MiniMax与Seedream同台实测：写实拉不开差距，文字成胜负手

11月9日与10日，字节Seed和MiniMax接连放出各自的新一代图像模型，分别是Seedream 5.5和MiniMax H3-Image。前者把重点放在百轮编辑不崩坏、原生透明素材以及图层拆分上；后者则强调10秒出16MP大图、开放权重，价格也更低。

我们拿同一套提示词和素材，对两款模型做了四项同台对比，随后又单独验证了它们各自独有的能力。考的就是同一套题目下，两家模型的核心本事能兑现多少。

对比做完，有四条结论。

一、写实能力已经不再是图像模型的分水岭。两家生成的人像和街景都能以假乱真，差别只剩审美取向：MiniMax偏“街头抓拍”，Seedream偏“电影剧照”。用户选模型时，已经不必再纠结“谁更真”。

二、文字才是这一轮真正的胜负手。十种语言共20行文字，Seedream写对19行，MiniMax只写对12行。对做多语言海报、出海物料的团队来说，这个差距足以左右选择。

三、多图理解上，两款模型“听话”的方式不一样。两家各做对5项：MiniMax更忠于参考图，Seedream更忠于文字指令。想照着素材复刻，前者合适；想按需求改造，后者更顺手。

四、堆像素不如做交付。MiniMax的16MP在近处经得起放大，远处人群照样会糊；Seedream的图层拆分一次就能拆对，背景还会自动补全，更贴近设计师的真实需求。

综合来看，图片里的文字以中英文为主、又想要高分辨率和低成本，选MiniMax；图片需要多语言，还要反复改图、分图层编辑，Seedream更稳妥。

一个拼尺寸，一个拼可控

两款新模型发布时，核心卖点几乎没有重叠，路线差异一眼就能看出来。

MiniMax H3-Image押注的是“更大、更快、更便宜”。

它由MiniMax的H3模型衍生而来，支持文生图、图像参考和图像编辑。官方称，它能在10秒内生成一张4096×4096、约16MP的图像，速度可达市面主流水平的5倍，价格只有同档位产品的50%到70%。MiniMax H3-Image还宣称拥有“开源模型中最强的指令遵循能力”，最多支持16张参考图，并开放了权重。

Seedream 5.5押注的则是“改得稳、能进生产线”。

Seedream 5.5 这次主要动了三处：多轮编辑过程中，没被改到的区域能做到像素级不变，官方演示连续编辑了100轮；原生支持 RGBA 透明素材，最多可拆成100层输出；写实质感和文字渲染方面，官方给出的严重文字崩坏率是0.4%。

同一套考题下，真实感难分高下，文字见真章

两家都具备的能力，我们挑了写实、文字和多图理解三个方向，一共设了四个案例；只有一家具备的能力单独验证，MiniMax测大分辨率图片生成，Seedream测图层拆分。

所有对比案例用同一条提示词，每条只生成一次，固定取第一张。所以结论反映的是单次表现，存在一定随机性。

测试用的参考图由第三方模型GPT Image 2.6生成，避免任何一款模型“见过”素材。另外，MiniMax默认输出约1680万像素，Seedream在230万到420万像素之间，理论上这对MiniMax在写实和文字两项测试中更有利。

1.早餐摊人像：两张都能乱真，一个像抓拍，一个像剧照

提示词要的是一张“手机随手拍”的逆光早餐摊：五十多岁的阿姨掀开蒸笼，热气被阳光照亮。两张图的人物和主体都没有明显AI痕迹，区别主要在风格和细节执行上。

Seedream给出的画面是标准的电影感，浅景深、金色轮廓光，蒸汽在逆光里层次分明，人物年龄也贴合描述。问题是它没有执行“手机随手拍”的要求，更像一张精心构图的摄影作品。

MiniMax 出来的画面更像真实街拍，广角、构图都很随意，阿姨脸上的斑点、皱纹，连手背的褶皱都看得清清楚楚。毛病有两个：人看上去明显不止五十多岁，比要求老了不少；背景招牌上的汉字成了一串认不出来的笔画。

2.雨夜大排档：Seedream的光影更讲道理

这一题考的是多光源、多材质的物理一致性。两家都把“老陈烧烤”四个字写对了。

Seedream把提示词里的物理细节落得更实：炉火把烤炉冒出的烟映成橙色，出租车尾灯也在湿漉漉的地面上拖出反光。

MiniMax那边的画面更抓眼，霓虹招牌和湿地倒影都很出挑。可它把“刚下过雨”画成了“正在下雨”，烟也没被火光染上颜色；整体饱和度和锐度都偏高，一眼能看出后期调色的痕迹。

