实测MiniMax H3 VS Seedance 2.5 ：旗鼓相当，性格迥异

作者｜黄小艺
微信 ｜H997Hbiu

7月31日，视频模型终于也有了自己的“撞车日”。

MiniMax H3 和字节 Seedance 2.5 在同一天上线。一个宣布即将开放权重，把文字、图片、视频和音频统一成一段可以自由调用的上下文；一个沿着闭源工业化路线，接替上一代 SOTA Seedance 2.0 的位置，用30秒直出、更大规模的素材参考和更精确的镜头控制，一次性生成长篇叙述。

它很像LLM竞争最热闹时才会出现的场面：两条路线，两个最能打的选手，正面撞进了同一个擂台。

所以我们也不绕了，直接让它们开打。

我们把同一组长 Prompt、参考图和参考视频分别喂给两款模型，安排了三轮同题 PK，再加两轮单项加试：既让它们拍电影、拍广告，也把它们推向多机位机器人训练数据这种几乎不允许犯错的任务。

测到最后的结论是，两者都很强，谁都没完全把对方打趴下。而更有意思的是它们在处理任务里体现出的不同思路，让人觉得这两个模型有着明显不同的“性格”：

MiniMax H3 更知道片子最后应该“像什么”，Seedance 2.5更知道导演刚才具体要求它“做什么”。

这也意味着，视频创作者终于有得选了，而且是两个完全不同的顶级选择。

1

三轮同题PK：各有取舍

为了尽量公平，我们把两款模型都跑过的案例放在一起，主要看：复杂指令能不能听懂，镜头和动作有没有执行，人物与空间能不能保持一致，画面有没有成片质感，以及声音、文字、商品等细节能不能稳定下来。

需要说明的是，本轮 Seedance 2.5 通过小云雀创作 Agent 测试，产品端可选输出为 720P；H3 的测试入口和输出规格不同。因此，我们可以比较审美倾向和任务完成方式，不能把清晰度差异全部归因于底层模型。

第一轮 导演级的指令跟随，运镜、打光

第一轮，我们先给两款模型塞了一份高难度的奇幻短片脚本。

场景是一座午夜闭馆后的自然博物馆：一只狐狸闯进大厅，撞见正在苏醒的霸王龙骨架，最后还要用鼻尖轻轻碰上去。

模型既要凭空搭起一个稳定的博物馆空间，又要处理狐狸奔跑、骨架苏醒这些完全不同的运动结构；而“一镜到底”又封住了它通过切镜掩盖人物变形和空间漂移的退路。

在这15秒里，我们还塞进了摇臂俯冲、低机位跟拍、甩镜、焦点转移、270度环绕和快速升高拉远五段运镜，同时要求倒影、遮挡、冷暖光线和声音准确配合。

Prompt:

负面要求：不要剪辑，不要闪白，不要镜头瞬移，不要让建筑旋转冒充环绕运镜，不要狐狸变形或变色，不要出现多条尾巴，不要让动物脚掌滑行，不要骨骼断裂或数量异常，不要霸王龙长出皮肤，不要错误倒影，不要穿模，不要背景漂移，不要焦点抽搐，不要突然改变镜头焦段，不要卡通风格。

MiniMax H3输出效果：

Seedance 2.5输出效果：

两个结果的差异，第一眼就非常明显：

H3的电影感首先来自画面本身。狐狸、霸王龙、展柜和穹顶始终待在同一个稳定空间里，没有随着镜头移动胡乱换位；地面倒影基本同步，狐狸的毛色、体型和尾巴也保持了一致。最后狐狸靠近霸王龙，灯光依次亮起，摄影机快速拉远并升至大全景，全程一镜到底，很像一部奇幻电影的结尾。

但如果逐条核对机位分镜，完成度就没那么高了。开场的蓝鲸骨架俯冲完全消失，低机位侧面跟拍变成背后跟随，狐狸也没有真正奔跑。结尾进入画面的还是一条完整蓝鲸，并非骨架。

而Seedance 2.5 的电影感来自于运镜表现，它几乎把 H3 漏掉的分镜摄影指令都补了回来：镜头穿过骨架，机位平切到狐狸侧面，掠过石柱和展柜，狐狸真的奔跑起来，地面倒影与本体方向也正确。

