MiniMax开源H3-Image叫板字节OpenAI：10秒出图，价格砍半

AI生图这条赛道，最近热闹得很。

11月10日晚，MiniMax把H3-Image的模型权重开放了出来，主打的就是“快”和“便宜”。按官方说法，一张1600万像素的高清图10秒就能生成，价钱只相当于同档位主流工具的50%-70%。在这之前，OpenAI和字节刚刚先后交完作业。

OpenAI的动作在11月5日，推出Images 2.6GPT Image 2.6，继续在速度和编辑能力上加码。官方宣称出图速度比前代提升50%，还增添了GIF动图生成、可重复使用的参考图等功能；API端则上线GPT Image 2.6 Flare和Sunburst两款模型，后者主打多轮编辑的一致性。

字节选在11月9日发布Seedream 5.5，重点放在连续编辑的稳定性上，支持局部精准修改。

三家都亮出了新模型，实际表现到底差多少？除了比生成效果，它们还在争什么？

01.OpenAI领跑，MiniMax胜在速度

先看榜单，三家的差距不小。在Artificial Analysis最新的文生图榜单里，GPT Image 2.6 Sunburst（max）排第一，Seedream 5.5排第十，H3-Image位列第二十三。

图源 / Artificial Analysis官网

换到图片编辑榜，OpenAI还是第一，字节升到第六，MiniMax也爬到了第十二。比起从零生成图片，后两家在编辑能力上的排名要更靠前一些。

图源 / Artificial Analysis官网

两个榜单都拿第一的OpenAI，实际用起来，真能把另外两家甩开吗？

我们分别通过ChatGPT、豆包和海螺AI，把三款新模型都试了一遍。ChatGPT用的是GPT Image 2.6自动模式，豆包调用Seedream 5.5，海螺AI则分别测了H3-Image的标准和Highspeed两种模式。

这里要说明一下：OpenAI的GPT Image 2.6通过API提供不同的模型档位，开发者可以按需选择。但大多数普通用户是直接在ChatGPT里生图，所以我们没有单独调用API，测的是各家产品端的实际体验。

第一题，重点考理解力。

短剧这两年火成什么样，已经不用再解释。先有菠萝背着草莓偷情、香蕉跟葡萄搞到一起的水果伦理大戏，后来又冒出木耳、美甲抢着当豪门继承人的狗血剧情。主角早就不只是人了，食物照样谈情说爱、争夺家产。

刚火起来的超长名字糖葫芦也没能躲开这股风。它靠一串长得跟念咒差不多的配料表，硬是挤进了豪门圈子。在这个家族里，配料堆得越多、名字起得越长，地位就越高，普通山楂糖葫芦压根没有分家产的份。

我们让三家模型各做一张豪门见家长的剧照：一根集齐奶皮子、草莓、芋泥等十几种食材的糖葫芦家族继承人，领着一根山楂糖葫芦回家见父母。豪门少爷看上了普通姑娘，父母嫌女方出身低，走的是门不当户不对的老套路。

我们还特意强调，所有角色都是人类身体、糖葫芦脑袋，食材要与五官自然融合，不能出现普通人脸。

十几种食材、多个角色、复杂设定，一道题同时考理解力、执行力和画面表现力。

提示词：

主题：超长名字糖葫芦家族，百亿遗产继承权之争

做一张中国荒诞AI短剧的电影级3D动画剧照，比例9:16，半写实3D动画质感，人物造型要怪、要夸张，喜剧效果拉满。

设定核心是一个顶级豪门家族，成员全是超长名字的网红糖葫芦。每个人都是正常人的身子，穿西装、礼服，奢华得很，可脑袋整个换成了由十几种甜品配料摞起来的巨大立体糖葫芦。

这些糖葫芦并非传统那几颗山楂串成，而是由山楂、草莓、晴王葡萄、蓝莓、芒果、奶皮子、芋泥、血糯米、麻糍、奶酪、杨枝甘露、开心果碎、巧克力脆皮、冷萃酸奶、黄油薄脆等食材一起搭出来的。食材一层压着一层：鲜红山楂和草莓、翠绿葡萄、金黄芒果、乳白厚奶皮、淡紫芋泥、深紫血糯米、柔软的白麻糍、深棕巧克力、金黄黄油薄脆彼此交错，有些水果被切开，露出里面的夹心奶酪和酸奶。