3.十种语言欢迎墙：Seedream对19行，MiniMax对12行

测试方法是让两家各生成一面机场欢迎墙：10块灯箱依次排开，分别用简体中文、繁体中文、英文、日文、韩文、法文、德文、俄文、阿拉伯文和泰文，每块灯箱上写一行“欢迎来到上海”的大字、一行“行李提取请左转”的小字，合计20行，再逐字比对。

Seedream写对了19行。唯一出错的地方是泰文大字里一个辅音，阿拉伯文的连写与书写方向、法文和德文的变音符号都没有问题。

MiniMax写对了12行。中文简体繁体、英文、法文、德文全对，错处集中在剩下五种文字上：日文「ようこそ」被写成「ようここ」，韩文小字「왼쪽」被写成「왠족」；俄文小字把「слева（左边）」写成了「слава（荣耀）」，意思整个变了；阿拉伯文两行都有字母错误，泰文小字基本成了乱码。

这张图MiniMax的分辨率是Seedream的四倍，像素不够这个理由显然站不住脚，问题更可能出在模型对长尾文字的掌握还不够扎实。Seedream发布时强调过文字能力的提升，这次测试正好对上了。

4.六图合一：两家各做对5项，丢分的地方正好相反

我们请GPT准备了6张参考图，要求模型让图1的女生穿上图2的大衣、肩背图3的包、站在图4的雪天街口、摆出图5的姿势，色调参照图6，但不能出现图6里的路灯和长椅。两款模型出的图都没串，人物、大衣、场景、色调都对，差别在细节怎么取舍。

Seedream更听文字指令：那只包原本只有手提把，它给补了一条肩带，让人物背在肩上；代价是姿势只还原了一半，另一只手握着肩带，没插进口袋。色调也更收敛，看着更像真实照片。

MiniMax更贴参考图本身，姿势还原得最完整，一手搭额、一手垂在口袋边，但包是拎在手里的，没背到肩上。整体色调上，它把青橙对比推得很重。

5.MiniMax的1680万像素：近处细节真实，远处照样糊

我们让MiniMax生成一张春运候车大厅的大场景，里面藏了6个小彩蛋，成图分辨率5472×3072。6个彩蛋全都出现了：举着“妈我到了”纸牌的小男孩、靠柱子睡觉的保安、显示“G1234北京南14:05正点”的电子屏，全都准确，只有泡面桶上的“红烧牛肉面”少了个“肉”字。

放大到100%看，前景的羽绒服褶皱、保安制服上的徽章、泡面的热气都经得起细看；但远处人群开始有融化感，人脸细节明显不够。分辨率是提上去了，画面细节的分布却不均匀。

6.Seedream的图层拆分：六层一次拆对，背景还能自动补全

我们拿一张GPT生成的《追风的女孩》电影海报交给Seedream，要求拆成人物、风筝、片名、小字、阳光光晕和背景六个透明图层，它一次就拆对了。人物层保住了飘动的发丝和手里的风筝线轴，风筝层带着细长的风筝线，片名的毛笔笔触和小字也都完整。

最实用的是背景层：女孩原来待的位置被自动补成连片的油菜花田和天空，在画布预览里看不出抠除的痕迹。对设计师来说，拿到手的不再只是一张图，而是一份能接着编排的源文件。

几轮测下来，结论很清楚：生图这块，写实已经不是护城河，交付能力才是。

图像模型在写实上早已过了门槛，“画得像”一旦成了标配，就很难再撑起竞争壁垒。

真正能拉开差距的，是一张图能不能直接拿去用。海报字写错了，再好看也交不了差；对出海品牌来说，阿拉伯文、泰文这类长尾文字偏偏是刚需。图层拆分也一样，输出从“成品图”变成了“可编辑的素材”。

两家的路线也就更清楚了。

MiniMax走基础设施路线，靠分辨率、速度、价格和开放权重去扩大使用面，开放权重也让社区有机会自己补上多语言文字这类短板。

Seedream走生产工具路线，多轮编辑、透明素材、图层拆分指向的是同一件事：嵌进电商、广告和设计团队的日常流程。

图像创作模型下一阶段的较量，大概率不在谁画得更像，而在谁能写得对、改得准、拆得开，把一次生成变成一份能交付的工作成果。