本文来自微信公众号： 硅星人Pro ，作者：黄小艺，原文标题：《实测MiniMax H3 VS Seedance 2.5 ：旗鼓相当，性格迥异》
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:
prompts:生成一段电影级奇幻短片。场景是午夜闭馆后的自然博物馆大厅，高大的玻璃穹顶洒下冷白色月光。大厅中央陈列着一具巨大的霸王龙骨架，两侧是玻璃展柜和古老石柱。地面光滑，可以产生克制、准确的倒影。主角是一只体型真实的成年红狐狸，橙红色毛发、白色胸口、黑色四肢。狐狸的体型、毛色和外观全程保持一致。全片一镜到底，通过连续运镜完成，不能剪辑或突然换景。0～3秒，摇臂俯冲：镜头从博物馆穹顶下方开始，缓慢掠过一具悬挂在空中的巨大蓝鲸骨架。随后摄影机像摇臂一样向下俯冲，穿过鲸鱼肋骨之间的空隙。摄影机下降过程中逐渐向前倾斜，从俯拍大厅转为平视，最后发现红狐狸正从一扇半开的木门中走出来。前景骨架、石柱和远处狐狸形成明显、准确的空间视差。3～6秒，超低机位跟拍：狐狸听见声音，突然向大厅深处奔跑。摄影机迅速降低到距离地面约20厘米的位置，在狐狸左侧平行跟拍。狐狸奔跑动作符合真实动物运动规律，四肢落点准确，尾巴随身体自然摆动。镜头掠过石柱和玻璃展柜，近处物体快速划过，远处霸王龙骨架移动较慢，产生强烈纵深感。狐狸在光滑地面上的倒影必须与动作同步。6～8秒，甩镜与焦点转移：狐狸突然停住，抬头看向上方。摄影机沿狐狸视线快速向右上方甩动，运动模糊自然，准确停在霸王龙巨大的头骨上。焦点先落在前景的一排尖牙上，再平滑转移到头骨空洞的眼窝。一束月光扫过眼窝。霸王龙骨架的头部轻微转动，落下一点灰尘。8～12秒，环绕运镜：摄影机迅速后退并下降，重新找到站在骨架下方的红狐狸，随后围绕狐狸和霸王龙骨架顺时针环绕270度。环绕开始时是狐狸面部近景，可以看见耳朵转动和呼吸。镜头运动过程中逐渐拉远，露出整具霸王龙骨架正在缓慢苏醒：脊椎依次伸展，肋骨轻微张开，尾骨扫过地面，但每一块骨骼仍然保持正确连接。狐狸始终站在原地，警惕地注视骨架。摄影机经过石柱后方时产生短暂、真实的遮挡；重新出现后，狐狸和霸王龙的位置、朝向完全连续。12～15秒，快速拉远与垂直升高：霸王龙骨架突然低下头，将巨大的头骨靠近狐狸。狐狸没有逃跑，而是向前一步，用鼻尖轻轻碰了一下霸王龙的鼻骨。接触瞬间，整座大厅的灯光依次亮起。摄影机立即高速向后拉远，同时垂直升高，从近距离互动变成整个大厅的对称大全景。红狐狸和霸王龙骨架逐渐缩小，蓝鲸骨架重新进入画面上方。最后一秒，博物馆里所有动物骨架同时缓慢转头，看向镜头。摄影机准确停住，画面保持稳定。摄影要求：真实电影摄影，冷色月光与暖色展柜灯形成对比；开头使用24毫米广角，狐狸跟拍接近35毫米视觉，面部近景具有浅景深；运镜有自然加速、减速和惯性；固定空间结构，光源方向一致，遮挡关系准确。声音设计：空旷大厅的环境回声、狐狸爪子接触地面的轻响、骨骼摩擦声、灰尘落下声和电灯逐盏亮起的声音。不要音乐，最后只保留狐狸轻微的呼吸声。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。
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。
Prompt：
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:
生成一段双臂机器人操作训练视频。视频用于检查多摄像头Ego数据的同步性、空间一致性与接触物理，不要拍成电影或产品宣传片。画面采用固定的2×2四宫格，四个画面从第一帧到最后一帧始终同时存在，不得切换位置：左上：机器人头部第一人称相机，100度广角，可以看到双臂、夹爪和完整桌面。右上：左腕部相机，固定在左夹爪上方，镜头方向与夹爪朝向一致。左下：右腕部相机，固定在右夹爪上方，镜头方向与夹爪朝向一致。右下：工作台正上方的外部相机，仅用于核对动作和物体位置。前三个画面属于Ego视角，右下画面是验证视角。四路画面必须表现同一个空间、同一台机器人和完全同步的同一次动作。不得在不同画面中分别重新生成动作。场景是一张带有5厘米方格的工业工作台。桌面上只有一个边长10厘米的红色立方体、一个绿色目标托盘和一根固定不动的蓝色圆柱。机器人是一台固定结构的双臂机器人，左右机械臂、夹爪尺寸和关节数量全程保持一致。0～3秒：机器人保持头部不动。右臂接近红色立方体，右夹爪保持张开。左臂停在桌面左侧。四个画面中，立方体的位置、朝向和机器人动作必须相互对应。3～6秒：右夹爪到达立方体两侧，先接触物体，再闭合并垂直抬起。夹爪不得穿入立方体，立方体不得提前移动。右腕部相机必须跟随右手同步移动，不能像固定机位一样停在原处。6～9秒：右手把立方体移动到双臂之间。左夹爪从另一侧接触立方体并闭合。只有在左夹爪稳定夹住之后，右夹爪才能松开，完成一次真实的双手交接。交接过程中立方体不能复制、消失、悬浮或突然改变方向。9～12秒：左臂把立方体移动到绿色托盘上方并缓慢下降。立方体接触托盘后，左夹爪才松开。物体自然稳定，不得弹跳、穿透、滑出托盘。12～15秒：双臂返回初始位置，红色立方体留在绿色托盘内。蓝色圆柱、桌面、相机位置和环境光线保持不变。多摄像头要求：四路画面必须逐帧同步。同一个接触、抬升、交接和释放事件，在不同视角中的发生时间误差不得超过两帧。同一时刻，立方体只能处于一个空间位置；不同视角中的遮挡关系、朝向、夹爪开合程度和阴影必须符合各自相机的位置。腕部相机必须与机械臂刚性连接。机械臂转动时，腕部画面应产生对应的旋转和位移，不能独立漂移。头部相机和外部相机保持固定，不得自动跟拍。采用真实机器人训练数据质感，光线均匀，所有物体清晰。不要景深虚化、电影调色、慢动作、剪辑、字幕、界面、背景音乐或夸张运动模糊。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:
prompts：傍晚下过雨的东京街头，一位穿深绿色风衣、短黑发的年轻亚洲女性站在便利店门口。镜头从她右手拿着的一枚透明玻璃弹珠特写开始，弹珠准确倒映出街道上红色霓虹招牌“MOON 24”。她将弹珠从右手递到左手，手指数量和关节运动必须自然，弹珠始终保持同一个物体的外观和大小。镜头缓慢向后移动，并绕人物顺时针旋转约120度。她同时撑开一把透明雨伞，走下两级湿润的台阶。鞋底踩进浅水洼，水花按照真实物理规律向外溅开，风衣下摆受到微风影响轻微摆动。雨伞和玻璃橱窗中都能看到与人物动作同步、方向正确的倒影。一辆黄色出租车从画面左后方驶过，车身短暂遮挡人物，但车辆离开后，她的脸、服装、发型和手中弹珠必须与遮挡前完全一致。镜头最终停在中景。她抬头看向镜头，露出克制的微笑，然后把弹珠举到眼前。此时夕阳从云层中出现，环境光由冷蓝色自然过渡为暖金色，玻璃弹珠在她脸上投下一个微小而真实的彩色光斑。整体采用真实摄影质感，35毫米镜头，浅景深但主体始终清晰，运镜稳定流畅，皮肤保留自然纹理，湿地反光准确，动作连续，没有慢动作，没有镜头跳跃。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：
