Kling 4.0 vs MiniMax H3: Den poängsatta modellen är den äldre

Det finns en version av den här jämförelsen som skriver sig själv, och den är fel. MiniMax H3 lanserades i juli 2026 och toppar Artificial Analysiss rankning för bild-till-video. Kling 4.0 lanserades den 15 oktober 2026, ersätter en modell som har varit i produktion sedan februari och är den nyaste videomodellen som Kuaishou har. Den uppenbara tolkningen är att utmanaren har anlänt och att den sittande mästarens krona är i fara. Det faktiska läget är märkligare: den äldre modellen är den som har oberoende poäng, publicerade priser, nedladdningsbara vikter och en väg in på vår plattform, medan den nyare har ett längre specifikationsblad, inga poäng, inget prisblad och ett API som fortfarande är i tidig åtkomst. Vilket av detta du bör bry dig om beror helt och hållet på om du köper en förmåga eller en leverantörsrelation. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som den här samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd uppgift.

Båda modellerna är verkliga och båda är starka. MiniMax H3 är en modell för 4 till 15 sekunder vid 768p nativt, med 2K tillgängligt via en återgenereringsmodul som endast finns via API, nativt 32kHz-stereo genererat i samma pass och en enhetlig kontext som läser text-, bild-, video- och ljudreferenser tillsammans. Kling 4.0 är en modell för 3 till 30 sekunder vid upp till 4K, med upp till tio nyckelbildrutor, femton kombinerade referenser och tvåkanalig stereo. Gapet i rå kapacitet är verkligt, och det är mindre än gapet i bevis.

Poängen som finns, och poängen som inte finns

Artificial Analysis driver tre videotavlor med separata skalor och separata röstpooler, och MiniMax H3 finns med på alla tre. Läs 22 oktober 2026:

• Bild-till-video (AA-Video-I2V v1.1, ljudet behålls) — H3 (768p) ligger på första plats med Elo 1 140 ±16 baserat på 4 209 röster, släppt i juli 2026, uppmätt till 5,40 USD per minut. H3 Max ligger på sjätte plats med 1 125 ±17.

• Text-till-video (AA-Video-T2V v2.1) — H3 (768p) ligger på femte plats med 1 158 ±16 över 5 781 röster, 4,80 USD per minut. Wan 3.0 leder med 1 173 och H3 Max-varianten ligger på sjätte plats med 1 156, så familjen intar två av de sex översta platserna.

• Videoredigering (AA-Video-Editing v1.1) — H3 (768p) ligger på fjärde plats med 1 125 ±11 av 7 457 röster, 9,60 USD per minut.

Kling 4.0 finns på ingen av dem. Kling-raderna som listorna innehåller är Kling 3.0:s från februari – 19:e på bild-till-video vid 1 000-ankaret, 17:e på text-till-video, 9:e på redigering – och de beskriver den föregående generationen, inte den här. Åtta dagar efter allmän tillgänglighet är tidigt för en listpost, så det här är en avsaknad av mätning snarare än en dålig mätning. Det innebär fortfarande att under de kommande veckorna har "vilket är bättre" ett dokumenterat svar på ena sidan och ett pressmeddelande på den andra.

En varning om H3:s siffror, eftersom det kan slå åt båda hållen. Intervallen för image-to-video-tavlan är tillräckligt breda för att första och sjätte plats ska överlappa — H3 på 1,140 ±16, H3 Max på 1,125 ±17 — så "nummer ett" är en placering, inte en påvisad skillnad. Det ärliga påståendet är att H3 tillhör ett ledande kluster vars medlemmar ännu inte har skilts åt av röstantalet.

Vad de extra femton sekunderna faktiskt är till för

H3:s maxtak är 15 sekunder, i heltalssteg från fyra. Kling 4.0:s är 30, i en enda tagning, med förlängningar till två minuter listade som kommande. Det är inte en liten skillnad i art, eftersom det korsar gränsen mellan en tagning och en scen.