整个头看上去像一座巨大的彩色甜品宝塔，向上明显拔高，比常人脑袋高出不少。外层裹着透亮的糖衣，顶上支着细长竹签，糖浆在暖色灯光下亮闪闪的。食材的细节看得真切，层与层之间厚度分明，立体结构清楚。

糖葫芦脑袋上长着自然融进食物造型的眼睛、眉毛和嘴巴，能做出愤怒、傲慢、震惊等表情，不出现普通人脸。

场景设在一座极其奢华的豪门私人宴会厅：巨大的金色水晶吊灯、挑高的天花板、白色大理石地板、整面落地玻璃窗。窗外是繁华都市的夜街，霓虹闪烁。

宴会厅正中是一张长条大理石餐桌，桌上摆着高脚红酒杯、金色烛台和精致餐具。

剧情方面，画面左侧是一位威严的老年男性家族掌权者，深棕色高级西装，手戴金色戒指，胸前别着家族徽章。他的脑袋是一根极其庞大、由二十多层不同水果和甜品堆成的超级豪华糖葫芦，配料极其复杂，一层层往上叠，形成类似王冠的夸张形状。他一脸愤怒，右手伸向餐桌另一侧。

他身旁站着一位家族贵妇，乳白色丝绸长裙，头部由青葡萄、奶皮子、开心果奶酪、白色麻糍、绿色抹茶脆皮和金色糖壳层层叠加，构成一座优雅而复杂的绿色奶白色糖葫芦塔。

画面右侧是一名年轻的豪门继承人，白金色西装剪裁精致，身姿挺拔，昂首与长辈对峙。他的头部是草莓、山楂饼、杨枝甘露奶酪、芋泥、血糯米、麻糍、奶皮子、开心果冷萃酸奶、巧克力黄油薄脆拼成的巨大彩色糖葫芦，层次复杂，外形像一座精致的十几层甜品塔。

继承人身边是一位年轻女性，浅绿色高级礼服，头部是普通山楂糖葫芦，神情震惊。

构图采用对称式全景，餐桌居中，四名人物分列两侧，人人从头到脚完整入镜。糖葫芦头部高大醒目，在画面里占明显比重，但不能挡住其他人物。人物身体比例自然，服装华丽精致，糖葫芦头部夸张又真实，反差强烈。

渲染走电影级3D动画路子，食物材质精致：晶莹糖壳、奶皮子的酥脆纹理、奶酪的绵密、麻糍的柔软、水果的鲜艳色彩，高光与反射都很丰富。

整幅画面色彩浓郁、灯光华丽、细节充足，透出荒诞魔性的狗血豪门短剧质感，像一部制作精良却剧情离谱的AI动画连续剧。

先说速度，MiniMax确实快，不过我们差点没发现。最初我们用MiniMax Code调用H3-Image，生成一张图要等1分钟左右，改一次甚至花了5分钟。说好的10秒出图呢？

后来换到海螺AI，速度总算提上来了。H3-Image标准模式单张生图约25-30秒，高速模式只要10-15秒。原因是MiniMax Code属于Agent产品，除了调用图片模型，还牵扯任务调度等环节，整个过程会多出额外耗时。

对比之下，OpenAI和字节的模型单次出图都在1分钟左右。速度这一项，MiniMax领先。

再看效果。ChatGPT显然很懂这种抽象艺术，1分多钟后一张豪门短剧剧照就出来了。人物华丽、表情浮夸，糖葫芦和五官融得相当自然。豪华又抓马，仿佛下一秒就有人怒拍桌子甩出支票：“给你五百万，离开我儿子”。

海螺AI这边倒很有短剧的仪式感，它是三家里唯一主动给图片加上短剧标题的，乍一看还真有几分短剧剧照的味道。海螺AI一次生成4张图，标准模式和高速模式画质差别不大，犯的错却一模一样：第一张图都明显穿模，人物直接站到桌子上，豪门见家长硬生生演成豪门集体“上桌”。

MiniMax H3标准版生成的图片

剩下三张虽没明显穿模，脑袋还是没装对。每个人都顶着一张普通人脸，头上竖着一大串糖葫芦，像戴了顶豪华版糖葫芦帽子。个别人物表情也平淡，少了那股抓马劲儿。

我们挑出问题最大的那张当参考，让海螺AI把站在桌上的人物放下来，再把人脸和糖葫芦融到一起。重新生成的4张图成了集体“上桌”，全都穿模，上桌的人更多了，像在搞某种神秘仪式。人脸和糖葫芦呢，还是各长各的。

