Vidu Q4 Preview vs MiniMax H3: Vị trí dẫn đầu bảng xếp hạng hòa nhau, và chỉ một trong hai góp mặt trên ba bảng xếp hạng

Bảng xếp hạng image-to-video tại Artificial Analysis, tính đến ngày 8 tháng 10 năm 2026, đưa MiniMax H3 Max lên vị trí đầu tiên với 1.195 Elo, MiniMax H3 thứ hai với 1.181, và Vidu Q4 Preview thứ ba với 1.179. Mười sáu điểm cách biệt giữa vị trí đầu tiên và vị trí thứ ba, với các khoảng sai số xấp xỉ ±10 và ±11, trên 5.894, 7.284 và 5.543 phiếu bầu tương ứng. Đó là một sự hòa nhau về mặt thống kê được khoác lên dáng vẻ bục trao giải, và bất kỳ trang nào mở đầu bằng việc tuyên bố một người thắng cuộc trên bảng xếp hạng này đều đang đọc nhiễu.

Vậy nên câu hỏi thú vị không phải là mô hình nào trong hai mô hình này tốt hơn. Mà là điều gì xảy ra với phép so sánh khi bạn bước ra khỏi bảng duy nhất nơi cả hai cùng xuất hiện — bởi vì MiniMax H3 được phát hành ngày 31 tháng 7 năm 2026 như một mô hình omni-modal, đọc các tham chiếu văn bản, hình ảnh, video và âm thanh như một ngữ cảnh duy nhất, còn Vidu Q4 Preview ra mắt ngày 7 tháng 10 năm 2026 với hai chế độ đầu vào và hai endpoint API. Một trong số chúng được đo ở ba nơi. Cái còn lại được đo ở một nơi.

Thế hòa ba bên có và không có ý nghĩa gì

Cả hai mục MiniMax và bản dựng Vidu đều nằm trong khoảng của nhau, nên phát biểu trung thực là ba mô hình image-to-video hàng đầu không thể phân biệt được bằng sở thích của con người ở cỡ mẫu hiện tại. Hai chi tiết khiến việc hòa nhau đó bớt tâng bốc tất cả mọi người hơn so với vẻ ngoài của nó.

Yếu tố đầu tiên là thời điểm. Các phiếu bầu của MiniMax H3 đến từ tháng 7 năm 2026 và của H3 Max từ tháng 8; còn của Vidu Q4 Preview từ tháng 10. Những nhóm phiếu bầu lớn hơn, cũ hơn được đo lường dựa trên một sân chơi cạnh tranh khác và một tập đối thủ khác, điều này có cả hai mặt: được đo lường tốt hơn, và lại liên quan đến một câu hỏi hơi khác. Khoảng cách 16 điểm theo bất kỳ hướng nào ở đây đều không phải là bằng chứng.

Thứ hai là cột giá. Artificial Analysis ghi nhận MiniMax H3 ở mức 7,80 đô la mỗi phút và H3 Max ở mức 4,80 đô la mỗi phút trên bảng này. Vidu Q4 Preview được ghi nhận ở mức 7,20 đô la. Nếu đọc đó như một bảng xếp hạng, H3 Max trông như lựa chọn đáng giá nhất trong ba mô hình — nhưng mức giá gốc của nhà cung cấp lại giải thích cho nhãn đó chứ không hề mâu thuẫn với nó. Trên thẻ mô hình của riêng chúng tôi, MiniMax-H3 được niêm yết ở mức 0,08 đô la mỗi giây ở 768P và 0,13 đô la mỗi giây ở 2K, tức là 4,80 và 7,80 đô la mỗi phút. Hai con số MiniMax trên bảng là cùng một mô hình được định giá ở hai mức độ phân giải, chứ không phải một hạng cao cấp và một hạng rẻ. Các cột tính theo phút trên một bảng xếp hạng theo sở thích thì hữu ích để nắm bậc độ lớn, nhưng lại nguy hiểm với bất kỳ điều gì chi tiết hơn.

Nơi MiniMax H3 xuất hiện còn Vidu Q4 Preview thì không

Đây là phần của cuộc đối đầu vẫn tồn tại sau khi hòa, và đó là sự khác biệt về cấu trúc chứ không phải về chất lượng.

MiniMax H3 (768p) đứng thứ tư trên bảng xếp hạng văn bản-thành-video với 1.137 Elo qua 8.315 phiếu bầu, còn H3 Max đứng thứ năm với 1.130 qua 5.719 phiếu. Nó lại đứng thứ tư trên bảng xếp hạng chỉnh sửa video với 1.137 qua 7.023 phiếu bầu, trên một bảng xếp hạng các mô hình theo việc chỉnh sửa video từ chỉ dẫn văn bản với âm thanh được giữ nguyên. Vidu Q Preview không xuất hiện trên bảng nào trong hai bảng.

