了可頌,忘了它被咬過。可以試著在影片提示詞裡再強調一次「咬過一口」,或者乾脆用完整的可頌當首幀。

H3 影片按時間順序取的五幀,由左到右;後兩幀裡可頌已經變完整了
這支影片生成花了大約 171 秒。
怎麼選
要 4K、要能放大裁切的寫實大圖、要一次餵很多參考圖,用 MiniMax H3 Image。它的產品圖和人像畫面感強,更像拍出來的廣告和紀實照片。
要透明背景、要一輪輪穩定地改同一張圖、要東西嚴格按位置擺,Seedream 5.5 更穩,這次腳踏車只有它放對了地方。文字很密的版面,比如菜單和資訊圖表,兩個都不是首選,去找 GPT Image 2.6。
還有個順手的地方:出完的圖可以直接交給 H3 影片當首幀。想試的話打開 MiniMax H3 Image,先用 2K 跑幾張找方向,滿意了再上 4K。
常見問題
MiniMax H3 Image 最多能放幾張參考圖?
最多 16 張。不放圖是文生圖,放了圖就能改圖或者多圖合成。Seedream 5.5 最多 10 張。
MiniMax H3 Image 能出透明背景嗎?
不能。需要透明底的貼紙、圖示或產品去背圖,可以用 Seedream 5.5。
4K 出來的圖有多大?
長邊大約 5,120 像素,比如 16:9 是 5120×2891。2K 和 4K 都能選八種畫幅。
MiniMax H3 Image 能本機部署嗎?
權重公開在 Hugging Face 上,可以自己下載部署,硬體需求以官方說明為準。在 ZOOOP 上直接用不需要部署,打開模型頁寫提示詞就行。
H3 Image 和 H3 影片怎麼搭配?
先出一張圖,再把它當首幀交給 H3 影片,寫清楚畫面怎麼動。細節可能在影片裡變樣,比如這次的可頌被拿起來時少了咬痕。