MiniMax H3标准版修改后的图片

豆包这回也在“头”上翻了车。场景和服装倒没出大毛病，可角色照样长着普通人脸，糖葫芦是糖葫芦、五官是五官，各长各的。

豆包生成的剧照

好在它能局部编辑。我们圈出人物要求换头，四张脸只改了三张，还有一个角色顶着人脸，混在糖葫芦家族里。

只能再提醒它一次。又等了大约7分钟，漏掉的那个总算处理了。可改完之后，食物和人脸勉强凑到一块，人物原来的表情、身份特征却糊了，少爷和爸爸看着像换了身份。Seedream 5.5说的“多轮编辑稳定”，离这个水平还有段路。

第二题考的是审美。

前阵子网上流行中式天宫全景图，云海之上立着天庭，宫殿、仙山、白玉天阶样样齐全，仙气飘飘。这回不设复杂人物，只让三款AI各造一座宏伟神话天庭，比谁的审美更在线。

提示词要求：原创中国神话天庭全景，宏大到近乎宇宙尺度的东方仙境。镜头架在九重天之上，超广角高空俯瞰，展现一座悬在无边云海里的天庭之城。数百座中国古典宫殿、琼楼玉宇、朱红楼阁依着巨大浮空仙山层层铺开，宫阙顺山势错落分布，一路向遥远天际延伸，构成恢宏而有秩序的建筑群落。

画面正中，是建在巨大白玉台基上的凌霄宝殿，重檐庑殿顶、金色琉璃瓦、朱红巨柱、鎏金斗拱，屋脊刻着精致龙凤纹饰。主殿四周环绕数十座大小不一的仙宫，白玉长桥横跨云海，把各座浮空山峰连起来。数千级天阶沿山脊盘旋而上，最后汇聚到最高处的凌霄宝殿。宫殿之间的道路、台阶、桥梁连接合理，每座建筑都有清楚的支撑结构和真实的中国古典建筑比例。

画面左边，云层中拔起一座巨大的悬空仙山，崖壁上苍劲古松盘踞，青绿色琉璃瓦的亭台楼阁散落其间。右边则是气势恢宏的天宫建筑群，层层宫墙、白玉庭院和金色飞檐在日光下交错铺展。悬空山崖上垂下几道巨型瀑布，直坠下方深不见底的云海。更远处，三重仙山隐在晨雾里，天际还浮着数不清的细小宫殿轮廓，纵深感十足。

天空是淡青、蔚蓝与金色的自然渐变，清晨阳光自东方照来，穿透层叠云海，在仙宫屋顶、白玉长桥和山峦之间打出清晰的体积光。云海有真实的流动感、厚度和自然遮挡关系，近处建筑纹理精细，远处宫阙随距离变小、颜色变淡，空气透视准确。

风格上要融合中国古典山水画的意境与留白、宋代山水画的雄浑构图、工笔重彩的精致细节，再加顶级东方神话电影的写实视觉效果。建筑遵循中国传统宫殿形制，飞檐、斗拱、榫卯、屋脊神兽、石雕栏杆、龙纹与云雷纹都要清晰可见。整体以白玉、朱红、鎏金、青绿、淡青为主色调，色彩明亮、通透、丰富而克制。

画面要神圣、庄严、宁静、壮丽，建筑巨物感和史诗尺度要强。重点突出天庭建筑群的宏伟体量、空间秩序与天地层次，不出现任何人物、仙人、天兵或人形生物。电影级数字概念艺术，超广角高空俯瞰，恢宏纵深构图，16:9横构图，超高细节，8K视觉质感。

负面提示词：人物、人形雕像、哥特式教堂（西式）、希腊神庙、欧式城堡、欧洲天使、现代都市、玻璃幕墙、科幻建筑、赛博朋克霓虹、宇宙飞船、卡通风格、塑料质感、建筑结构出错、屋顶比例失调、重复堆叠的楼阁、缺少支撑的桥梁、悬浮关系混乱、台阶断裂、透视错误、建筑过于拥挤、浓雾遮住主体、金光过量、紫色过量、随机文字、Logo、水印、现有影视角色、游戏角色及IP符号。