Sự vắng mặt đó không phải là một khoảng trống trong đo lường — nó chính là bản chất của sản phẩm. API của Vidu Q4 Preview ghi tài liệu hai endpoint, /ent/v2/img2video và /ent/v2/reference2video, và trang sản phẩm liệt kê hai chế độ, Image-to-Video và Reference-to-Video. Không có đường dẫn text-to-video nào trong tài liệu. Cũng không có đường dẫn chỉnh sửa video, nghĩa là mô hình không thể lấy một clip có sẵn rồi thay đổi thứ gì đó trong đó. MiniMax H3 làm được cả hai, và cách định khung đa phương thức (omni-modal) của nó — tham chiếu văn bản, hình ảnh, video và âm thanh trong cùng một ngữ cảnh — chính là lý do nó có thể làm được.

Cần nói chính xác về khía cạnh âm thanh, bởi vì cả hai mô hình đều xử lý âm thanh gốc và hai điều này không giống nhau. Vidu Q4 Preview tạo âm thanh và video cùng lúc, với một audio tham số trong endpoint image-to-video để xuất ra video có hội thoại và hiệu ứng âm thanh, đồng thời nó chấp nhận tối đa ba đoạn âm thanh tham chiếu để giữ giọng của nhân vật nhất quán. MiniMax H3 xuất âm thanh stereo gốc và chấp nhận âm thanh như một phương thức đầu vào song song với hình ảnh và video. Trường hợp dùng giọng tham chiếu là điểm mạnh riêng của Vidu; trường hợp dùng tham chiếu mọi thứ là điểm mạnh của MiniMax.

Phép tính mỗi giây, theo từng bậc.

Cả hai mô hình đều tính phí theo từng giây đầu ra được tạo, khiến đây trở thành một so sánh hiếm gặp, nơi có thể đặt các bảng giá cạnh nhau mà không cần quy đổi.

• 540p — Chỉ dành cho Vidu Q4 Preview: 9 tín dụng mỗi giây, khoảng $0,045 theo mức giá tín dụng tiêu chuẩn $0,005 đã công bố của nền tảng

• 720P / 768P — Vidu Q4 Preview 19 credit mỗi giây, khoảng $0,095 so với MiniMax-H3 $0,08 mỗi giây

• 1080p — Vidu Q4 Preview 24 credit mỗi giây, khoảng $0.12 so với MiniMax-H3 không công bố gói 1080p nào

• 2K — Vidu Q4 Preview 38 credit mỗi giây, khoảng 0,19 USD so với MiniMax-H3 0,13 USD mỗi giây

• 4K — chỉ Vidu Q4 Preview: 78 credit mỗi giây, khoảng $0,39

Mô thức rút ra từ đó không phải là “một bên rẻ hơn”. Mức sàn của Vidu Q4 Preview thực sự thấp hơn — gói 540p của nó là một gói blocking được định giá đúng cho chính việc nó được dùng để làm: kiểm chứng bố cục trước khi trả tiền cho một bản render độ phân giải đầy đủ, và không có gì trong bảng giá của MiniMax đóng vai trò đó. MiniMax H3 rẻ hơn ở 2K, gói cao nhất mà cả hai mô hình cùng có, khoảng một phần ba. Và gói 4K của Vidu là gói tạo 4K duy nhất trong so sánh này, với mức giá phản ánh đúng điều đó.

Con số ra mắt 0,014 đô la mỗi giây đi kèm với thông báo của Vidu là mức 540p theo mức giá tín dụng đã giảm, không phải mức giá chung. Nền tảng của Shengshu hiện đang chạy các chương trình giảm giá gói có thời hạn lên tới 30% cho các gói tín dụng, điều này hạ tất cả các mức xuống cùng nhau thay vì thay đổi hình dạng của đường cong. Hãy coi đường cong giá niêm yết là mốc so sánh và mức giảm giá là khoản bù tạm thời.

Về phía chúng tôi: chúng tôi định tuyến MiniMax-H3. Nó đang hoạt động trên API model công khai tại minimax/minimax-h3, tính phí theo từng giây đầu ra được tạo, ở mức giá niêm yết của nhà cung cấp, chuyển thẳng không cộng thêm gì, và có thể gọi trên cùng endpoint tương thích OpenAI như mọi model văn bản chúng tôi phục vụ. Vidu Q4 Preview không phải là một tuyến của OrcaRouter, và trang này không khẳng định điều ngược lại — các model video mà chúng tôi thực sự phục vụ nằm trên một key và một dạng yêu cầu, ngay cạnh các model ngôn ngữ, và chính cách sắp xếp đó giúp việc so sánh nhiều model trở nên rẻ. Một hệ quả thực tế của việc tính giá chuyển thẳng: khi nhà cung cấp thay đổi mức giá theo giây, thay đổi đó hiển thị trên tuyến ngay trong cùng ngày thay vì phải đợi đến kỳ gia hạn hợp đồng.

