Kling 4.0 so với MiniMax H3: Mô hình được chấm điểm lại là mô hình cũ hơn

Có một phiên bản của sự so sánh này tự viết ra, và nó sai. MiniMax H3 đã ra mắt vào tháng 7 năm 2026 và đứng đầu bảng xếp hạng image-to-video của Artificial Analysis. Kling 4.0 đã ra mắt ngày 15 tháng 10 năm 2026, thay thế một mô hình đã được đưa vào sản xuất từ tháng Hai, và là mô hình video mới nhất mà K​uaishou sở hữu. Cách hiểu hiển nhiên là kẻ thách thức đã đến và vương miện của kẻ đương nhiệm đang bị đe dọa. Tình trạng thực tế của hồ sơ lại kỳ lạ hơn: mô hình cũ hơn là mô hình có điểm số độc lập, giá đã công bố, trọng số có thể tải xuống và một tuyến trên nền tảng của chúng tôi, trong khi mô hình mới hơn có bảng thông số dài hơn, không có điểm số, không có bảng giá và một API vẫn đang trong giai đoạn truy cập sớm. Bạn nên quan tâm đến điều nào trong số đó hoàn toàn phụ thuộc vào việc bạn đang mua một năng lực hay một mối quan hệ với nhà cung cấp. Những thất bại AI và sự cố tác nhân đã được ghi nhận đằng sau các bản phát hành như thế này được tập hợp trong the OrcaRouter AI Incident Archive trong đó mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp.

Cả hai mô hình đều có thật và đều mạnh. MiniMax H3 là mô hình 4 đến 15 giây ở độ phân giải gốc 768p, có 2K thông qua mô-đun tái tạo chỉ qua API, âm thanh stereo 32kHz gốc được tạo trong cùng một lượt và ngữ cảnh hợp nhất đọc đồng thời các tham chiếu văn bản, hình ảnh, video và âm thanh. Kling 4.0 là mô hình 3 đến 30 giây ở độ phân giải lên tới 4K, với tối đa mười khung hình chính, mười lăm tham chiếu kết hợp và âm thanh stereo hai kênh. Khoảng cách về năng lực thô là có thật, và nó nhỏ hơn khoảng cách về bằng chứng.

Những điểm số tồn tại, và điểm số không tồn tại

Artificial Analysis vận hành ba bảng video với các thang điểm riêng và các nhóm bình chọn riêng, và H3 của M​iniMax xuất hiện trên cả ba. Đọc ngày 22 tháng 10 năm 2026:

• Hình ảnh sang video (AA-Video-I2V v1.1, giữ nguyên âm thanh) — H3 (768p) đứng thứ 1 với Elo 1.140 ±16 qua hơn 4.209 phiếu bầu, phát hành tháng 7 năm 2026, ghi nhận ở mức 5,40 USD mỗi phút. H3 Max đứng thứ 6 với 1.125 ±17.

• Văn bản thành video (AA-Video-T2V v2.1) — H3 (768p) đứng thứ 5 với 1.158 ±16 trên 5.781 phiếu bầu, 4,80 USD mỗi phút. Wan 3.0 dẫn đầu với 1.173 và biến thể H3 Max đứng thứ 6 với 1.156, vì vậy dòng này chiếm hai trong sáu vị trí đứng đầu.

• Chỉnh sửa video (AA-Video-Editing v1.1) — H3 (768p) đứng thứ 4 với 1.125 ±11 trên 7.457 phiếu bầu, 9,60 USD mỗi phút.

Kling 4.0 không có mặt trên bảng nào trong số đó. Các dòng Kling mà các bảng xếp hạng hiển thị là của Kling 3.0 từ tháng Hai — hạng 19 về image-to-video tại mốc neo 1.000, hạng 17 về text-to-video, hạng 9 về editing — và chúng mô tả thế hệ trước, không phải thế hệ này. Tám ngày sau khi phát hành rộng rãi là còn quá sớm để có một mục trên bảng xếp hạng, nên đây là việc thiếu dữ liệu đo lường chứ không phải dữ liệu đo lường tồi. Điều đó vẫn có nghĩa là trong vài tuần tới, “cái nào tốt hơn” sẽ có một câu trả lời được ghi nhận bằng tài liệu ở một bên và một thông cáo báo chí ở bên kia.

