MiniMax H3 Image 实测:原生 4K、16 张参考图合成,再接 H3 做成视频

MiniMax H3 Image 对比 Seedream 5.5:产品图、人像、海报字、夜景、4K 细节、六图合成和改图,再接 H3 做成视频。
MiniMax 在 11 月 11 日发布了 H3 Image,和 MiniMax H3 视频模型是一家。官方博客里的卖点写得很直接:原生 4K,一次最多喂 16 张参考图,生成和改图用同一个模型。比较少见的是,权重直接公开在了 Hugging Face 上。
ZOOOP 今天把 MiniMax H3 Image 接进了 AI 图像生成。上线前我拿它和 Seedream 5.5 用同一批提示词各跑了一遍,又把其中一张交给 H3 视频,看出来的图能不能直接动起来。
MiniMax H3 Image 是什么
能调的参数不多,但每项都给得很宽。提示词最长 32,000 个字符,一整页分镜说明都塞得下。画幅有 21:9、16:9、3:2、4:3、1:1、3:4、2:3、9:16 八种。分辨率只有 2K 和 4K 两档,4K 的长边大约 5,120 像素,16:9 出来就是 5120×2891。
参考图槽空着就是文生图,放进 1 到 16 张就变成改图或合成。它做不了透明背景,要抠好底的贴纸、图标,得换模型。
价格上,MiniMax H3 Image 的 2K 属于便宜的那一档,和 Seedream 5.5 同一个档位;4K 贵一些。
怎么测的
对照组是 Seedream 5.5。它最高只到 2K,所以两边都开 2K,每条提示词各出一张:
- 写实产品:手作斑点陶瓷咖啡杯,亚麻桌布上有咬过一口的羊角包和一枝迷迭香,晨光,4:3
- 环境人像:清晨的石头面包房,手臂沾着面粉的老面包师,3:4
- 复古旅行海报:大标题「VISIT THE NORTHERN LIGHTS」,底部「Tromsø · Winter 2026」,极光下的红色小屋,2:3
- 雨夜夜市航拍:成百盏灯笼、冒蒸汽的小吃摊、湿地面反光、撑伞的人,16:9
后面又加了几项:夜市那条用 4K 再出一张;六张参考图合成一个咖啡店橱窗;一张柯基照片改成下雪天;最后把咖啡杯那张交给 H3 视频,做一条 5 秒短片。
写实产品和人像:和 Seedream 5.5 比
咖啡杯这条两边都能直接用,差在气质上。H3 这张光更暖,羊角包摆得大、离镜头近,断面和碎屑都在前景,是广告图的构图。Seedream 5.5 把羊角包放进小盘子推到了后面,桌布带点灰绿,整体更素净。

左:H3 Image,右:Seedream 5.5
人像差得更明显。H3 给的是一个有故事的画面:老太太在案板前干活,手边一根擀面杖,小臂全是面粉,身后架子摆满面包,窗光从左边打进来。Seedream 5.5 拍成了一张正面肖像,人端正地看着镜头,面包房退成了背景。做品牌故事配图,H3 这张更好用;只要一张干净的人物照,Seedream 那张也没毛病。

左:H3 Image,右:Seedream 5.5
海报文字和大场景
海报考的是写字。两边的大标题和底部那行「Tromsø · Winter 2026」都写对了。不过 MiniMax H3 Image 在大标题下面自己加了一行「Norway」。特罗姆瑟确实在挪威,可提示词里没有这一行,要是客户的定稿文案,这种自作主张就得返工。

左:H3 Image,右:Seedream 5.5
夜市两边都拍得很好,灯笼、蒸汽、地上的倒影一样不少。H3 是更正的俯视,像无人机悬在街道上方;Seedream 5.5 角度更斜,看得到远处的楼,纵深更强。这组算打平,看你要哪种视角。

左:H3 Image,右:Seedream 5.5
4K 能看到什么细节
夜市这条,我又用 MiniMax H3 Image 的 4K 出了一张,实际尺寸 5120×2891。缩小看和 2K 差不多,放大到 100% 才看出用处。

4K 出的夜市整图,这里缩小显示
把左边的面摊裁出来,锅里的蒸汽、一碗碗菜、透明雨伞上的反光都还清楚,没糊成一片。大招牌上的「拉麵 NOODLES」「炒飯 FRIED RICE」也写得清清楚楚。问题出在小字:招牌旁边那几个小号汉字,放大一看是乱码。