“omni-modal” mang lại được gì trong một yêu cầu thực tế

Ngữ cảnh hợp nhất của MiniMax H3 dễ bị xem như một danh sách tính năng và bị bỏ qua như một khác biệt mang tính kỹ thuật. Một mô hình chấp nhận video làm tham chiếu đầu vào có thể được trỏ tới một cảnh quay sẵn có và yêu cầu tiếp tục, kéo dài hoặc đổi phong cách cho cảnh đó; một mô hình không có đầu vào video thì không thể. Đó là cơ chế đằng sau sự hiện diện của H3 trên bảng dựng, và cũng là lý do dải đầu ra 4–15 giây của mô hình không hạn chế đến mức mà con số đó gợi ra — mở rộng qua nhiều lượt là cách thông thường để dựng nên một chuỗi dài hơn từ nó.

Giới hạn 16 giây của Vidu Q4 Preview cũng là giới hạn cho mỗi lần tạo, và chế độ Reference-to-Video của nó được xây dựng để kể chuyện nhiều cảnh quay trong khoảng thời gian đó, với tài liệu mô tả khả năng chuyển đổi camera thông minh và tính nhất quán giữa nhiều vị trí camera. Điều nó không có là một cách để nhận một clip bạn đã quay và chỉnh sửa nó. Nếu quy trình của bạn bắt đầu từ đoạn phim quay được thay vì từ ảnh tĩnh hoặc một bộ tham chiếu, thì một trong hai mô hình này đơn giản là không khả dụng với bạn, và không có con số Elo nào bù đắp được điều đó.

Cái nào, theo công việc

Hãy chọn MiniMax H3 khi đầu vào không phải là hình ảnh hay một tập tham chiếu. Text-to-video, chỉnh sửa video-to-video, đầu vào âm thanh, mở rộng qua nhiều lượt vượt mười lăm giây, hay một pipeline mà mô hình cần đảm nhận khối lượng use case tương đương ba bo mạch khác nhau — đó là lãnh địa của H3, và nó là mô hình duy nhất trong hai mô hình sở hữu bất kỳ thứ nào trong số đó. Mức giá 2K của nó cũng rẻ hơn so với mô hình còn lại ở phân khúc cao cấp nhất mà cả hai cùng chia sẻ.

Chọn Vidu Q4 Preview khi công việc đòi hỏi tính nhất quán của dàn diễn viên và giọng nói, hoặc khi bạn cần một hạng mức tạo 4K, hoặc khi bạn muốn một bản dựng thô 540p giá rẻ để lặp lại một cảnh quay trước khi chốt phương án. Mười lăm tham chiếu hình ảnh và ba tham chiếu âm thanh là ngân sách tham chiếu được công bố lớn hơn so với những gì MiniMax tài liệu hóa, và không có mô hình nào khác trong so sánh này tạo sinh gốc ở 4K. Bộ chế độ hẹp hơn chính là cái giá phải đánh đổi cho điều đó.

Điều gì sẽ thay đổi cục diện này: một bản phát hành Vidu Q4 đầy đủ, bổ sung endpoint text-to-video, sẽ đưa hai mô hình lên cùng các bảng xếp hạng và biến đây thành một cuộc so tài trực diện. AA-Video-I2V v2.0, được công bố là sẽ có 1080p xuyên suốt và một hệ phân loại năng lực được sửa đổi, sẽ thay thế các lượt bình chọn ở đầu bảng thay vì sắp xếp lại chúng — và nó sẽ giải quyết liệu tình trạng ba bên đồng hạng hiện tại là đồng hạng thật hay một giới hạn của phép đo. Cho đến lúc đó, con số cần ghi nhớ là mười sáu, cùng tên bảng và ngày tháng bên cạnh.

Điều duy nhất đáng rút ra từ chính bục vinh quang: một vị trí nhất nằm trên vị trí thứ ba mười sáu Elo, với những khoảng tin cậy rộng đến vậy, thì không phải là một bảng xếp hạng. Đó là ba mô hình mà những người bình chọn là con người không thể phân biệt được, và quyết định chọn giữa chúng phải đến từ mọi thứ khác trên trang này.