Một lưu ý về các con số của H3, vì điều này có thể được diễn giải theo cả hai chiều. Các khoảng trên bảng xếp hạng image-to-video đủ rộng để vị trí thứ nhất và thứ sáu chồng lấn — H3 ở 1,140 ±16, H3 Max ở 1,125 ±17 — nên “số một” là một thứ hạng, chứ không phải một khoảng cách đã được chứng minh. Phát biểu trung thực là H3 nằm trong một nhóm dẫn đầu mà các thành viên chưa được tách biệt bởi số phiếu bầu.

Mười lăm giây thêm đó thực sự để làm gì

Giới hạn tối đa của H3 là 15 giây, theo các bước nguyên bắt đầu từ bốn. Của Kling 4.0 là 30 giây, trong một lần chạy, với các phần mở rộng lên tới hai phút được liệt kê là sắp ra mắt. Đó không phải là một khác biệt nhỏ về bản chất, vì nó vượt qua ranh giới giữa một cú máy và một cảnh.

• Thời lượng — MiniMax H3: 4 đến 15 giây. Kling 4.0: 3 đến 30 giây, tính năng mở rộng lên tới 2 phút sắp ra mắt.

• Độ phân giải — H3: 768p nguyên bản, với 2K thông qua mô-đun tái tạo chỉ qua API mà người tự triển khai không thể chạy. Kling 4.0: 720p, 1080p, 4K, cùng với 21:9.

• Điều khiển ở cấp khung hình — H3: chế độ khung đầu, khung cuối và khung đầu-và-cuối. Kling 4.0: tối đa 10 khung hình chính ở bất kỳ đâu trên dòng thời gian.

• Đầu vào tham chiếu — H3: tối đa 9 hình ảnh, 3 clip video và 3 clip âm thanh được đọc như một ngữ cảnh. Kling 4.0: tối đa 15 tài nguyên kết hợp — 10 hình ảnh, 5 video tổng cộng 30 giây, 7 phần tử bao gồm tối đa 3 phần tử dựa trên video — cùng với các tham chiếu giọng nói.

• Âm thanh — H3: âm thanh nổi 32kHz được tạo cùng video, ở 24fps. Kling 4.0: âm thanh nổi hai kênh với đồng bộ nhép môi và hội thoại bằng chín ngôn ngữ.

• Độ dài prompt — H3 không công bố giới hạn token nào trong tài liệu yêu cầu của mình. Kling 4.0 chấp nhận tối đa 8.000 token.

Chỗ thiết kế của H3 thể hiện rõ là tính nhất quán dưới một camera cố định: một cảnh quay 15 giây với một màn trình diễn trong đó, được dẫn dắt bởi ảnh tham chiếu cùng khung hình đầu và cuối, đúng chính xác là dạng mà các điều khiển của nó giả định. Chỗ thiết kế của Kling 4.0 thể hiện rõ là một chuỗi dài hơn với các nhịp — và dòng thời gian mười keyframe chính là phần của bản nâng cấp đó thay đổi nhiều nhất cách một cảnh quay được tạo dựng.

Đoạn về giấy phép là yếu tố quyết định đối với một số độc giả.

Đây là màn so tài duy nhất trong bộ này mà một trong hai mô hình có thể rời khỏi máy chủ của nhà cung cấp, và các điều khoản đáng để đọc trước tiên nếu tự lưu trữ nằm trong lộ trình của bạn.

