MiniMax H3 Image开源：16张参考图、又快又便宜，为何仍没赢GPT？
真拿来干活，差距就出来了。
闫俊杰前两天才说过，自己眼下的全部精力都压在M3 Pro上。话音未落，11日凌晨
MiniMax先端出一道前菜——H3 Image，模型权重也一并开放，多模态这条路走得很坚决。
正式评测开始前，先看看H3 Image的几个核心功能点。
这款模型从早前的H3多模态模型衍生而来，文生图、图片编辑之外，最多能接收16张参考图。官方着重提了四点：出图速度、画面真实感、对复杂指令的遵循，以及价格便宜。一张约1600万像素的4K图片，最快10秒就能生成，花费不到3毛钱。
不过就在几天前，11月4日，OpenAI拿出了GPT Image 2.6，升级重点同样落在生成速度、图像编辑和视觉一致性上。两个模型前后脚亮相，不免让人想问：MiniMax这回到底追上GPT没有？
第四波把两款模型拉来做几轮实测。生活纪实、科技封面、中文海报、工业爆炸图、多参考图融合，再到3A游戏场景，画质统一用2K，看差距究竟有多大。
画面真实感，MiniMax确实有点东西
第一轮，让两款模型各出一张上海老居民区的雨后街景。要求画面里有修自行车的老人、拎着塑料袋走过的年轻女性，还有远处交谈的行人；不要电影滤镜，也不要刻意做戏剧性光效。
（左/
GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6交出的结果很稳。老人、年轻女性、远处行人基本都在指定位置，建筑、便利店、电动车这些环境元素也交代得比较完整。
可整张图太工整了，街道、人物、光线全都恰到好处，反倒丢了真实生活里那点随意。
MiniMax H3 Image这边，画面多出几分生活本身的粗粝。
老人脸上的皱纹、粗糙的双手、自行车上的锈迹，还有斑驳的墙面，质感都出来了。整体更粗粝，街头人文纪实摄影的味道更足。
偏差也很明显。要求的是年轻女性，生成的人物看着明显偏成熟，指定的便利店也没能清晰呈现。
H3 Image确实已经能出相当有生活气息的纪实照片，但追真实质感的同时，对具体指令的准确执行难免打折扣。不少开发者用过之后说它“几乎没有AI味”，原因或许就在这里。
这一轮，H3 Image的真实质感值得肯定；可作为评测，GPT Image 2.6执行指令更准，综合看小幅领先。
第二轮考视觉审美：以“AI算力与能源”为题，给两款模型出题，设计一张纯净的高端科技杂志封面，不加任何文字和Logo。
（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6把数据中心、输电铁塔和变电设施放进同一个场景，结构完整、主题清楚，但看上去更像一张精致的商业效果图，设计语言不算新鲜。
H3 Image反倒更有自己的调子。
它留出大片天空，建筑和输电线路压在画面下方，灰褐色调克制、自然，整体更接近纪实摄影，杂志封面的视觉氛围也更浓。
问题在于，数据中心被画得太像普通工业厂房，右侧还冒出容易让人想到传统发电厂的冷却塔。个人感觉，AI算力这个主题被弱化了一些。
这一轮，要论信息表达，GPT Image更准确；要看审美和摄影氛围，我更偏向H3 Image。
两轮下来能看出，MiniMax H3 Image确实有了和头部生图模型掰手腕的能力，也不再只靠低价吸引用户，画面质感和审美都拿得出手。
真拿来干活，差距就出来了
难度再往上提一档。
第三轮，我们让两个模型分别设计一张中文商业海报。会议名称、时间、地点要写全，六项议程一项不能落，错字和信息缺失都不允许。
两款模型交出的中文答卷其实都还行，指定文字和时间都对上了，有些出乎意料。
但设计上的差距，说起来就复杂了。
（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6走的是黑橙配色。标题、议程、主办方信息各有清晰的视觉层级，整体已经算得上一张能用的商业海报。顶部标题略显拥挤，右侧那块大面积橙色图形也有点用力过猛，不过完整的设计思路还是看得出来。
另一边，H3 Image直接走到了反方向。
米白背景上，所有信息排得规规矩矩，文字没毛病，留白也够，可视觉表达实在太单薄。看上去更像一份会议通知，或者没做完的PPT。
文字要求它是读懂了，设计任务却没真正完成。这一轮的胜负，应该不用多说了。
第四轮考的是更复杂的工业产品爆炸图。
要求写得很清楚：一款手持探照灯，按顺序拆成7个主要部件，中文名称逐个标注准确，另外再画3枚固定螺丝和一张完整组装效果图。
（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6基本把要求全接住了。7个部件顺序没错，3枚螺丝一枚不少，金属、玻璃、电路板的材质区分也交代得清楚。拿去当工程图纸还不行，作为专业展示已经够看。
