MiniMax，狂卷字节、OpenAI

AIX财经（AIXcaijing）原创

作者 | 雷晶

编辑 | 魏佳

AI生图赛道，最近打得火热。

11月10日晚，MiniMax发布并开放H3-Image模型权重，打出了“又快又便宜”的牌。官方称，它10秒就能生成一张1600万像素的高清图片，价格只有同档位主流工具的50%-70%。

在它之前，OpenAI和字节刚刚交完作业。

11月5日，OpenAI推出Images 2.6GPT Image 2.6，继续在速度和编辑能力上发力，宣称出图速度比前代提升50%，还新增了GIF动图生成、可重复使用的参考图等功能，并在API端推出GPT Image 2.6 Flare和Sunburst两款模型，后者主打多轮编辑的一致性。

字节则在11月9日发布Seedream 5.5，主攻连续编辑的稳定性，支持局部精准修改。

三家都拿出了自己的新模型，实际表现究竟差多少？除了比拼生成效果，它们还在争什么？

01.OpenAI领跑，MiniMax胜在速度

先看榜单，三家的差距还挺大。

在Artificial Analysis最新的文生图榜单中，GPT Image 2.6 Sunburst（max）排名第一，Seedream 5.5排名第十，H3-Image排在第二十三。

图源 / Artificial Analysis官网

到了图片编辑榜，OpenAI依然守住第一，字节升至第六，MiniMax也爬到了第十二。相比从零生成图片，后两家在编辑能力上的排名要更靠前一些。

图源 / Artificial Analysis官网

连拿两个第一的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，体验了三款新模型。其中，ChatGPT使用GPT Image 2.6自动模式，豆包调用Seedream 5.5，海螺AI则分别测试了H3-Image的标准和Highspeed两种模式。

需要说明的是，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。

短剧有多火不用多说。前有菠萝背叛草莓、香蕉出轨葡萄的水果伦理大戏，后有木耳、美甲争当豪门继承人的狗血短剧。短剧主角早就不限于人类了，连食物都开始谈恋爱、争家产。

最近爆火的超长名字糖葫芦，自然也没逃过。凭借一长串堪比念咒语的配料表，它成功混进了豪门圈。在它的家族，配料越多、名字越长，血统就越高贵，普通山楂糖葫芦连继承家产的资格都没有。

我们让三家做一张豪门见家长剧照：集奶皮子、草莓、芋泥等十几种食材于一身的糖葫芦家族继承人，带着一根山楂糖葫芦回家见父母。豪门少爷爱上普通女孩，父母嫌弃女方出身，剧情走的是经典的门不当户不对路线。

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

生成一张中国荒诞AI短剧的电影级3D动画剧照，画面比例9:16，精致的半写实3D动画风格，人物造型奇特、夸张、具有强烈的喜剧效果。

核心设定：一个由超长名字网红糖葫芦组成的顶级豪门家族。所有人物都拥有正常人类的身体，穿着奢华西装、礼服，但整个头部是由十几种不同甜品配料堆叠而成的巨大立体糖葫芦。

注意，这些糖葫芦不是传统的几颗山楂串，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、黄油薄脆等食材共同构成。

不同食材一层叠着一层：鲜红山楂与草莓、翠绿葡萄、金黄色芒果、乳白色厚奶皮、淡紫色芋泥、深紫色血糯米、柔软的白色麻糍、深棕色巧克力、金黄色黄油薄脆相互交错，部分水果被切开，露出夹心奶酪和酸奶。

整个头部像一座巨大的、色彩斑斓的甜品宝塔，明显向上延伸，比正常人类头部高出许多。外层包裹晶莹透明的糖衣，顶部露出细长竹签，糖浆在暖色灯光下闪闪发亮。食材细节真实可辨，不同层之间有明显的厚度与立体结构。

