MiniMax H3 Image实测：10秒出4K图，与GPT Image 2.6互有胜负
真拿来干活，差距就出来了。
（本文作者为 第四波，钛媒体经授权发布）
闫俊杰前两天才说过，自己眼下全部精力都放在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。
正式评测之前，先看看H3 Image的几个核心功能点。
它从早前的H3多模态模型衍生而来，文生图、图片编辑之外，最多还能接收16张参考图。官方着重提了几个优势：出图速度、画面真实感、对复杂指令的遵循，还有价格便宜。一张约1600万像素的4K图片，最快10秒就能出，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。两款模型前后脚登场，难免让人想问：MiniMax这回追上GPT了吗？
第四波为此拿两款模型做了几轮实测。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，看差距到底有多大。
真实画面感这一项，MiniMax还真有两下子
第一轮让两款模型各画一张上海老居民区雨后街景。要有一位修自行车的老人、一个拎塑料袋路过的年轻女性，远处还得有交谈的行人。不加电影滤镜，也不刻意做戏剧化光效。
（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、远处行人基本都落在指定位置，建筑、便利店、电动车这些环境元素也交代得比较齐全。
可整张图太工整了。街道、人物、光线都恰到好处，反倒少了真实生活里那种随意劲儿。
MiniMax H3 Image这边，画面多了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、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。要的是年轻女性，生成的人物看着偏成熟；点名的便利店也没清晰呈现出来。
H3 Image确实能出相当有生活气息的纪实照片，但追真实质感的同时，对具体指令的执行难免打折扣。不少开发者用完说它"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，可既然是评测，GPT Image 2.6对指令的执行更准，综合下来小幅领先。
第二轮测视觉审美。让两款模型围绕"AI算力与能源"设计一张纯净的高端科技杂志封面，不许加文字和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，可整体更像一张精致的商业效果图，设计语言谈不上新。
H3 Image反倒有自己的路子。
它让天空大面积留白，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足。
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，要说信息表达，GPT Image更准；要看审美和摄影氛围，我更偏向H3 Image。
从前两轮看，MiniMax H3 Image确实有了跟头部生图模型掰手腕的本事，也不再只靠低价拉用户，画面质感和审美都拿得出手。
真拿来干活，差距就出来了
难度继续往上加。第三轮，我们让两个模型去设计中文商业海报，会议名称、时间、地点，再加六项会议议程，一个字都不能错、一条信息都不能少。
这一轮的结果有点意外：两款模型的中文都稳住了，指定的文字和时间都准确落到了画面上。
可设计上的差距，说起来真是一言难尽。（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6走的是黑橙配色，标题、议程、主办方信息各有明确的视觉层级，整体已经算得上一张能用的商业海报。顶部标题挤了点，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。
H3 Image则完全拐向了另一头：所有信息规规矩矩排在米白色背景上，文字没毛病，留白也够，可视觉表达太素了——像一份会议通知，或者说没做完的PPT。
文字要求它听懂了，设计任务却没真正完成。这一轮的胜负，想必很直观了。
第四轮换了更复杂的工业产品爆炸图。要求写得很死：一款手持探照灯，按顺序拆成7个主要部件，中文名称标注准确，另外再展示3枚固定螺丝和完整组装效果。
（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6差不多把这些要求全接住了：7个部件顺序对，3枚螺丝一枚没落下，金属、玻璃、电路板的材质区分也清楚。它当然当不了工程图纸用，但专业展示的效果已经不错。
