Utopai X ra mắt ở vị trí thứ 2 trong Text-to-Video: Bên trong quá trình hậu huấn luyện MiniMax H3 của một xưởng phim

Utopai X là một mô hình video mà tuần trước còn chưa tồn tại, không được huấn luyện từ đầu bởi một phòng thí nghiệm tiên phong, và không được bán qua API — và hiện tại nó đang xếp thứ hai thế giới về text-to-video. Mô hình này đến từ Utopai Studios, một studio phim và truyền hình thuần AI có trụ sở tại Mountain View, và nó là một bản hậu huấn luyện (post-train) của MiniMax H3, mô hình video đa phương thức (omni-modal) của MiniMax. Trên bảng xếp hạng text-to-video có âm thanh của Artificial Analysis (bảng mà Artificial Analysis hiện dán nhãn AA-Video-T2V v2.0, kết quả ngày 29 tháng 9 năm 2026), Utopai X đang ở mức Elo 1.150 — chỉ sau Alibaba với Wan 3.0 ở mức 1.157, và trước ByteDance với Dreamina Seedance 2.5 ở mức 1.143 và mô hình cơ sở MiniMax H3 (768p) mà nó được tinh chỉnh từ đó ở mức 1.138. Nó ra mắt vào 2026-09-30, cùng ngày bảng xếp hạng được làm mới, và nó chỉ có mặt ở đúng một nơi: bên trong PAI, nền tảng sản xuất của chính Utopai. Không có API công khai, và cột giá của chính Artificial Analysis cho hàng đó ghi "Không có API khả dụng."

Sự kết hợp đó — thứ hai trên thế giới, một kênh phân phối, không có bảng giá theo giây theo nghĩa thông thường — chính là toàn bộ câu chuyện. Một hãng phim lấy mô hình nền tảng của người khác, tinh chỉnh nó dựa trên phán đoán sản xuất của chính mình, và chen ngang hàng đợi. Việc đó là một kết quả lâu bền hay chỉ là một ảnh chụp nhanh của một đấu trường hoàn toàn mới là câu hỏi đáng đặt ra, và câu trả lời phụ thuộc vào việc đọc bảng xếp hạng thay vì đọc thông cáo báo chí.

Những gì bảng thực sự hiển thị

Artificial Analysis xếp hạng các mô hình video bằng Elo được suy ra từ bình chọn sở thích theo cặp của con người trong điều kiện ẩn danh. Người bình chọn xem hai clip được tạo từ cùng một prompt và chọn clip họ thích hơn, mà không biết mô hình nào đã tạo ra clip nào. Bảng xếp hạng thay đổi khi các phiếu bầu tích lũy, và mỗi dòng đều mang một khoảng tin cậy cho biết vị trí được phép dịch chuyển bao nhiêu. Ghi nhận vào ngày 2026-10-01, bảng text-to-video có âm thanh như sau:

• #1 Wan 3.0 — Elo 1.157 (±10), 6.391 mẫu, phát hành tháng 8/2026, $12.00/phút.

• #2 Utopai X (dựa trên MiniMax H3) — Elo 1.150 (±11), 5.455 mẫu, phát hành tháng 9 năm 2026, không có API.

• #3 Dreamina Seedance 2.5 — Elo 1,143 (±10), 6,375 mẫu, phát hành tháng 7/2026, $34.12/phút.

• #4 MiniMax H3 (768p) — Elo 1.138 (±10), 6.343 mẫu, phát hành tháng 7 năm 2026, 4,80 USD/phút.

• #5 FLUX 3 — Elo 1.129 (±10), 5.628 mẫu, phát hành tháng 7/2026, 17,40 USD/phút.

Hai chi tiết quan trọng hơn cả thứ tự xếp hạng. Thứ nhất, khoảng cách giữa vị trí thứ nhất và thứ hai là bảy điểm Elo, và hai khoảng ước lượng giao nhau một cách rõ ràng — Artificial Analysis ghi khoảng của Utopai X là 1.139 đến 1.161, trong đó bao gồm ước lượng điểm của Wan 3.0 là 1.157. Bảng xếp hạng ghi thứ hạng của Utopai X dưới dạng một khoảng, #1–3, chứ không phải một vị trí cố định. Thứ hai, khoảng cách giữa Utopai X và mô hình mà nó được hậu huấn luyện từ đó là mười hai điểm, với cùng vấn đề giao nhau, nên "bản hậu huấn luyện đánh bại mô hình gốc của nó" là đúng về xu hướng nhưng yếu về mặt thống kê. Bài viết của chính Utopai cẩn trọng hơn hầu hết các bài đăng ra mắt về điểm này: bài viết nói rằng kết quả Elo "cung cấp một đánh giá độc lập về cách mọi người phản hồi với cảnh quay do nó tạo ra", đây là một cách diễn giải hợp lý về những gì một đấu trường dựa trên sở thích con người đo lường, chứ không phải một tuyên bố về việc làm phim.

