Utopai X debütiert auf Platz 2 bei Text-zu-Video: Ein Blick in das Post-Training eines Filmstudios an MiniMax H3

Utopai X ist ein Videomodell, das letzte Woche noch nicht existierte, nicht von einem Frontier-Labor von Grund auf trainiert wurde und nicht über eine API verkauft wird – und es ist derzeit das zweitbeste Text-zu-Video-Modell der Welt. Das Modell stammt von Utopai Studios, einem KI-nativen Film- und Fernsehstudio mit Sitz in Mountain View, und es ist ein Post-Train von MiniMax H3, MiniMax' omni-modales Videomodell. Auf dem Text-zu-Video-Leaderboard von Artificial Analysis mit Audio (das Board, das Artificial Analysis jetzt als AA-Video-T2V v2.0 bezeichnet, Ergebnisse vom 29. September 2026), liegt Utopai X bei Elo 1.150 – hinter nur Alibabas Wan 3.0 mit 1.157, und vor ByteDances Dreamina Seedance 2.5 mit 1.143 und dem MiniMax H3 (768p) Basismodell, von dem es feinabgestimmt wurde, bei 1.138. Es erschien am 30.09.2026, am selben Tag, an dem das Leaderboard aktualisiert wurde, und es ist genau an einer Stelle verfügbar: innerhalb von PAI, Utopais eigener Produktionsplattform. Es gibt keine öffentliche API, und die eigene Preisspalte von Artificial Analysis für die Zeile lautet „Keine API verfügbar.“

Diese Kombination – Zweiter in der Welt, ein Vertriebskanal, keine Preisliste pro Sekunde im üblichen Sinn – ist die ganze Geschichte. Ein Studio, das Filme macht, nahm das Foundation-Modell von jemand anderem, stimmte es auf sein eigenes Produktionsurteil ab und übersprang die Warteschlange. Ob das ein dauerhaftes Ergebnis ist oder eine Momentaufnahme einer brandneuen Arena, ist die Frage, die es wert ist, gestellt zu werden, und die Antwort hängt davon ab, die Bestenliste zu lesen statt die Pressemitteilung.

Was das Board tatsächlich zeigt

Artificial Analysis bewertet Videomodelle mithilfe von Elo, das aus blinden paarweisen Präferenzabstimmungen von Menschen abgeleitet wird. Die Abstimmenden sehen zwei Clips, die aus demselben Prompt generiert wurden, und wählen den aus, den sie bevorzugen, ohne zu wissen, welches Modell welchen von beiden erzeugt hat. Die Bestenliste ändert sich, während Stimmen hinzukommen, und jede Zeile trägt ein Konfidenzintervall, das angibt, wie stark sich die Position bewegen darf. Am 2026-10-01 erfasst, lautet die Text-zu-Video-Bestenliste mit Audio:

• #1 Wan 3.0 — Elo 1.157 (±10), 6.391 Beispiele, veröffentlicht Aug. 2026, 12,00 $/Min.

• #2 Utopai X (basierend auf MiniMax H3) — Elo 1.150 (±11), 5.455 Stichproben, veröffentlicht im Sep. 2026, keine API verfügbar.

• #3 Dreamina Seedance 2.5 — Elo 1.143 (±10), 6.375 Stichproben, veröffentlicht Juli 2026, 34,12 $/Min.

• #4 MiniMax H3 (768p) — Elo 1.138 (±10), 6.343 Stichproben, veröffentlicht im Juli 2026, 4,80 $/Min.

• #5 FLUX 3 — Elo 1.129 (±10), 5.628 Stichproben, veröffentlicht im Juli 2026, 17,40 $/Min.

Zwei Details sind wichtiger als die Reihenfolge. Erstens beträgt der Abstand zwischen dem Ersten und dem Zweiten sieben Elo-Punkte, und die beiden Intervalle überschneiden sich ausdrücklich – Artificial Analysis gibt die Spanne von Utopai X mit 1.139 bis 1.161 an, was die Punktschätzung von Wan 3.0 in Höhe von 1.157 enthält. Die Rangliste kennzeichnet den Rang von Utopai X als Spanne, #1–3, nicht als feste Position. Zweitens beträgt der Abstand zwischen Utopai X und dem Modell, aus dem es durch Post-Training hervorgegangen ist, zwölf Punkte, mit demselben Überlappungsproblem, sodass „das nachtrainierte Modell schlägt sein Elternmodell“ in der Tendenz wahr und statistisch schwach abgesichert ist. Utopais eigene Darstellung ist in diesem Punkt sorgfältiger als die meisten Launch-Posts: Darin heißt es, das Elo-Ergebnis „liefert eine unabhängige Einschätzung davon, wie Menschen auf seine generierten Aufnahmen reagieren“, was eine faire Lesart dessen ist, was eine Arena für menschliche Präferenzen misst, und keine Aussage über das Filmemachen.

