Vidu Q4 Preview vs MiniMax H3: Na szczycie rankingu jest remis, a tylko jeden z nich znajduje się w trzech rankingach

Ranking image-to-video w Artificial Analysis, odczyt z 8 października 2026, umieszcza MiniMax H3 Max na pierwszym miejscu z 1 195 Elo, MiniMax H3 na drugim z 1 181, a Vidu Q4 Preview na trzecim z 1 179. Szesnaście punktów dzieli pierwsze miejsce od trzeciego, przy przedziałach około ±10 i ±11, przy odpowiednio 5 894, 7 284 i 5 543 głosach. To statystyczny remis przebrany za podium, a każda strona, która zaczyna się od ogłoszenia zwycięzcy na tej tablicy, odczytuje szum.

Zatem interesujące pytanie nie brzmi, który z tych dwóch modeli jest lepszy. Brzmi: co dzieje się z tym porównaniem, gdy zejdziesz z jednej tablicy, na której pojawiają się oba — ponieważ MiniMax H3 został wydany 31 lipca 2026 r. jako model omni-modalny, który odczytuje odwołania tekstowe, obrazowe, wideo i audio jako jeden kontekst, a Vidu Q4 Preview pojawił się 7 października 2026 r. z dwoma trybami wejściowymi i dwoma punktami końcowymi API. Jeden z nich jest mierzony w trzech miejscach. Drugi — w jednym.

Co oznacza, a czego nie oznacza trójstronny remis

Zarówno wpisy MiniMax, jak i wersja Vidu mieszczą się wzajemnie w swoich przedziałach, więc uczciwe stwierdzenie brzmi, że trzy najlepsze modele do konwersji obrazu na wideo są nie do odróżnienia pod względem preferencji ludzi przy obecnych rozmiarach próby. Dwa szczegóły sprawiają, że ten remis jest mniej pochlebny dla wszystkich, niż to brzmi.

Pierwszy czynnik to wiek. Głosy na MiniMax H3 pochodzą z lipca 2026 r., a na H3 Max z sierpnia; głosy na Vidu Q4 Preview z października. Większe, starsze pule głosów są mierzone względem innego pola konkurencji i innego zestawu przeciwników, co działa w obie strony: są lepiej zmierzone, ale dotyczą nieco innego pytania. Różnica 16 punktów w którąkolwiek stronę nie jest tu dowodem.

Druga to kolumna z ceną. Artificial Analysis odnotowuje MiniMax H3 na poziomie 7,80 USD za minutę, a H3 Max na poziomie 4,80 USD za minutę na tej tablicy. Vidu Q4 Preview jest odnotowany na poziomie 7,20 USD. Jeśli odczytać te dane jako ranking, H3 Max wygląda na najkorzystniejszy wybór z tej trójki — ale stawki samego dostawcy wyjaśniają tę etykietę, a nie stoją z nią w sprzeczności. W naszej własnej karcie modelu podajemy MiniMax-H3 po 0,08 USD za sekundę przy 768P i 0,13 USD za sekundę przy 2K, co daje 4,80 i 7,80 USD za minutę. Dwie wartości MiniMax na tablicy to ten sam model w dwóch poziomach rozdzielczości, a nie wersja premium i wersja tania. Kolumny z ceną za minutę na tablicy preferencji są przydatne do rzędu wielkości i niebezpieczne dla czegokolwiek dokładniejszego.

Gdzie pojawiają się MiniMax H3 i Vidu Q Preview

To ta część starcia, która przetrwa remis, i jest to różnica strukturalna, a nie jakościowa.

MiniMax H3 (768p) zajmuje czwarte miejsce w rankingu tekst-na-wideo z wynikiem 1 137 Elo przy 8 315 głosach, a H3 Max jest piąty z 1 130 Elo przy 5 719 głosach. Ponownie zajmuje czwarte miejsce w rankingu edycji wideo z wynikiem 1 119 przy 7 023 głosach, w rankingu, który klasyfikuje modele pod kątem edycji wideo na podstawie instrukcji tekstowej z zachowanym dźwiękiem. Vidu Q4 Preview nie pojawia się w żadnym z nich.