H3 Image这边就没那么理想。7个主要部件同样画对了，中文标注也没看出明显错误，可要求3枚螺丝，它最后只给了2枚。
更显眼的是右下角的成品，银色散热结构大面积露在外面，跟拆解图里的黑色后壳对不太上。这类毛病放在普通插画里或许无伤大雅，一旦用于产品介绍、结构说明，就不能不当回事了。
第五轮，我们给了4张不同的参考图，分别对应耳机产品、人物主体、动作姿势和建筑环境，要求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）
这一轮两个模型都交出了不错的答卷。（左/GPT Image 2.6 右/MiniMax H3 Image）
GPT Image 2.6的整体构图更完整，人物、耳机和建筑环境衔接得比较自然，透出成熟商业广告的质感。
H3 Image在人物皮肤、服装纹理和光影上同样不落下风，尤其是侧脸和暖色光线，颇有几分时尚摄影的味道。
不过，原图里那把椅子没能完整留下来。人物被安排成直接坐在建筑边缘，场景的布置因此出了偏差。至于人物身份和耳机外观能还原到什么精度，还得拿原始参考素材来比对才能下结论。
这么一轮看下来，两款模型算是各有各的长处。
最后一轮我们还加了一组3A游戏场景的测试，让模型生成废弃工业城市里的第三人称游戏实机截图。画面见下（左为GPT Image 2.6，右为MiniMax H3 Image）。
两边出来的图里，机器人、破损建筑、雨后的积水以及游戏UI都做得挺精细，可整体看仍更像摆好机位拍出来的游戏宣传CG，缺的是真实游玩过程中自然带出来的镜头语言。
反倒是用ClaudeFable 5.2做出来的可交互HTML游戏，在武器视角、任务信息和场景布局的配合上更有真游戏那种代入感。
说到这儿，也顺便交代一句：后面我们会拿不同的Agent模型去vibe这类可交互的3A游戏作品，让大家从游戏视频里更直接地看出各模型的特色。有兴趣的可以留意我们之后的视频。
这么一对比，起码能说明一件事：没有Agent参与场景构建，单张AI生图哪怕材质和光影再精致，也未必能还原出游戏实机的那种质感。
所以整轮测完，结论也比较明朗了。H3 Image在真实感和视觉审美上拿得出手，可真碰上复杂指令、精确的数量控制以及商业设计，GPT Image 2.6依旧稳得很。
便宜又快的MiniMax，还差什么？
可要是只凭画面效果就定输赢，多少有点片面。
原因在于，H3 Image有两个很突出的长处：价格和速度。
先说价格。
按MiniMax公布的国内API参考价，1K文生图大约0.143元，2K约0.1531元。4K、16MP规格的标准版常规参考价在0.4522元左右，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。
这个价位确实能打。尤其是那些要大量产出电商素材、广告方案、游戏概念图的创作者，生成次数越多，成本上的优势就越明显。
而且这次实际用下来，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，并不是把分辨率、模型参数和服务器负载都严格控住之后跑出来的速度基准。但对日常创作来说，少等一会儿就能多试几版方案，这种效率上的提升是实打实的。
另外，H3 Image把模型权重开放了出来，开发者可以在许可范围内自行部署、定制和集成。对想要自主掌控模型与工作流的企业而言，这一点很被看重。
体验中我还发现一个容易被忽视的体验问题：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和相关图像插件来创作，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，接着继续改。整个过程不是只调用一次生图模型，而是在同一套产品生态里把任务一路做下去。
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，可普通用户真要接触到这些能力，还是得在海螺、MiniMax Code等不同产品场景之间来回切换，挺麻烦。
它也有统一的开放平台，能通过API把模型能力整合起来，但对不写代码的普通创作者来说，前台体验的连贯性还有提升余地，也希望官方以后能在这方面做些优化。
不过话说回来，这轮实测下来，H3 Image已经算得上一款能打的生图模型。画面真实感、出图速度、成本这几项，确实拿得出手。
可一旦要它直接扛复杂商业设计、结构说明和精确执行这类活，GPT Image 2.6眼下还是更省心的那个。说到底，对真拿AI干活的人来讲，成本不只看单张图花多少钱，还得算上为了一张能用的图，到底要返工多少回。
便宜和快，影响的是我们愿不愿意多试几次；准不准、工作流顺不顺，才决定它能不能天天当生产力工具使。