• Längd — MiniMax H3: 4 till 15 sekunder. Kling 4.0: 3 till 30 sekunder, förlängning till 2 minuter kommer snart.

• Upplösning — H3: {{1}}768p inbyggt, med 2K via en återgenereringsmodul som endast är API-baserad och som självhostare inte kan köra{{/1}}. Kling 4.0: {{2}}720p, 1080p, 4K, samt 21:9{{/2}}.

• Kontroll på ramnivå – H3: lägen för första bildruta, sista bildruta samt första och sista bildruta. Kling 4.0: upp till 10 nyckelbildrutor var som helst på tidslinjen.

• Referensindata – H3: upp till 9 bilder, 3 videoklipp och 3 ljudklipp läses som en enda kontext. Kling 4.0: upp till 15 kombinerade resurser – 10 bilder, 5 videor på totalt 30 sekunder, 7 element varav högst 3 videobaserade – plus röstreferenser.

• Ljud — H3: 32kHz stereo genererat med videon, vid 24 fps. Kling 4.0: tvåkanalig stereo med läppsynk och dialog på nio språk.

• Promptlängd — H3 publicerar inget tokenstak i sin dokumentation för förfrågningar. Kling 4.0 accepterar upp till 8 000 tokens.

Där H3:s design visar sig är i konsekvens under en fast kamera: en 15-sekunders tagning med ett enda framträdande, styrd av referensbilder och en första och sista bildruta, är exakt den form som dess kontroller förutsätter. Där Kling 4.0:s design visar sig är i en längre sekvens med nedslag — och tidslinjen med tio nyckelbildrutor är den del av uppgraderingen som mest förändrar hur en tagning skapas.

Licensstycket som avgör saken för vissa läsare

Detta är den enda jämförelsen i den här uppsättningen där en av de två modellerna kan lämna leverantörens servrar, och villkoren är värda att läsa före allt annat om självhosting finns på din färdplan.

MiniMax H3:s bascheckpoint kan laddas ner under M​iniMaxs community-licens – inte Apache, inte MIT. Licensen utesluter USA, Storbritannien, Europeiska unionen och Sydkorea, där användning kräver en ansökan till M​iniMax, och kommersiell användning över en intäktsgräns kräver skriftligt förhandstillstånd. Det som är öppet är basmodellen: Context-IR-modulen för promptutökning och 2K-regenereringsvägen ligger kvar på API-sidan och ingick aldrig i lanseringen. Om du befinner dig inom ett av dessa fyra territorier är vikterna inget kringgående av API:t – de är en separat diskussion med M​iniMax.

Kling 4.0 publicerar inga vikter alls, och Kuaishous lanseringsmaterial antyder inte att några kommer att följa. Det är en annan sorts stängdhet: MiniMax släppte något med villkor som du kanske skulle kunna uppfylla, och Kuaishou släppte ingenting att uppfylla. Ingen av positionerna är orimlig för ett företag som säljer en videomodell; de är bara inte samma position, och ett team som planerar en lokal pipeline bör lägga märke till vilken sida av linjen varje modell befinner sig på innan det kostar dem ett kvartal.

Vad var och en kostar, och den enda siffran som saknas

MiniMax fakturerar per sekund genererad utdata: $0.08 per sekund vid 768p och $0.13 per sekund vid 2K, med referensljud gratis och de första fem referensbilderna gratis. Det motsvarar $4.80 per minut vid 768p, vilket är så Artificial Analysis registrerar det på text-till-video- och redigeringslistorna, och $5.40 till $7.80 per minut när man tar hänsyn till den upplösningskonfiguration som listan mätte. Tricket att först skapa ett utkast och sedan skala upp slår inte mätaren: generering i 768p plus omgenerering i 2K kostar $0.08 plus $0.05, exakt den direkta 2K-taxan på $0.13.

Kuaishou har inte publicerat något pris för Kling 4.0 överhuvudtaget. API-utvecklarkonsolen har en banner för tidig åtkomst och ingen prissättning per sekund för vare sig den fullständiga modellen eller Kling 4.0 Flash. Varje siffra som cirkulerar för den i dag är någons uppskattning. Den asymmetrin är det mest beslutsrelevanta faktumet i den här jämförelsen efter licensen: en av dessa modeller har en mätare som du kan läsa av innan du förbinder dig, och den andra har det inte.

