Utopai X debuterar som #2 inom text-till-video: Inuti en filmstudios efterträning av MiniMax H3

Utopai X är en videomodell som inte fanns förra veckan, inte tränades från grunden av ett ledande labb och inte säljs via ett API – och den rankas för närvarande som tvåa i världen inom text-till-video. Modellen kommer från Utopai Studios, en AI-native film- och tv-studio med bas i Mountain View, och den är en vidaretränad version av MiniMax H3, MiniMaxs omnimodala videomodell. På Artificial Analysis topplista för text-till-video med ljud (listan som Artificial Analysis nu kallar AA-Video-T2V v2.0, resultat från 29 september 2026) ligger Utopai X på Elo 1 150 – endast efter Alibabas Wan 3.0 på 1 157, och före ByteDances Dreamina Seedance 2.5 på 1 143 samt MiniMax H3 (768p) som basmodell, den som den tränades vidare från, på 1 138. Den lanserades den 30 september 2026, samma dag som topplistan uppdaterades, och den finns på exakt en plats: i PAI, Utopais egen produktionsplattform. Det finns inget publikt API, och Artificial Analysis egen priskolumn för raden lyder "Inget API tillgängligt."

Den kombinationen – tvåa i världen, en distributionskanal, ingen prislista per sekund i vanlig bemärkelse – är hela historien. En studio som gör filmer tog någon annans grundmodell, finjusterade den mot sitt eget produktionsomdöme och gick före i kön. Huruvida det är ett hållbart resultat eller en ögonblicksbild av en helt ny arena är frågan värd att ställa, och svaret beror på att läsa topplistan snarare än pressmeddelandet.

Vad tavlan faktiskt visar

Artificial Analysis rangordnar videomodeller med hjälp av Elo som härrör från blind parvis mänsklig preferensröstning. Röstarna ser två klipp som genererats från samma prompt och väljer det de föredrar, utan att veta vilken modell som producerade något av dem. Resultattavlan förändras i takt med att röster ackumuleras, och varje rad har ett konfidensintervall som anger hur mycket positionen får röra sig. Hämtad den 2026-10-01, text-till-video-tavlan med ljud lyder:

• #1 Wan 3.0 — Elo 1 157 (±10), 6 391 prover, släppt i aug 2026, $12.00/min.

• #2 Utopai X (baserad på MiniMax H3) — Elo 1 150 (±11), 5 455 prover, släppt sep 2026, inget API tillgängligt.

• #3 Dreamina Seedance 2.5 — Elo 1 143 (±10), 6 375 prover, släppt juli 2026, 34,12 $/min.

• #4 MiniMax H3 (768p) — Elo 1 138 (±10), 6 343 prover, släppt i juli 2026, $4,80/min.

• #5 FLUX 3 — Elo 1 129 (±10), 5 628 prover, släppt i juli 2026, $17,40/min.

Två detaljer spelar större roll än ordningen. För det första är gapet mellan första och andra plats sju Elo-poäng, och de två intervallen överlappar uttryckligen – Artificial Analysis anger Utopai X:s intervall som 1 139 till 1 161, vilket innehåller Wan 3.0:s punktuppskattning på 1 157. Resultattavlan anger Utopai X:s placering som ett intervall, #1–3, inte en fast position. För det andra är gapet mellan Utopai X och modellen som den eftertränades från tolv poäng, med samma överlappningsproblem, så "efterträningsmodellen slår sin förälder" är riktningsmässigt sant och statistiskt svagt. Utopais egen redogörelse är mer noggrann än de flesta lanseringsinlägg om detta: den säger att Elo-resultatet "ger en oberoende bedömning av hur människor reagerar på dess genererade material", vilket är en rimlig tolkning av vad en arena för mänskliga preferenser mäter och inte ett påstående om filmskapande.

Det leverantörsrapporterade lagret är däremot självsäkert. Utopai beskriver styrkor i reflektioner och kaustik – de koncentrerade mönster som uppstår när ljus reflekteras eller bryts – och i spatial konsistens inom ett klipp, vilka båda är utvecklingsmål snarare än benchmarkresultat. Det är leverantörens ord, inte mätningar från Artificial Analysis.

En studio i stället för ett labb

Utopai Studios utvecklar, finansierar och producerar sina egna film- och tv-projekt och bygger sina modeller inom den verksamheten i stället för vid sidan av den. Den uttalade mekanismen är återkoppling: produktioner genererar manus, godkända karaktärs- och platsdesigner, tagningplaner och successiva tagningar, och studions regissörer, fotografer och konstnärer dokumenterar inte bara vilka tagningar som behölls utan också varför de andra förkastades. Den dokumentationen blir tränings- och utvärderingssignal. Forskningsteamet driver också ett internt Elo-system som kombinerar mänsklig preferensbedömning med automatiserad röstning från visions- och språkmodeller, där konstnärer deltar på den mänskliga sidan.