Ngược lại, lớp do nhà cung cấp báo cáo lại đầy tự tin. Utopai mô tả các điểm mạnh về phản xạ và tụ quang — những dạng hội tụ được hình thành khi ánh sáng phản xạ hoặc khúc xạ — và về tính nhất quán không gian trong một clip, cả hai đều là mục tiêu phát triển chứ không phải kết quả benchmark. Đó là lời của nhà cung cấp, không phải các phép đo của Artificial Analysis.

Một studio thay vì một phòng thí nghiệm

Utopai Studios phát triển, tài trợ và sản xuất các dự án điện ảnh và truyền hình của riêng mình, đồng thời xây dựng các mô hình của mình bên trong hoạt động kinh doanh đó chứ không phải bên cạnh nó. Cơ chế được nêu là phản hồi: các dự án sản xuất tạo ra kịch bản, thiết kế nhân vật và bối cảnh đã được phê duyệt, kế hoạch quay và các cảnh quay liên tiếp, và các đạo diễn, nhà quay phim và nghệ sĩ của studio ghi lại không chỉ những cảnh quay nào được giữ lại mà còn lý do những cảnh khác bị loại. Bản ghi đó trở thành tín hiệu huấn luyện và đánh giá. Nhóm nghiên cứu cũng vận hành một hệ thống Elo nội bộ kết hợp đánh giá sở thích của con người với bầu chọn tự động của các mô hình ngôn ngữ-thị giác, với các nghệ sĩ tham gia vào phần dành cho con người.

Đó là một lợi thế đáng tin và cũng là một lợi thế không thể kiểm chứng từ bên ngoài. Huấn luyện hậu kỳ có thể đưa một mô hình video tổng quát tiến gần hơn tới sở thích của người dùng phim ảnh và quảng cáo mà không cần thay thế mô hình nền tảng — đến mức đó thì vẫn nhất quán với bảng xếp hạng. Việc mức tăng mười hai điểm so với MiniMax H3 đến bao nhiêu từ dữ liệu huấn luyện, tối ưu hóa sở thích, xử lý câu lệnh, cài đặt suy luận hay các thay đổi ở thời điểm phục vụ là điều mà tài liệu ra mắt không nói. Utopai chưa công bố dữ liệu huấn luyện hậu kỳ, chưa công bố phương pháp tối ưu hóa, chưa công bố ngân sách tính toán và chưa có đánh giá an toàn. Các nhà nghiên cứu độc lập không thể tái tạo lợi thế này, và không có báo cáo kỹ thuật nào để tranh luận.

Lớp phân phối là nơi luận đề studio trở nên cụ thể. PAI — Production Assistive Intelligence — là nền tảng mà Utopai ra mắt cùng với mô hình, và nó nắm giữ bối cảnh dự án: phân tách kịch bản thành cảnh và cú máy, thư viện sản xuất gồm nhân vật, địa điểm và đồ vật, lịch sử phiên bản, phê duyệt chia sẻ cho các nhóm doanh nghiệp, và một dòng thời gian xuất sang Premiere Pro hoặc DaVinci Resolve. Lời chào hàng là việc tạo một clip chỉ là phần rẻ, còn giữ cho một cú máy nhất quán với phần còn lại của bộ phim mới là phần đắt đỏ. Utopai X tạo cảnh quay bên trong không gian làm việc đó “khi được nhà làm phim lựa chọn”, theo cách diễn đạt của chính công ty — mô hình này là một lựa chọn trong số nhiều mô hình hình ảnh, video và âm thanh có sẵn trong PAI, chứ không phải là lựa chọn duy nhất.

Utopai X có chi phí bao nhiêu và cách đọc nó

PAI được bán dưới dạng gói đăng ký kèm credit, chứ không phải API tính theo giây. Các gói được công bố gồm 15 USD/tháng cho 1.000 credit, 49 USD/tháng cho 3.500 credit, 129 USD/tháng cho 10.000 credit và 379 USD/tháng cho 35.000 credit, với hình thức thanh toán theo năm được giảm khoảng 8 đến 10 phần trăm, cùng với các gói nạp thêm ở mức 15 USD mỗi 1.000 credit. Utopai X có dòng riêng trong bảng credit của PAI: 93 credit mỗi giây video ở 1080p. Các mô hình video khác của nền tảng này ở mức thấp hơn — 50 credit mỗi giây ở 1080p trên gói tiêu chuẩn và 76 trên gói pro.