MiniMax H3 có checkpoint cơ sở có thể tải xuống theo giấy phép cộng đồng của MiniMax — không phải Apache, không phải MIT. Giấy phép đó loại trừ Hoa Kỳ, Vương quốc Anh, Liên minh châu Âu và Hàn Quốc, những nơi việc sử dụng yêu cầu phải nộp đơn lên MiniMax, và việc sử dụng thương mại vượt ngưỡng doanh thu yêu cầu sự cho phép trước bằng văn bản. Phần mở là mô hình cơ sở: mô-đun mở rộng lời nhắc Context-IR và luồng tái tạo 2K vẫn nằm ở phía API và chưa bao giờ thuộc phần phát hành. Nếu bạn ở trong một trong bốn lãnh thổ đó, trọng số không phải là cách lách qua API — chúng là một cuộc trao đổi riêng với MiniMax.

Kling 4.0 không công bố bất kỳ trọng số nào, và tài liệu ra mắt của Kuaishou không cho thấy sẽ có bất kỳ trọng số nào sau đó. Đó là một kiểu đóng khác: MiniMax đã tung ra thứ gì đó với các điều khoản mà bạn có thể đáp ứng, còn Kuaishou không tung ra gì để đáp ứng. Cả hai lập trường đều không vô lý đối với một công ty bán mô hình video; chúng chỉ không phải cùng một lập trường, và một nhóm đang lên kế hoạch cho pipeline tại chỗ nên để ý mỗi mô hình nằm ở phía nào của ranh giới trước khi điều đó khiến họ tốn một quý.

Mỗi thứ giá bao nhiêu, và con số duy nhất còn thiếu

M​iniMax tính phí theo mỗi giây đầu ra được tạo: $0.08 mỗi giây ở 768p và $0.13 mỗi giây ở 2K, với âm thanh tham chiếu miễn phí và năm ảnh tham chiếu đầu tiên miễn phí. Con số đó quy ra là $4.80 mỗi phút ở 768p, đúng như cách Artificial Analysis ghi nhận trên các bảng text-to-video và chỉnh sửa, và là $5.40 đến $7.80 mỗi phút khi tính đến cấu hình độ phân giải mà bảng đã đo. Mẹo tạo bản nháp rồi nâng cấp không vượt qua được đồng hồ tính phí: tạo ở 768p cộng với tạo lại ở 2K tốn $0.08 cộng $0.05, đúng bằng mức $0.13 của giá 2K trực tiếp.

Kuaishou chưa công bố mức giá nào cho Kling 4.0 cả. Bảng điều khiển nhà phát triển API có biểu ngữ truy cập sớm và không có giá theo giây cho cả mô hình đầy đủ lẫn Kling 4.0 Flash. Mọi con số đang lưu hành về nó hiện nay đều là ước tính của ai đó. Sự bất đối xứng đó là thông tin liên quan nhất đến quyết định trong so sánh này, sau giấy phép: một trong hai mô hình có đồng hồ đo mà bạn có thể đọc trước khi cam kết, còn mô hình kia thì không.

Thứ chúng tôi có thể định giá là thế hệ trước. kling/kling-v3 và kling/kling-v3-omni được niêm yết ở mức cố định $0.084 mỗi yêu cầu trên danh mục của chúng tôi, kling/kling-3-turbo ở mức $0.112, và MiniMax H3 cũng được cung cấp, theo đúng mức giá theo giây của nhà cung cấp, chuyển nguyên không cộng thêm gì. Điều đó quan trọng cho một bài kiểm tra so sánh song song: cả một mô hình Kuaishou lẫn MiniMax H3 đều trả lời trên cùng một endpoint tương thích OpenAI, vì vậy so sánh chúng trên các prompt của riêng bạn chỉ là đổi model-ID thay vì phải có hai tài khoản nhà cung cấp, hai SDK và hai bảng điều khiển hạn mức. Cơ chế chuyển đổi dự phòng nằm sau cùng một lệnh gọi, và đó chính là điều khiến một cuộc đánh giá kéo dài cả tuần trở nên thực tế thay vì một thủ tục mua sắm.

Câu hỏi về tính sẵn có, trong đó mô hình mở cũng là mô hình dễ hơn.