Det är en rimlig fördel, och en som inte går att verifiera utifrån. Efterträning kan föra en generell videomodell närmare film- och reklamanvändarnas preferenser utan att ersätta grundmodellen – så mycket stämmer med topplistan. Hur stor del av förbättringen på tolv punkter gentemot MiniMax H3 som kommer från träningsdata, preferensoptimering, prompthantering, inferensinställningar eller ändringar vid serveringstillfället är inget som lanseringsmaterialet säger. Utopai har inte publicerat någon redogörelse för efterträningsdata, ingen optimeringsmetod, ingen beräkningsbudget och ingen säkerhetsutvärdering. Oberoende forskare kan inte reproducera vinsten, och det finns ingen teknisk rapport att argumentera emot.

Distributionslagret är där studiotesen blir konkret. PAI — Production Assistive Intelligence — är plattformen som Utopai lanserade tillsammans med modellen, och den håller projektkontext: manusnedbrytning i scener och tagningar, ett produktionsbibliotek med karaktärer, platser och objekt, versionshistorik, delade godkännanden för företagsteam och en tidslinje som exporterar till Premiere Pro eller DaVinci Resolve. Säljargumentet är att generera ett klipp är den billiga delen och att hålla en tagning konsekvent med resten av filmen är den dyra delen. Utopai X genererar filmmaterial i den arbetsytan "när den väljs av filmskaparen", enligt företagets egen formulering — modellen är ett alternativ bland flera bild-, video- och ljudmodeller som finns i PAI, inte den enda.

Vad Utopai X kostar, och hur man läser det

PAI säljs som en prenumeration med krediter, inte som ett API per sekund. De publicerade nivåerna är 15 USD/månad för 1 000 krediter, 49 USD/månad för 3 500 krediter, 129 USD/månad för 10 000 krediter och 379 USD/månad för 35 000 krediter, där årsbetalning ger ungefär 8 till 10 procents rabatt, plus påfyllningar på 15 USD per 1 000 krediter. Utopai X har en egen rad i PAI:s kredittabell: 93 krediter per sekund video i 1080p. Plattformens andra videomodeller ligger lägre – 50 krediter per sekund i 1080p på standardnivån och 76 på pro-nivån.

Att omvandla det till en siffra per minut är aritmetik som vem som helst kan göra och nästan ingen borde ange som ett pris. Vid 93 krediter per sekund kostar en minut av Utopai X-output 5 580 krediter. Ingångsplanen för $15 ger 1 000 krediter i månaden, vilket är ungefär 10,8 sekunder filmat material om varje kredit gick till den här modellen. Om man skalar ingångskreditkursen linjärt, är den implicerade kostnaden i storleksordningen $80-plus per minut genererad video. Det talet är bara värt att ange med sina förbehåll: det förutsätter en strikt linjär omvandling från krediter till dollar, det bortser från att krediter slås samman över varje modell i PAI och löper ut eller går oanvända, det bortser från årliga rabatter och påfyllnadspaket, och det säger ingenting om upplösning eller längdgränser, vilket Utopai inte har specificerat separat för Utopai X. Det är en användbar storleksordning, inte en prislista.

Som jämförelse listas MiniMax H3 (768p) på samma Artificial Analysis-tavla till $4.80 per minut och Wan 3.0 till $12.00, medan Dreamina Seedance 2.5 listas till $34.12. Det är automatiska prisflöden från leverantörernas egna API:er, inte uppskattningar härledda från prenumerationer, så jämförelsen är i bästa fall vägledande — men riktningen är tydlig: på instegsnivån konkurrerar inte generering inuti en kreditbaserad studioplattform med API-prissättning per sekund. Det en köpare betalar för är arbetsytan runt modellen, inte modellens marginella sekund.

Den del som inte är offentlig

Tre gap förtjänar att namnges, eftersom vart och ett blockerar ett annat beslut.

• Inget API, och ingen integrationsväg.Utopai X har för närvarande ingen direkt integrationsväg. Ett produktteam som vill anropa det i en pipeline kan inte. Artificial Analysis listar det som "Inget API tillgängligt", och lanseringsmaterialet beskriver ingen utvecklaråtkomst.