Ten brak nie jest luką w pomiarach — to jest istota tego produktu. API Vidu Q4 Preview dokumentuje dwa punkty końcowe: /ent/v2/img2video i /ent/v2/reference2video, a strona produktu wymienia dwa tryby: Image-to-Video i Reference-to-Video. W dokumentacji nie ma ścieżki text-to-video. Nie ma też ścieżki edycji wideo, co oznacza, że model nie może wziąć istniejącego klipu i czegoś w nim zmienić. MiniMax H3 potrafi jedno i drugie, a jego omnimodalne ujęcie — odniesienia tekstowe, obrazowe, wideo i audio w jednym kontekście — jest powodem, dla którego jest do tego zdolny.

Warto zachować precyzję w kwestii dźwięku, bo oba modele obsługują natywne audio, ale to nie to samo. Vidu Q4 Preview generuje dźwięk i obraz razem, z parametrem audio w punkcie końcowym image-to-video, który zwraca wideo z dialogami i efektami dźwiękowymi, a przy tym przyjmuje do trzech referencyjnych klipów audio, aby zachować spójność głosu postaci. MiniMax H3 generuje natywne audio stereo i przyjmuje dźwięk jako modalność wejściową obok obrazów i wideo. Przypadek użycia z referencyjnym głosem to szczególna mocna strona Vidu; przypadek użycia z referencją wszystkiego to domena MiniMax.

Stawka za sekundę, poziom po poziomie

Oba modele rozliczają się za sekundę wygenerowanego materiału, co czyni to rzadkim porównaniem, w którym cenniki można zestawić ze sobą bez żadnych przeliczeń.

• 540p — tylko Vidu Q4 Preview: 9 kredytów na sekundę, około 0,045 USD przy opublikowanej przez platformę standardowej stawce 0,005 USD za kredyt

• 720P / 768P — Vidu Q4 Preview 19 kredytów na sekundę, około 0,095 USD w porównaniu z MiniMax-H3 0,08 USD na sekundę

• 1080 — Vary Q4 Preview 24 kredyty na sekundę, około 0,12 USD w porównaniu z MiniMax-H3, który nie ma opublikowanego planu 1080p

• 2K — Vidu Q4 Preview 38 kredytów na sekundę, około 0,19 USD w porównaniu z MiniMax-H3 0,13 USD na sekundę

• 4K — tylko Vidu Q4 Preview: 78 kredytów na sekundę, około 0,39 USD

Wzorzec, który z tego wynika, nie brzmi: „jeden jest tańszy”. Dolny pułap Vidu Q4 Preview jest naprawdę niższy — jego poziom 540p to poziom blokujący, wyceniony dokładnie pod to, do czego jest używany: na sprawdzenie kompozycji przed zapłaceniem za render w pełnej rozdzielczości — i nic w cenniku MiniMax nie pełni tej roli. MiniMax H3 jest tańszy w 2K, najwyższym poziomie wspólnym dla obu modeli, o około jedną trzecią. A poziom 4K Vidu to jedyny poziom generowania 4K w tym porównaniu, w cenie, która to odzwierciedla.

Podana przy ogłoszeniu Vidu stawka startowa 0,014 USD za sekundę dotyczy poziomu 540p przy rabatowej stawce za kredyty, a nie stawki ogólnej. Platforma Shengshu prowadzi obecnie ograniczone czasowo rabaty na pakiety kredytów sięgające 30%, które obniżają wszystkie poziomy jednocześnie, zamiast zmieniać kształt krzywej. Punktem odniesienia powinna być krzywa cen katalogowych, a rabat należy traktować jako tymczasową korektę.