糖葫芦头部拥有自然融入食物造型的眼睛、眉毛和嘴巴，能够表现愤怒、傲慢、震惊等丰富表情，不出现普通人类面孔。

场景：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。窗外是一条繁华的都市夜街，霓虹灯闪烁。

宴会厅中央摆放着一张长条大理石餐桌，上面有高脚红酒杯、金色烛台、精致餐具。

人物与剧情：画面左侧是一名威严的老年男性家族掌权者，身穿深棕色高级西装，戴着金色戒指，胸前佩戴家族徽章。他的头部是一根极其庞大、由二十多层不同水果和甜品组成的超级豪华糖葫芦，配料极为复杂，层层向上堆叠，形成如同王冠般的夸张形状。他表情愤怒，伸出右手指向餐桌另一侧。

他的身旁站着一位家族贵妇，身穿乳白色丝绸长裙，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，形成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，穿着剪裁精致的白金色西装，身体挺拔，昂首与长辈对峙。他的头部是由草莓、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、巧克力黄油薄脆组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。

继承人旁边是一名年轻女性，穿着浅绿色高级礼服，头部普通山楂糖葫芦，神情震惊。

构图与风格：采用对称式全景构图，餐桌位于画面中央，四名人物分列两侧，所有人物从头到脚完整入镜。糖葫芦头部高大醒目，占据画面明显的视觉比重，但不能遮挡其他人物。人物的身体比例自然，服装华丽精致，糖葫芦头部夸张而真实，形成强烈反差。

电影级3D动画渲染，精致食物材质，晶莹糖壳，奶皮子的酥脆纹理，奶酪的绵密质感，麻糍的柔软质感，水果的鲜艳色彩，丰富的高光与反射。

整体画面色彩浓郁、灯光华丽、细节丰富，具有荒诞、魔性、狗血豪门短剧的视觉效果，像一部制作精良却剧情离谱的AI动画连续剧。

先说速度，MiniMax确实跑得快。不过，我们差点没发现。

最初，我们通过MiniMax Code调用H3-Image，发现生成一张图片要等1分钟左右，修改一次甚至花了5分钟。说好的10秒出图呢？

后来换到海螺AI，速度终于上来了。H3-Image标准模式单张生图用时约25-30秒，高速模式只需要10-15秒。原因在于，MiniMax Code作为Agent产品，除了调用图片模型，还涉及任务调度等环节，整个过程会产生额外耗时。

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

再看效果。ChatGPT显然很懂这种抽象的艺术。1分多钟后，一张豪门短剧剧照就出炉了。人物华丽、表情浮夸，糖葫芦和五官融合得相当自然。豪华又抓马，仿佛下一秒就有人怒拍桌子，甩出一张支票：“给你五百万，离开我儿子”。

ChatGPT生成的剧照

海螺AI这边，倒是很有短剧的仪式感。它是三家里唯一一个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一次会生成4张图片，标准模式和高速模式的画质差别不大，犯的错误倒是一样。它们的第一张图都出现了明显的穿模，人物直接站在桌子上，豪门见家长硬生生演成了豪门集体“上桌”。

MiniMax H3标准版生成的图片

剩下三张虽然没有明显穿模，但脑袋还是没装对。每个人都顶着一张普通人脸，头上竖着一大串糖葫芦，像是戴了顶豪华版糖葫芦帽子。个别人物表情也比较平淡，少了点抓马劲儿。

我们选中问题最大的那张图片作为参考，要求海螺AI把站在桌子上的人物放下来，再把人脸和糖葫芦融合起来。重新生成的4张图片成了集体“上桌”，全都出现了穿模问题，上桌的人物更多了，像在进行某种神秘仪式。至于人脸和糖葫芦，依然各长各的。

MiniMax H3标准版修改后的图片

豆包也在脑袋上栽了跟头。场景、服装没大问题，但角色同样顶着普通人脸，糖葫芦和五官也是各长各的。

豆包生成的剧照

好在它支持局部编辑，我们选中人物要求改头，结果四张脸它只改了三张，剩下一个角色继续顶着人类面孔，混在糖葫芦家族里。

我们只好再提醒一次。这回又等了约7分钟，总算把漏网之鱼处理了。但改完之后，食物和人脸虽然勉强融合到了一起，人物原本的表情、身份特征却变得模糊了，少爷和爸爸看上去像是互换了身份。这和Seedream 5.5说的“多轮编辑稳定”，还有距离啊！