H3 Image这边就没那么理想了。
7个主要部件它也画对了，中文标注看不出明显错误，问题出在螺丝上——要求3枚，最后只给了2枚。
更扎眼的是右下角那张成品图，银色散热结构大面积露在外面，和拆解图里的黑色后壳对不上。
放在普通插画里，这类毛病也许无所谓；一旦用于产品介绍、结构说明，就不能当成小事了。
第五轮，我们给了4张不同的参考图，分别是耳机产品、人物主体、动作姿势和建筑环境，让两个模型把它们融成一张高端商业广告。
（两款模型一致的参考图）
这一轮两边发挥都不错。
（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6的构图更完整，人物、耳机和建筑环境融合得比较自然，有成熟商业广告的味道。
H3 Image在人物皮肤、服装纹理和光影上也拿得出手，侧脸配暖色光线，颇有几分时尚摄影的感觉。
只是原图里的椅子没保住，人物被安排成直接倚坐在建筑边缘，场景出现了偏差。人物身份和耳机外观还原得准不准，还得对照原始参考素材再判断。
把几轮测试放在一起看，两款模型互有胜负。
最后一轮我们另外加了一组3A游戏场景，让模型生成废弃工业城市里的第三人称游戏实机截图。
（左/GPT Image 2.6 右/MiniMax H3 Image）
两边画出来的机器人、破损建筑、雨后积水以及游戏UI都挺精致，可整体更像摆拍讲究的游戏宣传CG，缺的是真实游玩中自然形成的镜头语言。
反过来，ClaudeFable 5.2生成的可交互HTML游戏，把武器视角、任务信息和场景布局捏合得更紧，代入感反而更接近真实游戏。
说到这儿也顺带预告一下，后面我们会拿不同的Agent模型去vibe这类可交互3A游戏作品，让大家从游戏视频里更直观地看出各模型的特色。感兴趣的话可以留意我们后续的视频。
这一对比至少说明：没有Agent参与场景构建，单张AI生图哪怕材质、光影再精致，也未必能还原游戏实机的那种质感。
整体测下来，结论也就比较清楚了。
H3 Image在真实感和视觉审美上有竞争力，可一旦碰上复杂指令、精确数量控制和商业设计，GPT Image 2.6依然稳如老狗。
便宜又快的MiniMax，还差什么？
不过，光凭画面效果判高下，多少有点片面。
因为H3 Image有两个很突出的长处：价格和速度。
先说价格。
MiniMax公布的国内API参考价显示，1K文生图约0.143元，2K约0.1531元；4K、16MP规格的标准版常规参考价约0.4522元，发布首周还有五折优惠，单张约0.2261元。
换句话说，活动期间花两毛多，就能出一张1600多万像素的高清图。
这个价格确实能打。对需要大量产出电商素材、广告方案、游戏概念图的创作者来说，生成次数越多，成本优势越明显。
这次实际体验里，我也明显感到H3 Image出图比GPT Image 2.6快一些。
当然，这只是本次测试入口和设置下的感受，并非严格控制分辨率、模型参数和服务器负载后的速度基准测试。可放到日常创作里，少等一会儿就能多试几版方案，这种效率提升是实打实的。
另外，H3 Image开放了模型权重，开发者能在许可范围内自行部署、定制和集成。对想要自主掌控模型和工作流的企业来说，这一点很受看重。
体验中还暴露出一个容易被忽略的用户体验问题：产品入口。
现在用GPT，无论是在ChatGPT里直接对话生图，还是通过ChatGPT Work、Codex和相关图像插件创作，图像能力已经跟更多任务流程绑在一起，上下文也能更好地共享。
创作时完全可以先聊创意、整理素材，再生成图片，之后接着改。整个过程不只是调一次生图模型，而是在同一套产品生态里把任务持续做完。
MiniMax虽然一直走多模态路线，文本、视频、图像、语音等模型领域都有布局，但普通用户真正用这些能力时，还是得在海螺、MiniMax Code等不同产品场景之间来回切换，很麻烦。
它也有统一的开放平台，能通过API整合模型能力，可对不懂开发的普通创作者来说，前台体验的连贯性仍有提升空间，也希望官方以后能对此做些优化。
话说回来，从这次实测看，H3 Image已经是一款有竞争力的生图模型，尤其是画面真实感、生成速度和成本表现，确实值得肯定。
可真要让它直接接手复杂的商业设计、结构说明和精确执行这类活，眼下GPT Image 2.6还是更省心的那个。
说到底，真正拿AI干活的人算成本，不只算生成一张图花多少钱，还得算为了拿到一张能用的图，中间要改多少回。
便宜和快，决定的是人愿不愿意多试几次；准不准、工作流顺不顺，才决定它能不能天天当生产力工具用。