可它的问题正好在另一面。压根没管“一镜到底”的要求，每个镜头单拿出来都像按 Prompt 拍的，剪到一起却不像发生在同一座博物馆，比如最后的ending大视角下，石柱直接消失了，结尾的几具骨架变成了有皮有肉的真实动物。

两者的不足之处，恰好是对方的优点。

第二轮：同拍一支百事广告，谁更接近商用

AI 视频除了做一些创意视频外，真正商用较多的还是广告和短剧，能做好这两个部分，视频模型才能真正进入生产中，而不只是创造者的玩具。

我们上传一张两罐百事可乐的产品图，要求模型严格保留罐体比例、深蓝包装、银色罐口、品牌标志、中文“百事可乐”和罐身上的白色舞者图案，做一个创意广告。

Prompt：

负面要求：不得改变罐体比例，不得修改包装设计，不得生成错误商标，不得让中文文字变成乱码，不得把两个罐子融合，不得增加第三罐产品，不得让舞者出现清晰真人面孔，不得模仿具体明星，不得出现多余手指或扭曲肢体，不得使用硬切、闪白或遮挡式转场，不得让可乐罐漂浮，不得出现卡通质感。

图片参考输入素材：

MiniMax H3输出效果：

Seedance 2.5输出效果：

H3 保住了两罐产品的大部分关键元素。舞者从罐身走出、触发舞台、重新回到包装，创意形成了完整闭环。开场瓶身扫光、水珠、气泡、开罐声和鼓点都踩在画面节奏上；结尾广告语也准确清晰。

问题出在精确动作和镜头落点。舞者没有清楚完成后滑步，脚下的蓝色液体波纹没有出现；回到罐身时，立体舞者曾与包装上的平面舞者短暂共存；最后本应推向右侧罐体的镜头，也给到了左侧。

Seedance 2.5 的画面少了一点商业广告式的精致布光，舞者的后滑步同样变成了几步小跑。但它更准确地完成了二维到三维的转化，并在 Ending 把镜头交给了指定的右侧产品。

如果只看第一眼，H3 更像广告，但如果拿着分镜一条条验收，Seedance 2.5 完成得更准。

还是没分出胜负。

第三轮：四机位机器人训练，两边都翻车了

前三轮还在内容创作领域，最后一轮我们把难度推到了“世界模型”。

多摄像头 Ego 数据，是今年机器人训练中很流行的一类数据。它把相机安装在机器人的头部、胸前和左右手腕，从机器人自己的视角，同时记录“看到了什么”和“手是怎么操作的”。

相比固定在房间角落的第三方机位，Ego 数据更接近机器人执行任务时真正获得的视觉输入，多个摄像头还能补上手臂遮挡、物体离开视野等信息，让模型理解同一次抓取、交接和装配动作在不同视角下的对应关系。

从结果上来看，两款模型都失败了，各打一板。

Prompt:

负面要求：不要生成不同步的四段动作，不要复制立方体，不要左右手混淆，不要交换腕部视角，不要改变机器人结构，不要夹爪穿模，不要物体瞬移，不要违反重力，不要让未接触的物体移动。

MiniMax H3输出效果：

Seedance 2.5输出效果：

H3 生成的四个画面都是一个视角；Seedance 2.5有视角差异，但是不管机器人主体还是运动都和Prompt的要求关系不大。

内容视频只要“看起来连续”就可能过关，机器人训练数据却要求每一帧都满足空间、时间、接触和相机几何约束。今天的通用视频模型已经很会拍戏，但距离可靠地模拟世界，还有一道很厚的墙。

1

H3 的强项：复杂的细节呈现

共同测试看完，这两款模型各自的能力还非常值得拆开看。

H3 最有辨识度的地方，是电影质感和丰富连贯的细节能力。它试图打破生成、参考和编辑之间的边界，图片给身份，视频给运动，声音给音色，文字给创作意图，模型把这些东西放进同一段上下文里理解。

我们来看一组500字的超长、复杂提示词表现。

Prompt:

负面要求：不要剪辑，不要人物变脸，不要改变服装，不要增加或减少手指，不要让物体突然出现或消失，不要错误倒影，不要文字乱码，不要画面闪烁，不要肢体穿模，不要不符合物理规律的水花，不要过度磨皮，不要卡通感。