豆包修改后的图片

接下来是第二题，考审美。

此前网上火过一阵中式天宫全景图，云海之上的天庭，宫殿、仙山、白玉天阶一应俱全，飘飘欲仙。这次不设复杂的人物，我们只让三款AI造一座宏伟的神话天庭，看看谁的审美更在线。

提示词：

原创中国神话天庭全景，宏大到近乎宇宙尺度的东方仙境。镜头位于九重天之上，以超广角高空俯瞰视角展现一座悬浮在无边云海中的天庭之城。数百座中国古典宫殿、琼楼玉宇、朱红楼阁依托巨大的浮空仙山层层铺展，宫阙沿山势错落分布，向遥远天际延伸，呈现恢宏而有秩序的建筑群落。

画面中央是一座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，屋脊雕刻着精致的龙凤纹饰。主殿周围环绕着数十座不同规模的仙宫，白玉长桥横跨云海，连接各座浮空山峰。数千级天阶顺着山脊盘旋向上，最终汇聚于最高处的凌霄宝殿。宫殿之间的道路、台阶、桥梁具有合理的连接关系，每一座建筑都拥有清晰的支撑结构和真实的中国古典建筑比例。

画面左侧，一座巨大的悬空仙山从云层中升起，山崖上生长着苍劲古松，点缀着青绿色琉璃瓦的亭台楼阁。右侧是规模宏伟的天宫建筑群，层层宫墙、白玉庭院与金色飞檐在阳光下交错延伸。数道巨型瀑布从悬浮山崖倾泻而下，落入下方深不见底的云海。远处的三重仙山在晨雾中若隐若现，天际还有无数细小的宫殿轮廓，形成极其壮观的空间纵深。

天空呈现淡青、蔚蓝与金色的自然渐变，清晨阳光从东方照射而来，穿透层叠云海，在仙宫屋顶、白玉长桥与山峦之间形成清晰的体积光。云海具有真实的流动感、厚度和自然遮挡关系，近处建筑纹理精细，远处宫阙随距离逐渐变小、颜色变淡，形成准确的空气透视。

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，以及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，真实的飞檐、斗拱、榫卯、屋脊神兽、石雕栏杆、龙纹与云雷纹清晰可见。整体以白玉、朱红、鎏金、青绿、淡青色为主色调，色彩明亮、通透、丰富而克制。

画面神圣、庄严、宁静、壮丽，具有极强的建筑巨物感和史诗尺度。重点突出天庭建筑群的宏伟体量、空间秩序与天地之间的层次关系，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，恢宏的纵深构图，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、西式哥特教堂、希腊神庙、欧式城堡、欧洲天使、现代城市、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、建筑结构错误、屋顶比例失衡、重复复制的楼阁、没有支撑的桥梁、悬浮关系混乱、台阶断裂、透视错误、建筑过度拥挤、浓雾遮挡主体、过度金光、过度紫色、随机文字、Logo、水印、现有影视角色、游戏角色及IP符号。

ChatGPT继续走精致路线。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。

ChatGPT生成的天宫图片

只是它好像对“宏伟”两个字有自己的执念。整个天庭金碧辉煌，宫殿多得几乎塞不下，恨不得把九重天的所有楼盘都挤进一张图里，越看越觉得有点土豪风。不知道是不是第一当久了，连造个天宫也不知道低调。

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、收敛富丽堂皇、加点中式韵味。约1分钟后，修改版出炉，宫殿少，画面清爽了，风格也对了。听劝程度，满分。