Po naszej stronie: obsługujemy routing MiniMax-H3. Jest dostępny na publicznym model API pod adresem minimax/minimax-h3, rozliczany za sekundę wygenerowanego wyniku według stawki cennikowej dostawcy przekazywanej bez żadnych narzutów, wywoływany przez ten sam endpoint zgodny z OpenAI co wszystkie modele tekstowe, które udostępniamy. Vidu Q4 Preview nie jest trasą OrcaRouter i ta strona nie twierdzi inaczej — modele wideo, które faktycznie udostępniamy, działają na jednym kluczu i przy jednym schemacie żądania obok modeli językowych, co sprawia, że porównywanie kilku z nich jest tanie. Jedna praktyczna konsekwencja przekazywania cen: gdy dostawca zmienia stawkę za sekundę, zmiana ta jest widoczna na trasie tego samego dnia, a nie dopiero przy odnowieniu umowy.

Co daje „omni-modal" w rzeczywistym zapytaniu

Ujednolicony kontekst MiniMax H3 łatwo odczytać jako listę funkcji i przeoczyć fakt, że stanowi różnicę inżynieryjną. Model, który przyjmuje wideo jako referencję wejściową, można nakierować na istniejące ujęcie i poprosić o jego kontynuację, przedłużenie lub zmianę stylu; model bez wejścia wideo nie może tego zrobić. To mechanizm stojący za obecnością H3 na stole montażowym, a także powód, dla którego zakres wyjściowy 4–15 sekund tego modelu jest mniejszym ograniczeniem, niż sugeruje ta liczba — wieloturowe przedłużanie to normalny sposób budowania na jego podstawie dłuższej sekwencji.

16-sekundowy limit Vidu Q4 Preview również dotyczy jednego generowania, a jego tryb Reference-to-Video został stworzony do opowiadania historii za pomocą wielu ujęć w tym oknie, przy czym dokumentacja opisuje inteligentne przełączanie kamery i spójność między wieloma pozycjami kamery. Nie ma natomiast sposobu na przyjęcie nakręconego już klipu i zmodyfikowanie go. Jeśli Twój przepływ pracy zaczyna się od nagrania, a nie od stopklatki lub zestawu referencyjnego, jeden z tych dwóch modeli jest po prostu dla Ciebie niedostępny i żadna liczba Elo tego nie nadrobi.

Który, według stanowiska

Wybierz MiniMax H3, gdy dane wejściowe są czymś innym niż obraz lub zestaw referencyjny. Tekst-na-wideo, edycja wideo-na-wideo, wejście audio, wieloturowe przedłużanie powyżej piętnastu sekund albo potok, w którym model musi obsłużyć tyle przypadków użycia, ile obejmują trzy różne tablice — to terytorium H3 i tylko on z tej dwójki ma cokolwiek z tego. Jego stawka za 2K jest także niższą z dwóch na najwyższym wspólnym poziomie.

Sięgaj po Vidu Q4 Preview, gdy zadaniem jest spójność obsady i głosu, gdy potrzebujesz poziomu generowania w 4K albo gdy chcesz taniego przebiegu blocking w 540p, aby iterować ujęcie przed podjęciem decyzji. Piętnaście referencji obrazowych i trzy referencje audio to większy publikowany budżet referencji, niż dokumentuje MiniMax, a żaden inny model w tym porównaniu nie generuje natywnie w 4K. Węższy zestaw trybów to cena za to.

Co by to zmieniło: pełne wydanie Vidu Q4, które dodaje punkt końcowy tekst-na-wideo, umieściłoby oba modele w tych samych rankingach i zamieniłoby to w bezpośrednie starcie. AA-Video-I2V v2.0, zapowiedziane jako mające oferować 1080p w całym zakresie i zmienioną taksonomię możliwości, zastąpiłoby głosy na szczycie rankingu, a nie zmieniło ich kolejności — i rozstrzygnęłoby, czy obecny remis trzech jest remisem, czy ograniczeniem pomiaru. Do tego czasu liczbą, którą należy zachować, jest szesnaście, wraz z nazwą rankingu i datą obok niej.

Jedyna rzecz, którą warto wynieść z samego podium: pierwsze miejsce, które znajduje się szesnaście punktów Elo nad trzecim, przy tak szerokich przedziałach, nie jest rankingiem. To trzy modele, których ludzcy głosujący nie potrafią rozróżnić, a decyzja między nimi musi pochodzić ze wszystkiego innego na tej stronie.