Die vom Anbieter gemeldete Ebene ist dagegen zuversichtlich. Utopai beschreibt Stärken bei Reflexionen und Kaustiken – den konzentrierten Mustern, die entstehen, wenn Licht reflektiert oder gebrochen wird – sowie bei der räumlichen Konsistenz innerhalb eines Clips; beides sind Entwicklungsziele und keine Benchmark-Ergebnisse. Das sind die Worte des Anbieters, nicht die Messungen von Artificial Analysis.

Ein Studio statt eines Labors

Utopai Studios entwickelt, finanziert und produziert eigene Film- und Fernsehprojekte und baut seine Modelle innerhalb dieses Geschäfts auf, statt daneben. Der genannte Mechanismus ist Feedback: Produktionen erzeugen Drehbücher, freigegebene Figuren- und Drehortdesigns, Einstellungspläne und aufeinanderfolgende Takes, und die Regisseure, Kameraleute und Künstler des Studios halten nicht nur fest, welche Takes behalten wurden, sondern auch, warum die anderen verworfen wurden. Diese Aufzeichnung wird zum Trainings- und Evaluierungssignal. Das Forschungsteam betreibt außerdem ein internes Elo-System, das menschliche Präferenzbewertung mit automatisierter Abstimmung durch Vision-Language-Modelle kombiniert, wobei Künstler an der menschlichen Seite mitwirken.

Es ist ein plausibler Vorteil und einer, der von außen nicht verifizierbar ist. Post-Training kann ein allgemeines Videomodell in Richtung der Präferenzen von Film- und Werbenutzern bewegen, ohne das Grundmodell zu ersetzen – so viel ist mit dem Leaderboard vereinbar. Wie viel des Zwölf-Punkte-Sprungs gegenüber MiniMax H3 aus Trainingsdaten, Präferenzoptimierung, Prompt-Handling, Inferenz-Einstellungen oder Änderungen zur Auslieferungszeit stammt, sagen die Launch-Materialien nicht. Utopai hat keine Offenlegung der Post-Training-Daten, keine Optimierungsmethode, kein Compute-Budget und keine Sicherheitsevaluierung veröffentlicht. Unabhängige Forschende können den Zugewinn nicht reproduzieren, und es gibt keinen technischen Bericht, mit dem man sich auseinandersetzen könnte.

Die Distributionsebene ist der Ort, an dem die Studio-These konkret wird. PAI — Production Assistive Intelligence — ist die Plattform, die Utopai zusammen mit dem Modell eingeführt hat, und sie hält den Projektkontext: Drehbuchaufschlüsselung in Szenen und Shots, eine Produktionsbibliothek mit Charakteren, Schauplätzen und Objekten, Versionshistorie, gemeinsame Freigaben für Enterprise-Teams und eine Timeline, die nach Premiere Pro oder DaVinci Resolve exportiert. Das Argument lautet, dass das Generieren eines Clips der günstige Teil ist und das Konsistenthalten einer Einstellung mit dem Rest des Films der teure Teil. Utopai X erzeugt Filmmaterial in diesem Arbeitsbereich „wenn es vom Filmemacher ausgewählt wird“, um es mit den Worten des Unternehmens zu sagen — das Modell ist eine Option unter mehreren Bild-, Video- und Audiomodellen, die in PAI verfügbar sind, nicht die einzige.

Was Utopai X kostet und wie man es liest

PAI wird als Abonnement mit Credits verkauft, nicht als sekundenbasierte API. Die veröffentlichten Tarife sind 15 $/Monat für 1.000 Credits, 49 $/Monat für 3.500 Credits, 129 $/Monat für 10.000 Credits und 379 $/Monat für 35.000 Credits, wobei bei jährlicher Abrechnung etwa 8 bis 10 Prozent Rabatt gewährt werden, plus Top-ups zu 15 $ pro 1.000 Credits. Utopai X hat eine eigene Zeile in der Credit-Tabelle von PAI: 93 Credits pro Sekunde Video bei 1080p. Die übrigen Videomodelle der Plattform liegen niedriger — 50 Credits pro Sekunde bei 1080p im Standard-Tarif und 76 im Pro-Tarif.