MiniMax H3输出效果：

H3 对这段长 Prompt 的整体理解很好。东京街头的大背景下，生成的人物角色非常日系，还原了弹珠特写中的“Moon 24”光斑细节，完全超出了预期。

另外，左右手交接、开伞、出租车经过、人物抬头和光线由冷转暖，基本按照顺序出现。人物面孔、服装和发型也保持稳定了。

但逐条对照就能看到它在精确执行上的取舍。镜头并没有真正绕人物旋转 120 度，更多是在用画面倾斜制造运动感；出租车经过后，雨伞和弹珠悄悄换了手；橱窗里的同步倒影也没有做出来。

只要你不拿着放大镜看，单看视频效果艺术感十足，值得被称赞一句开源SOTA。

1

Seedance 2.5 的强项：准确的镜头运动

而Seedance 2.5 最值得单独测试的是 30 秒直出。它的意义并不只是把生成时长翻倍，而是要求模型在更长时间内持续记住人物、空间和运动状态。在和 H3 同题 PK 时，也能明显感觉到，Seedance 对镜头运动的执行更准确。

30 秒真正增加的，是时间翻倍之后所有可能出错的东西。我们在新的Prompt里塞进了航拍俯冲、低机位跟拍、正面后退、固定俯拍、甩镜、环绕和车辆追踪，人物还要连续完成奔跑、翻越、滑行、起跳、上车和转弯。

Prompts：

五官清晰不变形，人体结构正常，服装发型一致，4K超高清，画面稳定，电影质感。不要生成水印，不要生成logo，保持无字幕。时长：30秒，比例：16:9。

Seedance 2.5输出效果：

原本写进 Prompt 的八段镜头基本全部出现了，运动表现也很好，声音跟着动作走，脚步踩水、金属碰撞、卷帘门电机和摩托车启动声分别落在对应镜头里。

但致命的问题在于，镜头的最后，一艘本该在水面上的远洋货船，出现在了水泥地上。

1

开源搅动竞争，接下来更热闹

直接的对比之后，会发现两个模型有很不同的“性格”。

Seedance 2.5完成了更多明确写进Prompt里的镜头动作，在时间轴控制、原生30秒和大规模素材参考上，也依然有非常清晰的优势。

但有时更重要的是，当一个任务复杂到无法全部完成时，它们分别选择牺牲什么。

H3的错误大多是“少做”，例如在博物馆测试里，它漏掉了蓝鲸骨架俯冲和侧面跟拍，却守住了一镜到底、角色形象和空间连续；在其他测试里，它也会删掉部分动作，但会优先保证人物、场景、光线和音画关系仍然属于同一条片子。

而Seedance 2.5的问题则更容易变成“做错”。它可以完成更多指定运镜，却会通过切镜绕开一镜到底；可以拍完30秒的动作大片，却在最后把本应位于水面上的远洋货船放到水泥地上；可以调用更多素材，但对素材在整个任务里究竟承担什么作用，有时理解得并不牢靠。

在能力对比之外，价格也是一个很重要的因素。

H3官方2K定价为0.8元每秒，同时宣布即将开放权重；Seedance 2.5继续采用闭源产品路线，其上一代公开价格和我们此次的实际使用成本也明显更高，2.0 720P定价接近1元每秒，1080P超过2元每秒。

开源和低价不会凭空让一个模型变强，但当它的生成能力已经进入第一梯队，这两件事会让优势迅速从一次评测扩散到部署、适配、微调和整个开发者生态。

Seedance 2.5仍然很强。如果任务依赖明确的时间点、密集的镜头调度、原生30秒和大量参考素材，它依然是一个强大的执行工具，把视频生成推向一套更长、更大、更明确的工业化生产。

毕竟视频创作，并不是只有唯一答案的Benchmark，它同时包含审美、运镜、人物一致性、素材理解、时间控制、制作成本和工作流适配，不同任务对这些能力的排序完全不同，而MiniMax H3和Seedance 2.5已经明显处在同一个能力梯队，并在解决两种不同层次的问题。

两年前，我们还在问中国视频模型什么时候才能追上Sora。那时似乎只有一个标准、一个方向，以及一个需要追赶的答案。

而现在，这样强的视频模型，创作者们有了多个选择，甚至有开源选择了。接下来多模态领域的竞争会因此出现更有趣的变化，会变得更加热闹。

点个“爱心”，再走 吧