Det vi kan prissätta är den föregående generationen. kling/kling-v3 och kling/kling-v3-omni listas till ett fast pris på 0,084 USD per anrop i vår katalog, kling/kling-3-turbo på 0,112 USD, och MiniMax H3 finns också med, till leverantörens egen per-sekund-taxa som förs vidare utan påslag. Det spelar roll för ett jämförelsetest sida vid sida: både en Kuaishou-modell och MiniMax H3 svarar på samma OpenAI-kompatibla endpoint, så att jämföra dem med dina egna prompter är ett byte av modell-ID i stället för två leverantörskonton, två SDK:er och två kvotdashboards. Failover ligger bakom samma anrop, vilket är det som gör en veckolång bake-off praktisk i stället för en upphandlingsövning.

Tillgänglighetsfrågan, där den öppna modellen också är den enklare

Det är ovanligt att modellen med öppna vikter också är den mer tillgängliga, och det är precis det här fallet. MiniMax H3 kan anropas nu, på vår plattform och på M​iniMax egen plattform, till en publicerad taxa per sekund, med tre oberoende listposter bakom sig. Kling 4.0 kan anropas på K​uaishous skaparsida och, för utvecklare, via ett early access-API utan publicerad taxa och utan modellidentifierare som vi kan routa.

Två saker följer av detta, och de pekar i motsatta riktningar. Om du behöver leverera något den här månaden är H3 modellen med ett pris, en poäng och en integrationsberättelse. Om du behöver en 30-sekunderstagning med tio regisserade beats och stereodialog kan H3 inte göra det oavsett pris, och att vänta på Kling 4.0:s prislista är kostnaden för den förmågan. Det goda är att dessa inte utesluter varandra: att köra en pipeline för kortklipp via H3 medan du provar Kling 4.0 på leverantörens plattform är ett normalt sätt att genomföra en övergång, och det håller produktionsvägen på en modell vars beteende är dokumenterat.

Ett förbehåll som routning inte kan åtgärda: om du befinner dig i USA, Storbritannien, EU eller Sydkorea och din plan var att själv hosta H3:s vikter, är att anropa det via ett API inte ett sätt att kringgå licensen. Det är en annan produkt med andra villkor, och licensfrågan är fortfarande din att besvara.

Väljer en

Välj MiniMax H3 när klippet är kort, budgeten är fast och underlaget spelar roll. Det är en av de fem bästa modellerna på text-till-video-listan och etta på bild-till-video, över tre listor och tusentals röster, till $0.08 per sekund för 768p. Den genererar sitt eget stereoljud. Den tar emot nio bilder, tre videoklipp och tre ljudklipp i en och samma kontext. Och om du befinner dig utanför de fyra undantagna territorierna är det den enda av dessa två som du kan ladda ner.

Välj Kling 4.0 när sekvensen är lång och antalet rörliga delar är högt. Trettio sekunder, tio nyckelbilder, femton referenser och tvåkanalig dialog är en förmåga som H3 inte har, och ingen benchmarkplacering kan ersätta det. Gå in med vetskapen att du köper en icke uppmätt modell till ett opublicerat pris, att 10-bit HDR och tvåminutersförlängningen båda fortfarande listas som kommande, och att API:et är i tidig åtkomst snarare än allmänt tillgängligt.

Det som skulle förändra formen på den här jämförelsen är en Kling 4.0-post på en av resultattavlorna och ett publicerat prisblad. Bara en av dem skulle räcka för att flytta den från en diskussion om förmåga kontra bevis till ett vanligt beslut om pris och kvalitet, vilket är där en köpare vill vara. Fram till dess är de två meningar som håller vid närmare granskning: H3 är med bred marginal den bättre dokumenterade modellen, och Kling 4.0 är den enda av de två som håller för en trettio sekunder lång tagning.