Seedream 5.5对决MiniMax H3-Image：四项实测，路线差异在哪

11月9日与10日，字节Seed和MiniMax接连推出各自的新一代图像模型——Seedream 5.5和MiniMax H3-Image。前者打的是百轮编辑不崩坏、原生透明素材和图层拆分；后者强调10秒出16MP大图、开放权重，价格也更低。

我们用同一套提示词和素材，把四项能力放在一起同台比了一遍，随后又分别验证两款模型各自独有的本事。想看的就是：两家各自的核心能力，搁进同一套考题里，究竟能兑现多少。

比完之后，我们归纳出四条结论。

一、写实这一关，已经分不出谁高谁低了。两边的人像和街景都足以乱真，差别落在审美口味上——MiniMax像“街头抓拍”，Seedream像“电影剧照”。用户挑模型时，不必再为“哪个更真”纠结。

二、真正拉开差距的是文字。十种语言、共20行文字，Seedream写对19行，MiniMax写对12行。做多语言海报、出海物料的团队，凭这一项就足以决定选哪家。

三、多图理解上，两款模型“听话”的方向不一样。两家各做对5项：MiniMax更贴近参考图，Seedream更遵循文字指令。要照着素材复刻，选前者；要按需求改造，选后者。

四、像素堆得高，不如交付做得好。MiniMax的16MP近景放大后立得住，远处人群照样糊；Seedream拆图层一次就能拆对，背景还会自动补全，离设计师的实际需求更近。

整体看：生成的图里文字以中英文为主，又看重高分辨率和低成本，就选MiniMax；图片涉及多语言，还要反复改图、分层编辑，Seedream更稳妥。

一边拼尺寸，一边拼可控

两款新模型发布时，核心卖点几乎不重叠，路线上的分歧一眼可见。

MiniMax H3-Image选的是“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。官方说法是：10秒内出一张4096×4096、约16MP的图像，速度达到市面主流水平的5倍，价格仅为同档位产品的50%到70%。MiniMax H3-Image还自称具备“开源模型中最强的指令遵循能力”，最多可接16张参考图，权重也已开放。

Seedream 5.5走的则是“改得稳、能进生产线”。

Seedream 5.5有三处核心升级：多轮编辑时，非编辑区域的像素保持不变，官方演示连着改了100轮；原生RGBA透明素材，最多拆出100层；写实质感与文字渲染，官方给出的严重文字崩坏率为0.4%。

同一套题：真实感打平，文字见分晓

两家都有的能力，我们挑了写实、文字、多图理解三个方向，共设四个案例；只有一家具备的能力单独测——MiniMax测大分辨率出图，Seedream测图层拆分。

所有对比案例共用同一条提示词，每条只生成一次，固定取第一张。结论反映的是单次表现，难免带点随机性。

测试用的参考图由第三方模型GPT Image 2.6生成，免得哪款模型“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，这在写实和文字两项里对MiniMax更有利。

1.早餐摊人像：两张都能乱真，一张像抓拍，一张像剧照

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看不出明显的AI痕迹，差别主要在风格和细节执行。

Seedream给出的画面是标准电影感——浅景深、金色轮廓光、蒸汽在逆光中层次分明，人物年龄也贴合描述。可它没照“手机随手拍”去做，更像一张精心构图的摄影作品。

MiniMax的画面更接近真实街拍：广角、构图随意，阿姨脸上的斑点、皱纹、手背的褶皱都清清楚楚。问题有两处——人物明显比要求的五十多岁更显老，背景招牌上的汉字成了一串认不出的笔画。

2.雨夜大排档：Seedream的光影更讲道理

这一题考的是多光源、多材质下的物理一致性。两家的“老陈烧烤”四个字都写对了。

Seedream更贴合提示词里的物理细节。烤炉冒出的烟被炉火映成橙色，出租车尾灯在湿漉漉的地面上拉出反光。

MiniMax的画面冲击力更强，霓虹招牌和湿地倒影都抢眼。不过它把“刚下过雨”生成了“正在下雨”，烟也没被火光染色，整体饱和度和锐度偏高，后期调色的痕迹明显。

3.十种语言欢迎墙：Seedream写对19行，MiniMax写对12行

我们让两家各生成一面机场欢迎墙：10块灯箱分别用简体中文、繁体中文、英文、日文、韩文、法文、德文、俄文、阿拉伯文和泰文，每块写一行“欢迎来到上海”的大字和一行“行李提取请左转”的小字，共20行，再逐字核对。