ChatGPT修改后的天宫图片

这一轮，海螺AI和豆包的表现更对胃口，首图就比较满意，我们也就没再修改。

海螺AI的天宫布局相对舒展，云雾穿梭在楼阁之间，像一张制作精良的仙侠游戏场景图。而且，无论标准模式还是高速模式，生成的4张图片风格都比较统一，差别主要在建筑排布上。

MiniMax H3标准版生成的天宫图片

豆包的表现和它十分接近，宫殿层层递进，构图自然，同样是浓浓的仙侠味儿。

豆包生成的天宫图片

两轮测下来，OpenAI的模型综合表现依然领先，复杂指令理解得最准，修改又快又准，基本一次到位，只是审美偶尔用力过猛。MiniMax的模型展现出了速度优势，在海螺AI上最快十几秒出图，画质也不差，但面对复杂任务，还没做到又快又好。字节的模型画质在线，但在这次实测中，修改既慢又不够稳，让我们有些失望。

02.模型越来越强，有场景的厂商更容易胜出

厂商们持续投入图片模型研发，是看中了专业市场的商业化空间。

相比生成头像、表情包等娱乐需求，广告、电商、游戏美术等行业需要持续生产大量图片，也更愿意为效率付费。随着模型能力提升，AI有机会承担更多设计和素材制作工作，帮企业省下人工成本。

图片模型的变现方式也不止一种。除了向个人用户收会员费，厂商还能通过API调用、企业服务获得收入，也可以把图片能力整合进现有产品，提高用户的使用频率。

但专业用户的要求也更高。图片不仅要好看，还得保证商品、人物和品牌元素的一致性，能够按照要求准确修改。从前面的实测来看，现阶段的模型仍有不少问题需要解决。

面对同一块市场，三家的打法各不相同。

OpenAI拼的是模型能力和入口。ChatGPT拥有庞大的用户基础，用户不需要专门打开生图软件，在聊天框里就能生成、修改图片。OpenAI披露，全球用户每周在ChatGPT、Codex和API上生成的图片已达40亿张。每次升级图片模型，OpenAI都能直接触达这批用户，不必从零推广新产品。反过来，图片能力也能提高ChatGPT的使用频率，吸引用户付费。

字节则拥有更成熟的内容创作场景。

Seedream可以进入即梦、豆包、豆包工作等产品，也能通过火山方舟向企业和开发者提供服务。普通用户可以用它生成趣味图片，专业创作者可以制作素材，企业还能通过API批量生成内容。

图源 / Seedream官网截图

尤其是即梦，本身就聚集了大量有图片、视频创作需求的用户，Seedream每次升级都可以直接服务这些需求。字节也能通过现有产品收集使用反馈，继续改进模型。

MiniMax的处境要相对困难一些。它虽然有海螺AI这样的创作产品，但用户规模和场景成熟度，都远不及ChatGPT和即梦。即使模型能力不错，想让用户专门换一款工具，也要付出额外的获客成本。

因此，MiniMax选择从速度、价格和开放策略上寻找突破口。

在这次测试中，H3-Image高速模式的画质与标准模式没有明显差距。对于需要批量生成图片的用户来说，更快的速度意味着更高的效率。再加上相对较低的生成价格，MiniMax有机会吸引对成本敏感的开发者和企业客户。

但速度和低价很难形成长期壁垒。OpenAI和字节同样可以提速、降价，而且用户规模更大的厂商，更容易靠规模效应摊薄成本。专业用户更在意的，是能不能按要求一次改对。如果一张图要来回改好几轮，单次出图快的那几十秒，也就没多大意义了。

开放模型权重对MiniMax的长期价值更大。企业可以根据自身需求进行本地部署和定制，减少对第三方API服务的依赖。相比只能通过API调用的闭源模型，这对有定制化需求的企业和开发者更有吸引力。企业一旦围绕模型完成部署和系统集成，再换模型就要付出额外成本，MiniMax也就更有机会留住客户。

MiniMax已经证明了自己出图更快、更便宜，但下次再测，我们希望它不只能十几秒出图，还能一次就把糖葫芦家族的脑袋装对。

*题图来源于MiniMax官网。