Việc quy đổi con số đó thành mức theo phút là phép tính ai cũng làm được và gần như không ai nên dùng làm giá. Với 93 credit mỗi giây, một phút đầu ra của Utopai X tốn 5.580 credit. Gói khởi điểm $15 mua 1.000 credit mỗi tháng, tức khoảng 10,8 giây cảnh quay nếu mọi credit đều dành cho model này. Nếu ngoại suy tuyến tính từ mức credit của gói khởi điểm, chi phí hàm ý vào khoảng hơn $80 mỗi phút video được tạo. Con số đó chỉ đáng nêu ra khi kèm theo các lưu ý: nó giả định quy đổi credit sang đô la hoàn toàn tuyến tính, bỏ qua việc credit được dùng chung cho mọi model trong PAI và có thể hết hạn hoặc không được dùng, bỏ qua ưu đãi theo năm và các gói nạp thêm, đồng thời không nói gì về giới hạn độ phân giải hay thời lượng, vốn chưa được Utopai công bố riêng cho Utopai X. Đây là một bậc độ lớn hữu ích, không phải bảng giá.

Để so sánh, trên cùng bảng Artificial Analysis, MiniMax H3 (768p) được niêm yết ở mức 4,80 USD mỗi phút và Wan 3.0 ở mức 12,00 USD, trong khi Dreamina Seedance 2.5 được niêm yết ở mức 34,12 USD. Đó là các nguồn cấp giá tự động từ chính API của các nhà cung cấp, không phải ước tính suy ra từ gói đăng ký, nên phép so sánh này cùng lắm chỉ mang tính định hướng — nhưng hướng thì rõ ràng: ở phân khúc nhập môn, việc tạo sinh bên trong một nền tảng studio dựa trên credit không cạnh tranh với mức giá API tính theo giây. Điều mà người mua đang trả tiền là không gian làm việc xung quanh mô hình, chứ không phải từng giây cận biên của mô hình.

Phần không công khai

Ba lỗ hổng đáng được gọi tên, vì mỗi lỗ hổng chặn một quyết định khác nhau.

• Không có API và không có cách tích hợp. Utopai X hiện không có phương thức tích hợp trực tiếp. Một nhóm sản phẩm muốn gọi nó trong một pipeline thì không thể. Artificial Analysis liệt kê nó là "Không có API", và tài liệu ra mắt không mô tả quyền truy cập dành cho nhà phát triển.

• Không có thông số kỹ thuật riêng.MiniMax H3 tạo ra các clip dài từ 4 đến 15 giây ở độ phân giải lên tới 2K cùng âm thanh stereo gốc. Utopai chưa công bố thời lượng hay độ phân giải tối đa của riêng mình cho Utopai X, nghĩa là con số 1080p trong bảng credit là thông tin độ phân giải duy nhất hiện có, còn độ dài clip thì vẫn chưa rõ.

• Không có đánh giá nào ngoài đấu trường. Kết quả Elo là một phép đo độc lập về sở thích của con người đối với các clip ngắn. Nó không phải là thước đo liệu cảnh quay có phục vụ một cú máy dự định, có cắt được vào một bản dựng hay tồn tại qua một lần chỉnh sửa hay không. Bài đăng của chính Utopai thừa nhận trực tiếp điều này — “đánh giá cũng tiếp tục sau khi một clip được tạo ra” — một cách diễn đạt trung thực hiếm thấy cho một màn ra mắt, đồng thời cũng là lời cảnh báo về việc bảng xếp hạng đi được bao xa.

Về phía hãng phim, có nhiều lịch sử hơn để nhắc đến. Utopai đã ra mắt PAI 2.0 vào ngày 2026-06-02 và cho biết vào thời điểm đó rằng nền tảng đã đạt 11 triệu đô la doanh thu định kỳ hàng năm chưa đầy hai tháng sau khi ra mắt vào tháng Tư, nhờ vào giấy phép thương mại bán cho các công ty sản xuất. Công ty cho biết họ có ba phim điện ảnh và hai loạt phim dự kiến ra mắt vào năm 2027 và đang áp dụng PAI và Utopai X vào các sản phẩm của chính mình, bao gồm Cái Rắm Nghiêm Trọng Nhất, một phim hoạt hình do Mike Bender viết kịch bản và đạo diễn. Đó là những con số của hãng phim và lịch trình của hãng phim, và chúng là lý do tại sao một post-train không có API lại đáng để viết đến vậy: mô hình đang được sử dụng để tạo ra những bộ phim mà công ty dự định phát hành, một thử thách khó hơn cả bảng xếp hạng.