ChatGPT还是走精致路线。天宫规模相当惊人，宫殿密密麻麻铺满画面，建筑细节拉满，云雾缭绕的氛围也到位。

只是它对“宏伟”两个字好像有自己的执念。整座天庭金碧辉煌，宫殿多到几乎塞不下，恨不得把九重天的楼盘全挤进一张图，越看越有点土豪气。不知道是不是第一当久了，连造天宫都不懂得低调。

正好拿它试试编辑能力。我们直接在图上指出问题，要求减少建筑数量、收一收富丽堂皇、加点中式韵味。大约1分钟后改版出炉，宫殿少了，画面清爽了，风格也对了。听劝程度，满分。

这一轮，海螺AI和豆包更对我们胃口，首图就挺满意，也就没再改。

海螺AI的天宫布局比较舒展，云雾在楼阁之间穿行，像一张制作精良的仙侠游戏场景图。而且标准模式和高速模式生成的4张图风格都算统一，差别主要在建筑排布上。

豆包的表现跟它很接近，宫殿层层递进，构图自然，同样是浓浓的仙侠味。

两轮测下来，OpenAI的模型综合表现仍然领先，复杂指令理解最准，修改又快又准，基本一次到位，只是审美偶尔用力过猛。MiniMax的模型有速度优势，在海螺AI上最快十几秒出图，画质也不差，但碰上复杂任务还做不到又快又好。字节的模型画质在线，可这次实测里修改既慢又不够稳，让人有些失望。

02.模型越来越强，有场景的厂商更容易胜出

厂商们一直往图片模型里投研发，看中的是专业市场的商业化空间。

生成头像、表情包这类娱乐需求之外，广告、电商、游戏美术等行业要持续产出大量图片，也更愿意为效率掏钱。模型能力往上走，AI就有机会接手更多设计和素材制作，帮企业省下人工成本。

图片模型变现的路子也不止一条。除了向个人用户收会员费，厂商还能靠API调用、企业服务赚钱，也可以把图片能力塞进现有产品，拉高用户的使用频率。

不过专业用户没那么好伺候。图片光好看不够，商品、人物、品牌元素还得对得上，让改哪儿就改哪儿。前文实测下来，现阶段的模型要补的课不少。

同样一块市场，三家走的路子完全不一样。

OpenAI押的是模型本事加入口。ChatGPT用户盘子摆在那儿，生图不用另开软件，聊天框里就能出图、改图。OpenAI披露，全球用户每周在ChatGPT、Codex和API上生成的图片有40亿张。图片模型每升一次级，这批用户直接就能用上，新产品从零推广的环节省了。图片能力反过来也把ChatGPT的使用频率往上推，还牵着用户掏钱。

字节手里的内容创作场景更成熟。Seedream能进即梦、豆包、豆包工作等产品，也能借火山方舟给企业和开发者供货。普通人拿它生成趣味图片，专业创作者用来做素材，企业则可以通过API批量出内容。

图源 / Seedream官网截图

即梦尤其如此，本身聚拢了大量有图片、视频创作需求的人，Seedream每次升级都能直接接住这些需求。字节还能靠现有产品收回使用反馈，接着打磨模型。

MiniMax的日子就紧一些。海螺AI这类创作产品它也有，可用户规模和场景成熟度，跟ChatGPT、即梦差得远。模型能力再能打，要让人专门换一款工具，获客成本省不掉。

所以MiniMax把突破口放在速度、价格和开放策略上。这次测试里，H3-Image高速模式的画质和标准模式看不出明显差距。对要批量出图的用户来说，快就是效率。再加上生成价格偏低，对成本敏感的开发者和企业客户，MiniMax有了争取的机会。

问题是，速度和低价撑不起长期壁垒。OpenAI和字节一样能提速、能降价，用户盘子更大的厂商，靠规模效应摊薄成本还更容易。专业用户真正在意的，是能不能按要求一次改对。一张图来回改好几轮，单次出图快的那几十秒，也就没多大意思了。

开放模型权重，对MiniMax的长期价值更大。企业可以按自己的需求本地部署、做定制，少依赖第三方API服务。闭源模型只能走API调用，对有定制需求的企业和开发者来说，开放权重显然更抓人。企业一旦围着模型做完部署和系统集成，再换模型就得额外掏成本，MiniMax留住客户的机会也就更大。

MiniMax已经证明了自己出图更快、更便宜。但下次再测，我们希望它不只是十几秒出图，还能一次就把糖葫芦家族的脑袋装对。