AI News

Hands-on comparison of MiniMax H3-Image, GPT Image 2.6, and Seedream 5.5

36Kr · AIUpdated Nov 13 21:44

English text is being prepared.

AI summary

The author used the same set of complex prompts to test MiniMax H3-Image, GPT Image 2.6, and Seedream 5.5 on Hailuo AI, ChatGPT, and Doubao. H3-Image's high-speed mode generates images in about 10-15 seconds, faster than the roughly 1 minute of the other two, but under complex instructions it showed issues such as clipping and failure to blend the face with the tanghulu; GPT Image 2.6 had the most accurate comprehension and modification, while Seedream 5.5 missed changes in local editing and took about 7 minutes. The article also mentions that MiniMax opened the H3-Image weights on the evening of November 10, priced at 50%-70% of mainstream tools in the same tier.

Why read this

AI score 64

The author used the same set of complex prompts to compare the three new image models side by side, detailing specific differences in speed, comprehension, and editing stability.

Topics

Tags

Body

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(上下滑动查看文字):

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。

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(上下滑动查看文字):

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

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。

本文来自微信公众号“AIX财经”,作者:AIX财经团队,36氪经授权发布。

Source

36Kr · AI