4K 原图左侧面摊的局部,100% 裁切,左上角是招牌
所以 4K 适合之后还要放大、裁切的写实画面,比如从一张大场景里裁出好几张社媒配图。别指望它把小字写对。速度上 4K 不比 2K 慢多少:这次 2K 大约 28 到 50 秒一张,4K 大约 28 到 61 秒。Seedream 5.5 的 2K 是 24 到 35 秒,稍快一点。
六张图合成一张、改图
MiniMax H3 Image 最多能放 16 张参考图,Seedream 5.5 最多 10 张。这次放了六张,要一个咖啡店橱窗:前面几样摆在木台上,情绪板里的红色自行车停在窗外,三张海报挂在后墙。

六张参考图,从左到右:茶叶罐和茶袋、马克杯和羊角包、毛毡机器人玩具、白色茶壶、情绪板、三张插画海报
两边都把六样东西放齐了,茶叶罐上的花、机器人、海报都和参考图对得上。差别在位置:H3 把自行车摆进了店里,就靠在桌边;Seedream 5.5 老老实实停在了窗外的人行道上。这次测试里,多图合成的位置关系 H3 没听,做合成图最好出完核对一遍。用时上 H3 这张 51 秒,Seedream 39 秒。

左:H3 Image,右:Seedream 5.5
改图测的是 AI 图像编辑 里最常见的需求:一张柯基扒着台子、旁边立着黄色瓶子的手机照片,改成下雪天,柯基和瓶子不动。两边都做到了,柯基的姿势和瓶子都没变。H3 的雪更厚、色调更冷,Seedream 留了更多原图的暖色,两张都能用。H3 改这张花了大约 71 秒,比文生图慢。

从左到右:原照片、H3 Image 改的雪景、Seedream 5.5 改的雪景
接 H3 做成视频
H3 Image 和 MiniMax H3 视频模型是一家,所以最后把咖啡杯那张当首帧交给 H3 视频,480p、5 秒,提示词是:热气升起,镜头慢推,一只手从右边伸进来拿起羊角包。在 ZOOOP 上用 首尾帧生成视频,只放首帧就行。
三件事都做到了。热气在升,镜头在推,一只手从右边进来把羊角包拿起,手的动作也自然。但穿帮了一处:那个被咬过一口的羊角包,被拿起来时变成了完整的,对一下第一帧和最后两帧就看得出。模型记住了羊角包,忘了它被咬过。可以试着在视频提示词里再强调一次"咬过一口",或者干脆用完整的羊角包当首帧。

H3 视频按时间顺序取的五帧,从左到右;后两帧里羊角包已经变完整了
这条视频生成用了大约 171 秒。
怎么选
要 4K、要能放大裁切的写实大图、要一次喂很多参考图,用 MiniMax H3 Image。它的产品图和人像画面感强,更像拍出来的广告和纪实照片。
要透明背景、要一轮轮稳定地改同一张图、要东西严格按位置摆,Seedream 5.5 更稳,这次自行车只有它放对了地方。文字很密的版式,比如菜单和信息图,两个都不是首选,去找 GPT Image 2.6。
还有个顺手的地方:出完的图可以直接交给 H3 视频当首帧。想试的话打开 MiniMax H3 Image,先用 2K 跑几张找方向,满意了再上 4K。
常见问题
MiniMax H3 Image 最多能放几张参考图?
最多 16 张。不放图是文生图,放了图就能改图或者多图合成。Seedream 5.5 最多 10 张。
MiniMax H3 Image 能出透明背景吗?
不能。需要透明底的贴纸、图标或产品抠图,可以用 Seedream 5.5。
4K 出来的图有多大?
长边大约 5,120 像素,比如 16:9 是 5120×2891。2K 和 4K 都能选八种画幅。
MiniMax H3 Image 能本地部署吗?
权重公开在 Hugging Face 上,可以自己下载部署,硬件要求以官方说明为准。在 ZOOOP 上直接用不需要部署,打开模型页写提示词就行。
H3 Image 和 H3 视频怎么配合?
先出一张图,再把它当首帧交给 H3 视频,写清楚画面怎么动。细节可能在视频里变样,比如这次的羊角包被拿起来时少了咬痕。