• Ingen separat specifikation. MiniMax H3 genererar klipp på 4 till 15 sekunder i upp till 2K med inbyggt stereoljud. Utopai har inte publicerat någon egen maximal längd eller upplösning för Utopai X, vilket innebär att siffran 1080p i kredittabellen är den enda tillgängliga uppgiften om upplösning och att klipplängden är okänd.

• Ingen utvärdering utanför arenan. Elo-resultatet är ett oberoende mått på mänskliga preferenser för korta klipp. Det är inte ett mått på huruvida filmmaterialet tjänar en avsedd tagning, klipps in i en redigering eller överlever en revidering. Utopais eget inlägg medger detta direkt — "utvärderingen fortsätter även efter att ett klipp har genererats" — vilket är en ovanligt ärlig formulering för en lansering och också en varning om hur långt rankningen sträcker sig.

På studiosidan finns det mer historia att peka på. Utopai lanserade PAI 2.0 den 2 juni 2026 och sade då att plattformen hade nått 11 miljoner dollar i årlig återkommande intäkt mindre än två månader efter sin aprildebut, tack vare kommersiella licenser som sålts till produktionsbolag. Företaget uppger att det har tre biograffilmer och två serier planerade för 2027 och tillämpar PAI och Utopai X på sina egna produktioner, däribland The Most Serious Fart, en animerad långfilm skriven och regisserad av Mike Bender. Det är studiens siffror och studiens tidsplan, och de är anledningen till att en eftertränad modell utan API över huvud taget är värd att skriva om: modellen används för att göra filmer som företaget avser att släppa, vilket är ett svårare test än en topplista.

Där basmodellen fortfarande är det praktiska valet

För alla som faktiskt behöver generera video den här veckan är den dirigerbara halvan av den här familjen basmodellen. MiniMax H3 finns på OrcaRouter till leverantörens listpris — 0,08 USD per sekund vid 768p, vilket är 4,80 USD per minut, samma siffra som Artificial Analysis anger — med 0 % påslag, så eventuella prissänkningar från leverantören slår igenom samma dag i stället för först efter en omprissättningscykel, och automatisk redundansväxling mellan leverantörer, så att ett avbrott hos en enskild slutpunkt inte tar ner din pipeline. Den tar emot text-, bild-, video- och ljudreferenser som en enhetlig kontext och returnerar klipp på 4 till 15 sekunder i 768P eller 2K med inbyggt stereoljud, fakturerat per sekund genererad utdata.

Utopai X är inte routad, och inget i den här artikeln bör läsas som ett påstående att den är det. Det basmodellen ger dig är ett sätt att testa H3-familjens estetiska och rörelsemässiga egenskaper – samma grund som Utopai utgick från, före vilken efterträning den nu än har tillämpat – via en enda API-nyckel tillsammans med fler än 200 andra modeller, utan en PAI-prenumeration. Om Utopai X någonsin når en routbar leverantör skulle den dyka upp till listpris samma dag, med leverantörens avgift vidarebefordrad i stället för påslagen. Fram till dess är den ärliga uppdelningen: Utopai X för studior inom PAI, MiniMax H3 för alla som bygger en pipeline.

Vad avgör om detta var en debut eller ett ögonblick?

Tre saker är värda att hålla ögonen på under det kommande kvartalet. För det första: om försprånget på sju punkter i toppen överlever ytterligare några tusen röster – intervallen överlappar i dag, och en topplista som kastas om när en ny omgång jämförelser landar har inte avgjort något. För det andra: om Utopai över huvud taget öppnar någon utvecklaråtkomst; en modell som rankas som tvåa i världen och som bara en PAI-prenumerant kan anropa är ett produktbeslut, och det är reversibelt. För det tredje: om konkurrensen rör sig i motsatt riktning. Wan 3.0 genererar redan upp till 30 sekunder i 1080p med nativt ljud och tar emot text, bilder, video, ljud, dokument och webbsidor som referenser, och den toppar listan när det gäller ljussättning, material och kamerakontroll i uppdelningen per användningsfall. En förbättring på tolv punkter efter träning jämfört med en basmodell är talande; att hålla andraplatsen mot en grundmodell med ett bredare indataomfång är en annan uppgift.

Det som verkligen är nytt här är inte Elo. Det är påståendets form: en studio med en produktionspipeline hävdar att det är värt mer att äga besluten bakom materialet – vilken tagning, vilken referens, vilken revision – än att äga förträningskörningen. Det påståendet går att testa, och biljettintäkterna för 2027 års filmutbud är ett av testerna.