Das in einen Minutenwert umzurechnen ist Arithmetik, die jeder machen kann und die fast niemand als Preis nennen sollte. Bei 93 Credits pro Sekunde kostet eine Minute Ausgabe von Utopai X 5.580 Credits. Der Einstiegsplan für 15 $ umfasst 1.000 Credits pro Monat, was grob 10,8 Sekunden Filmmaterial entspricht, wenn jeder Credit in dieses Modell fließen würde. Skaliert man den Einstiegs-Credit-Satz linear, liegt der implizierte Preis in der Größenordnung von über 80 $ pro Minute generierten Videos. Diese Zahl ist nur mit den dazugehörigen Einschränkungen erwähnenswert: Sie setzt eine streng lineare Umrechnung von Credits in Dollar voraus, sie ignoriert, dass Credits über alle Modelle in PAI hinweg zusammengelegt werden und verfallen oder ungenutzt bleiben, sie ignoriert Jahresrabatte und Top-up-Pakete, und sie sagt nichts über Auflösungs- oder Längenbeschränkungen, die Utopai nicht separat für Utopai X angegeben hat. Sie ist eine nützliche Größenordnung, keine Preisliste.

Zum Vergleich: Auf demselben Artificial Analysis Board wird MiniMax H3 (768p) mit 4,80 $ pro Minute und Wan 3.0 mit 12,00 $ geführt, während Dreamina Seedance 2.5 mit 34,12 $ gelistet ist. Dabei handelt es sich um automatisierte Preis-Feeds aus den eigenen APIs der Anbieter, nicht um aus Abonnements abgeleitete Schätzungen, sodass der Vergleich bestenfalls richtungsweisend ist – aber die Richtung ist klar: Im Einstiegsbereich konkurriert die Generierung innerhalb einer guthabenbasierten Studio-Plattform nicht mit sekundengenauer API-Preisgestaltung. Wofür ein Käufer bezahlt, ist die Arbeitsumgebung rund um das Modell, nicht die marginale Sekunde des Modells.

Der Teil, der nicht öffentlich ist

Drei Lücken verdienen es, benannt zu werden, weil jede einzelne eine andere Entscheidung blockiert.

• Keine API und kein Integrationsweg.Utopai X hat derzeit keinen direkten Integrationsweg. Ein Produktteam, das es in einer Pipeline aufrufen möchte, kann das nicht. Artificial Analysis führt es als „Keine API verfügbar“ auf, und die Launch-Materialien beschreiben keinen Entwicklerzugang.

• Keine separate Spezifikation. MiniMax H3 erzeugt Clips von 4 bis 15 Sekunden mit bis zu 2K und nativem Stereo-Audio. Utopai hat keine eigene maximale Dauer oder Auflösung für Utopai X veröffentlicht, was bedeutet, dass die 1080p-Angabe in der Credit-Tabelle die einzige verfügbare Auflösungsangabe ist und die Cliplänge unbekannt ist.

• Keine Bewertung über die Arena hinaus. Das Elo-Ergebnis ist eine unabhängige Messung menschlicher Präferenz bei kurzen Clips. Es ist kein Maß dafür, ob Material eine beabsichtigte Einstellung erfüllt, sich in einen Schnitt einfügt oder eine Überarbeitung übersteht. Utopais eigener Beitrag räumt dies direkt ein – „die Bewertung geht auch nach der Generierung eines Clips weiter" –, was für einen Launch eine ungewöhnlich ehrliche Formulierung ist und zugleich eine Warnung davor, wie weit das Ranking trägt.