Hiếm khi mô hình trọng số mở lại cũng là mô hình sẵn có hơn, và đây chính là trường hợp đó. MiniMax H3 hiện đã có thể gọi, trên nền tảng của chúng tôi và trên nền tảng của chính MiniMax, với mức giá công bố theo giây, cùng ba mục bảng xếp hạng độc lập đứng sau nó. Kling 4.0 có thể gọi trên trang sáng tạo của Kuaishou và, đối với nhà phát triển, thông qua API truy cập sớm không có mức giá công bố và không có mã định danh mô hình mà chúng tôi có thể định tuyến.

Có hai hệ quả kéo theo, và chúng chỉ về hai hướng trái ngược nhau. Nếu bạn cần giao sản phẩm trong tháng này, H3 là mô hình đã có giá, có điểm số và có câu chuyện tích hợp. Nếu bạn cần một cú máy 30 giây với mười nhịp được đạo diễn và hội thoại stereo, H3 không thể làm được ở bất kỳ mức giá nào, và việc chờ bảng giá của Kling 4.0 chính là cái giá phải trả cho năng lực đó. Tin tốt là hai điều này không loại trừ nhau: định tuyến một pipeline clip ngắn qua H3 trong khi dùng thử Kling 4.0 trên nền tảng của nhà cung cấp là cách bình thường để thực hiện giai đoạn chuyển đổi, và nó giữ luồng sản xuất trên một mô hình đã được tài liệu hóa về hành vi.

Một lưu ý mà việc định tuyến không thể khắc phục: nếu bạn ở Hoa Kỳ, Vương quốc Anh, EU hoặc Hàn Quốc và kế hoạch của bạn là tự triển khai trọng số của H3, thì việc gọi nó qua API không phải là cách lách giấy phép. Đó là một sản phẩm khác với các điều khoản khác, và câu hỏi về giấy phép vẫn là việc bạn phải tự trả lời.

Chọn một

Chọn MiniMax H3khi clip ngắn, ngân sách cố định và bằng chứng quan trọng. Đây là một trong năm mô hình đứng đầu trên bảng xếp hạng text-to-video và đứng đầu ở image-to-video, trên ba bảng xếp hạng và hàng nghìn lượt bình chọn, với giá 0,08 USD mỗi giây cho 768p. Nó tự tạo âm thanh stereo. Nó chấp nhận chín hình ảnh, ba clip video và ba clip âm thanh trong một ngữ cảnh. Và nếu bạn ở ngoài bốn lãnh thổ bị loại trừ, đây là mô hình duy nhất trong hai mô hình này mà bạn có thể tải xuống.

Hãy chọn Kling 4.0 khi chuỗi cảnh dài và số lượng thành phần chuyển động cao. Ba mươi giây, mười khung hình chính, mười lăm tham chiếu và hội thoại hai kênh là năng lực mà H3 không có, và không có thứ hạng benchmark nào bù đắp được cho điều đó. Hãy bước vào với nhận thức rằng bạn đang mua một mô hình chưa được đo lường với mức giá chưa được công bố, rằng HDR 10-bit và tính năng kéo dài hai phút vẫn đều được liệt kê là sắp ra mắt, và rằng API đang ở giai đoạn truy cập sớm chứ không phải được cung cấp rộng rãi.

Điều có thể thay đổi cục diện của phép so sánh này là một mục Kling 4.0 trên một trong các bảng xếp hạng và một bảng giá được công bố. Chỉ riêng một trong hai điều đó cũng đủ đưa nó từ một cuộc tranh luận kiểu năng lực so với bằng chứng sang một quyết định thông thường về giá và chất lượng — vị thế mà người mua nào cũng muốn có. Cho đến lúc đó, hai câu vẫn trụ vững sau khi bị soi xét là: H3 là mô hình được tài liệu hóa tốt hơn hẳn, và Kling 4.0 là mẫu duy nhất trong hai mẫu giữ được một cảnh quay dài 30 giây.