一位约27岁短发亚洲女性，穿黑色防水夹克、深灰色工装裤和黑色运动鞋，斜挎带亮橙色肩带的黑色防水邮差包，包始终固定在身体左侧。写实犯罪动作电影短片，深夜暴雨中的工业港口集装箱通道。通道左侧是蓝色集装箱，右侧是红色仓库墙，通道尽头有一道正在缓慢下降的金属卷帘门。低饱和青蓝色环境光，橙红色港口警示灯局部对比，湿地反光、雨滴、水花符合真实物理规律。全程正常速度，无慢动作。第0-4秒画面：运镜：俯冲下降，镜头从港口上方约20米处快速但平稳向下俯冲，由垂直俯拍逐渐倾斜为约45度视角，画面掠过起重机钢架和堆叠的集装箱，最终找到从红色仓库门冲出的女性，她落地后立即沿通道向出口奔跑。远处卷帘门已经开始缓慢下降。近处钢架移动更快，远处集装箱移动较慢，形成真实空间视差。<暴雨声持续低沉><远处港口汽笛声>第4-8秒画面：硬切到距离地面约40厘米的侧面跟拍镜头。运镜：侧面跟拍，镜头与女性平行移动，她从画面左侧向右侧奔跑。前方出现一道约80厘米高的金属护栏，她不减速，右手撑住护栏，收起双腿从护栏上方连续翻越，手掌先接触护栏，身体重心越过，双脚依次落地，膝盖弯曲，鞋底踩进浅水洼，水花向运动方向后方飞溅。背包固定在左侧自然晃动。<手掌拍击金属声><脚步踩水声>第8-12秒画面：硬切到正面广角镜头。运镜：迎面跟拍，镜头位于她前方约两米，使用稳定器快速向后移动，她朝镜头方向奔跑但不直视镜头。港口探照灯从她身后地面横向扫过。她短暂回头确认身后情况，随后重新看向前方，头部转动不改变奔跑方向，脚步和手臂摆动保持自然。镜头轻微上下起伏但不剧烈摇晃。<急促呼吸声><脚步踩水声>第12-16秒画面：硬切到卷帘门正上方固定垂直俯拍镜头。运镜：固定机位，镜头位置和方向保持不变。卷帘门距离地面约一米并继续稳定下降。女性跑到门前主动降低重心，先屈膝再向前滑行，双腿、身体和背包依次从门下通过，身体完全通过后卷帘门才接触地面。她利用滑行惯性越过门槛，双手短暂撑地后起身继续向前移动。<卷帘门电机嗡鸣声><衣料摩擦声><手掌撑地声>第16-20秒画面：硬切到卷帘门外侧贴地近景。画面拍到她的右手和鞋底接触地面，她用右脚蹬地起身再次加速奔跑。运镜：甩摇，镜头沿她的运动方向完成一次水平甩镜，从手脚近景追到她的侧后方，甩镜过程出现自然运动模糊，结束时恢复清晰。摄影机稳定跟随她奔向前方的哑光黑色摩托车。她跨过一条约半米宽的积水沟，起跳腾空落地连续，水面只在落地位置产生真实波纹和水花。<脚步蹬地声><水花飞溅声>第20-25秒画面：女性跑到摩托车左侧，先用左手握住车把，以左脚为支点将右腿从车座后方跨过坐到摩托车上。运镜：环绕拍摄，镜头围绕人物和摩托车顺时针环绕约140度，从左侧中景移动到右后方低机位，环绕过程中摩托车、人物和背景位置保持连续。她坐稳后用右手启动摩托车，圆形车灯点亮，后轮开始转动，摩托车启动前保持完全静止。她转动车把驶离原位，轮胎压过积水向后甩出扇形水雾。<摩托车引擎启动声><轮胎压水声>第25-28秒画面：硬切到摩托车左后方高速追踪镜头。运镜：跟随拍摄，镜头与摩托车保持约三米距离沿同一方向平行加速。女性俯低身体，摩托车在两排集装箱之间快速前进。她绕过道路中央一个静止的木箱，摩托车先向右倾斜转向避开木箱后自然回正，车轮始终接触地面。背景灯光快速划过，集装箱本身不移动。<摩托车引擎加速声><风声>第28-30秒画面：摩托车驶出集装箱通道穿过港口出口。运镜：拉升离场，镜头在跟随过程中迅速升高向后拉远，从车辆追踪镜头连续变成港口大全景。黑色摩托车沿湿润公路驶向远处，红色尾灯逐渐缩小，港口起重机、集装箱通道和已关闭的卷帘门同时进入画面。最后半秒镜头稳定停住不继续旋转。<远处港口汽笛声><摩托车引擎声渐远>声音设计：低沉快速的原创打击乐节奏贯穿全片，节拍与切镜和关键动作基本同步。保留清晰的暴雨声、急促呼吸声、脚步踩水声、手掌接触金属护栏声、卷帘门电机声、衣料摩擦声、摩托车启动声、轮胎压过积水声和远处港口汽笛声。无对白。写实电影摄影，2.39:1电影画幅构图。人物面孔、发型、身材、服装和背包全程保持一致，背包只能按惯性自然晃动，不能消失、复制或换边。每次切镜延续上一镜头的动作方向、人物姿态和空间位置。运镜有自然加速减速惯性，不突然瞬移。不要追兵、路人或第二位主角。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。