Auf der Studio-Seite gibt es mehr Geschichte, auf die man verweisen kann. Utopai startete PAI 2.0 am 2. Juni 2026 und erklärte damals, die Plattform habe weniger als zwei Monate nach ihrem Debüt im April 11 Millionen US-Dollar an jährlich wiederkehrendem Umsatz erreicht, angetrieben durch kommerzielle Lizenzen, die an Produktionsfirmen verkauft wurden. Das Unternehmen gibt an, drei Kinofilme und zwei Serien für 2027 geplant zu haben und PAI und Utopai X auf seine eigenen Produktionen anzuwenden, darunter The Most Serious Fart, ein Animationsfilm, geschrieben und inszeniert von Mike Bender. Das sind die Zahlen des Studios und der Zeitplan des Studios, und sie sind der Grund, warum ein Post-Train ohne API überhaupt erwähnenswert ist: Das Modell wird verwendet, um Filme zu produzieren, die das Unternehmen veröffentlichen will, was ein härterer Test ist als eine Bestenliste.

Wo das Basismodell nach wie vor die praktische Wahl ist

Für alle, die diese Woche tatsächlich Video generieren müssen, ist die routingfähige Hälfte dieser Familie das Basismodell. MiniMax H3 ist auf OrcaRouter zum Listenpreis des Anbieters verfügbar — 0,08 $ pro Sekunde bei 768p, was 4,80 $ pro Minute entspricht, dieselbe Zahl, die Artificial Analysis angibt — mit 0 % Aufschlag, sodass jede Preissenkung eines Anbieters am selben Tag wirksam wird statt erst nach einem Preisanpassungszyklus, und automatisches Failover über Anbieter hinweg, sodass ein einzelner Endpunktausfall Ihre Pipeline nicht lahmlegt. Es akzeptiert Text-, Bild-, Video- und Audioreferenzen als einen einheitlichen Kontext und liefert 4- bis 15-sekündige Clips in 768P oder 2K mit nativem Stereoaudio, abgerechnet pro Sekunde generierter Ausgabe.

Utopai X wird nicht geroutet, und nichts in diesem Artikel sollte als Behauptung gelesen werden, dass dies der Fall ist. Was das Basismodell liefert, ist eine Möglichkeit, die Ästhetik- und Bewegungseigenschaften der H3-Familie zu testen – dieselbe Grundlage, von der Utopai ausging, bevor es welches Post-Training auch immer angewendet hat – über einen einzigen API-Schlüssel zusammen mit mehr als 200 anderen Modellen, ohne PAI-Abonnement. Sollte Utopai X jemals bei einem routingfähigen Anbieter verfügbar werden, würde es am selben Tag zum Listenpreis erscheinen, wobei der Tarif des Anbieters durchgereicht und nicht mit einem Aufschlag versehen wird. Bis dahin lautet die ehrliche Aufteilung: Utopai X für Studios innerhalb von PAI, MiniMax H3 für alle, die eine Pipeline zusammenstellen.

Was entscheidet, ob dies ein Debüt oder ein Moment war?

Im kommenden Quartal lohnt es sich, drei Dinge im Auge zu behalten. Erstens, ob der Sieben-Punkte-Vorsprung an der Spitze weitere paar tausend Stimmen übersteht — die Intervalle überlappen sich heute, und ein Leaderboard, das sich neu sortiert, wenn eine neue Charge Vergleiche eintrifft, hat nichts geklärt. Zweitens, ob Utopai überhaupt irgendeinen Entwicklerzugang öffnet; ein Modell, das weltweit auf Platz zwei steht und das nur ein PAI-Abonnent aufrufen kann, ist eine Produktentscheidung, und sie ist umkehrbar. Drittens, ob sich der Wettbewerb in die andere Richtung bewegt. Wan 3.0 erzeugt bereits bis zu 30 Sekunden 1080p mit nativem Audio und akzeptiert Text, Bilder, Video, Audio, Dokumente und Webseiten als Referenzen, und es führt das Leaderboard bei Beleuchtung, Materialien und Kamerasteuerung in der Aufschlüsselung nach Anwendungsfällen an. Ein Zwölf-Punkte-Zugewinn nach dem Training gegenüber einem Basismodell ist vielsagend; den zweiten Platz gegen ein Foundation-Modell mit einem breiteren Eingabespektrum zu halten, ist eine andere Aufgabe.

Was hier wirklich neu ist, ist nicht das Elo. Es ist die Form der Behauptung: Ein Studio mit einer Produktionspipeline argumentiert, dass das Eigentum an den Entscheidungen hinter dem Filmmaterial – welche Einstellung, welche Referenz, welche Revision – mehr wert ist als das Eigentum am Vortrainingslauf. Diese Behauptung ist überprüfbar, und die Einspielergebnisse für das 2027-Programm sind einer der Tests.