Nơi mô hình cơ sở vẫn là lựa chọn thiết thực

Với bất kỳ ai thực sự cần tạo video trong tuần này, nửa có thể định tuyến của dòng sản phẩm này chính là mô hình cơ sở. MiniMax H3 hiện có trên OrcaRouter với giá niêm yết của nhà cung cấp — 0,08 USD mỗi giây ở 768p, tức 4,80 USD mỗi phút, đúng con số mà Artificial Analysis đưa ra — với mức chênh giá 0%, nên mọi đợt giảm giá của nhà cung cấp đều được áp dụng ngay trong ngày thay vì phải chờ hết một chu kỳ định giá lại, và tự động chuyển đổi dự phòng giữa các nhà cung cấp, để một sự cố ngừng hoạt động của một endpoint đơn lẻ không làm sập pipeline của bạn. Nó nhận tham chiếu dạng văn bản, hình ảnh, video và âm thanh như một ngữ cảnh thống nhất, rồi trả về các clip dài 4 đến 15 giây ở 768P hoặc 2K với âm thanh stereo gốc, tính phí theo từng giây đầu ra được tạo.

Utopai X không được định tuyến, và không có nội dung nào trong bài viết này nên được hiểu là một tuyên bố rằng nó được định tuyến. Điều mà mô hình cơ sở mang lại cho bạn là một cách để kiểm tra các đặc điểm thẩm mỹ và chuyển động của dòng H3 — cùng nền tảng mà Utopai đã bắt đầu từ đó, trước bất kỳ quá trình hậu huấn luyện nào mà nó đã áp dụng — thông qua một khóa API cùng với hơn 200 mô hình khác, mà không cần đăng ký PAI. Nếu Utopai X có bao giờ đến được một nhà cung cấp có thể định tuyến, nó sẽ xuất hiện với giá niêm yết ngay trong ngày hôm đó, với mức phí của nhà cung cấp được chuyển nguyên vẹn thay vì bị đội lên. Cho đến lúc đó, cách phân chia trung thực là: Utopai X dành cho các studio bên trong PAI, MiniMax H3 dành cho tất cả những ai đang lắp ghép một pipeline.

Điều gì quyết định việc đây là một màn ra mắt hay một khoảnh khắc?

Ba điều đáng theo dõi trong quý tới. Thứ nhất, liệu khoảng cách bảy điểm ở vị trí dẫn đầu có trụ vững qua thêm vài nghìn phiếu bầu nữa không — các khoảng tin cậy hiện đang trùng nhau, và một bảng xếp hạng đảo lộn khi một loạt so sánh mới xuất hiện thì chưa chốt được điều gì. Thứ hai, liệu Utopai có mở bất kỳ quyền truy cập nhà phát triển nào không; một mô hình xếp thứ hai thế giới mà chỉ người đăng ký PAI mới gọi được là một quyết định sản phẩm, và nó có thể đảo ngược. Thứ ba, liệu cuộc cạnh tranh có đi theo hướng ngược lại không. Wan 3.0 đã tạo được tối đa 30 giây video 1080p với âm thanh gốc và chấp nhận văn bản, hình ảnh, video, âm thanh, tài liệu và trang web làm tham chiếu, đồng thời dẫn đầu bảng xếp hạng về ánh sáng, vật liệu và điều khiển camera trong phần phân tích theo trường hợp sử dụng. Mức tăng mười hai điểm sau huấn luyện so với một mô hình cơ sở là điều đáng chú ý; còn giữ vị trí thứ hai trước một mô hình nền tảng với phạm vi đầu vào rộng hơn lại là một việc khác.

Điều thực sự mới mẻ ở đây không phải là Elo. Mà là hình dạng của tuyên bố: một studio có quy trình sản xuất lập luận rằng việc sở hữu các quyết định đằng sau đoạn phim — lấy cảnh nào, tham chiếu nào, bản sửa đổi nào — đáng giá hơn việc sở hữu lượt chạy tiền huấn luyện. Lập luận đó có thể kiểm chứng được, và doanh thu phòng vé của danh sách phim năm 2027 là một trong những phép kiểm chứng.