结果Seedream写对了19行。唯一的失误出在泰文大字，一个辅音写错；阿拉伯文的连写和书写方向、法文和德文的变音符号，它都处理正确。

MiniMax只写对12行。中文简繁、英文、法文、德文全对，错集中在其余五种文字：日文「ようこそ」写成「ようここ」，韩文小字「왼쪽」写成「왠족」，俄文小字把「слева（左边）」写成「слава（荣耀）」，意思完全变了；阿拉伯文两行各有字母错误，泰文小字基本成了乱码。

这张图MiniMax的分辨率是Seedream的四倍，所以这些错误很难归咎于像素不够，更可能是模型对长尾文字掌握得还不扎实。Seedream发布时强调的文字能力进步，这次测试里得到了印证。

4.六图合一：两家都做对5项，失分方向相反

测试中，我们交给GPT 6张参考图：图1里的女生要穿上图2那件大衣，肩上挎图3的包，站到图4的雪天街口，姿势照着图5来，色调向图6看齐，不过图6里的路灯、长椅不能带进画面。两款模型都没把元素搞混，人物、大衣、场景、色调全部对得上，差异出在细节怎么取舍上。

Seedream更听文字指令的话：那只包原本只有手提把，它硬是补出一条肩带，让人物把包背到了肩上。代价是姿势只对了一半，另一只手握着肩带，没插进口袋。它的色调收得更紧，成片也更接近真实照片。

MiniMax则更贴参考图本身，姿势还原得最全，一只手搭在额前，另一只垂在口袋边，可包是拎着的，没背到肩上。整体色调上，青橙对比被它推得很重。

5.MiniMax的1680万像素：近处是真细节，远处仍会糊

我们又让MiniMax画一张春运候车大厅的大场景，里面藏进6个小彩蛋，出图分辨率5472×3072。6个彩蛋一个没落，举着“妈我到了”纸牌的小男孩、靠着柱子打盹的保安、显示“G1234北京南14:05正点”的电子屏都对得上，只有泡面桶上的“红烧牛肉面”少了个“肉”字。

放到100%看，前景羽绒服的褶皱、保安制服上的徽章、泡面冒的热气都扛得住，可远处人群开始发糊融化，人脸细节明显不够。分辨率是提上去了，但MiniMax这张图里的细节分布并不均匀。

6.Seedream的图层拆分：六层一次拆对，背景自动补全

我们还把一张GPT生成的《追风的女孩》电影海报丢给Seedream，要它拆成人物、风筝、片名、小字、阳光光晕和背景6个透明图层，一次就拆对了。人物层里飘动的发丝、手里的风筝线轴都在，风筝层带着细长的风筝线，片名的毛笔笔触和小字也一并保留。

最管用的是背景层：女孩原来站的位置被自动补成连续的油菜花田和天空，在画布预览里看不出抠过的痕迹。对设计师来说，拿到手的不再是一张图，而是一份能接着编排的源文件。

写在最后

几轮测试下来，结论是：生图这块，写实不再是护城河，交付能力才是。

图像模型在写实上已经越过了门槛。当“画得像”成为标配，它就很难再构成竞争壁垒。

真正拉开差距的，是一张图能不能直接拿去用。海报字写错了，画得再漂亮也交不了差；出海品牌这边，阿拉伯文、泰文这类长尾文字偏偏是刚需。图层拆分也一样，它让输出从“成品图”变成了“可编辑的素材”。

两家的路线因此更清晰。

MiniMax选的是基础设施这条路，靠分辨率、速度、价格和开放权重把使用面铺开，开放权重也让社区有条件自己补上多语言文字这类短板。

Seedream走的是生产工具路线，多轮编辑、透明素材和图层拆分都指向同一个目标，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可以交付的工作成果。