Utopai X 在文生视频领域首秀即位列第2：深入一家电影工作室对 MiniMax H3 的后训练

Utopai X 是一个上周还不存在的视频模型，它并非由前沿实验室从零训练，也不通过 API 售卖——而它目前在文生视频领域排名世界第二。该模型出自 Utopai Studios——一家总部位于山景城的 AI 原生影视工作室，它是在 MiniMax H3（MiniMax 的全模态视频模型）基础上后训练而成的。在带音频的 Artificial Analysis 文生视频排行榜上（Artificial Analysis 现在将该榜单标为 AA-Video-T2V v2.0，2026 年 9 月 29 日结果），Utopai X 以 Elo 1,150 位居——仅次于阿里巴巴的 Wan 3.0（1,157），领先于字节跳动的 Dreamina Seedance 2.5（1,143），以及它所调优自的 MiniMax H3 (768p)基础模型（1,138）。它于 2026-09-30 问世，与排行榜刷新的同一天，而且它只存在于一个地方：Utopai 自家的制作平台 PAI 之内。它没有公开 API，Artificial Analysis 该行自己的定价栏显示为“无可用 API”。

这种组合——全球第二、单一分发渠道、没有通常意义上的按秒计费率——本身就是全部故事。一家拍电影的制片厂拿来了别人的基础模型，用自家制作判断力去调校，然后插队跑到了前面。这究竟是一个能站得住的结果，还是全新赛场的瞬间快照，才是值得追问的问题；而答案取决于细读排行榜，而不是新闻稿。

看板实际显示的内容

Artificial Analysis 使用源自盲测成对人类偏好投票的 Elo 对视频模型进行排名。投票者会看到由同一提示词生成的两段片段，并在不知道任一模型来源的情况下选择自己更偏爱的一段。随着投票不断累积，排行榜会发生变化，每一行都带有一个置信区间，说明该名次允许变动多少。记录于 2026-10-01，带音频的文生视频排行榜显示如下：

• #1 Wan 3.0 — Elo 1,157（±10），6,391 个样本，2026 年 8 月发布，$12.00/分钟。

• #2 Utopai X（基于 MiniMax H3） — Elo 1,150（±11），5,455 个样本，2026 年 9 月发布，无可用 API。

• #3 Dreamina Seedance 2.5 — Elo 1,143（±10），6,375 个样本，2026 年 7 月发布，$34.12/分钟。

• #4 MiniMax H3 (768p) — Elo 1,138（±10），6,343 个样本，2026 年 7 月发布，$4.80/分钟。

• #5 FLUX 3 — Elo 1,129（±10），5,628 个样本，发布于 2026 年 7 月，$17.40/分钟。

两个细节比排名顺序更重要。首先，第一名与第二名之间相差 7 个 Elo 分，而且这两个区间明确重叠——Artificial Analysis 给出的 Utopai X 区间为 1,139 至 1,161，其中包含了 Wan 3.0 的点估计值 1,157。榜单将 Utopai X 的名次标注为一个区间，即 #1–3，而非固定位次。其次，Utopai X 与它后训练所基于的模型之间相差 12 分，同样存在区间重叠的问题，因此“后训练模型胜过其母模型”在方向上成立，但在统计上并不可靠。Utopai 自己的文章在这一点上比大多数发布博文更为审慎：它称该 Elo 结果“为人们对其生成画面的反应提供了一种独立评估”，这是对人类偏好竞技场所衡量内容的一种公允解读，而并非关于电影制作能力的断言。

相比之下，厂商自报的那一层则显得信心十足。Utopai 描述了其在反射与焦散——即光线发生反射或折射时形成的集中图案——方面的优势，以及在单个片段内空间一致性方面的优势，而这两者都是其开发目标，而非基准测试结果。这些是厂商的说法，并非 Artificial Analysis 的测量结果。

工作室而非实验室

Utopai Studios 开发、融资并制作自己的电影和电视项目，而且它把模型构建在这项业务内部，而不是其旁边。其所述机制是反馈：制作过程会生成剧本、获批的角色和场景设计、镜头规划以及连续拍摄的镜头，而该工作室的导演、摄影师和艺术家不仅记录哪些镜头被保留，还记录其他镜头为何被否决。该记录会成为训练和评估信号。研究团队还运行一套内部 Elo 系统，将人类偏好评估与视觉语言模型的自动投票相结合，艺术家则参与人类评估这一侧。

这是一种看似合理、但从外部无法验证的优势。后训练可以让一个通用视频模型更贴近影视和广告用户的偏好，而无需替换基础模型——这一点与排行榜上的表现相符。与 MiniMax H3 相比，这十二个百分点的提升中有多少来自训练数据、偏好优化、提示词处理、推理设置或服务阶段的改动，发布材料并未说明。Utopai 没有公布任何后训练数据披露、优化方法、算力预算或安全评估。独立研究者无法复现这一提升，也没有技术报告可供争辩。

分发层正是工作室主张落到实处的地方。PAI——Production Assistive Intelligence——是 Utopai 随该模型一同推出的平台，它承载项目上下文：将剧本拆解为场景和镜头、包含角色、地点和物件的制作库、版本历史、面向企业团队的共享审批，以及可导出到 Premiere Pro 或 DaVinci Resolve 的时间线。其卖点是：生成一个片段是便宜的部分，而让某个镜头与影片其余部分保持一致才是昂贵的部分。Utopai X 会在该工作区内生成素材——“当被电影制作人选中时”，用公司自己的话说——该模型只是 PAI 中可用的若干图像、视频和音频模型中的一个选项，而不是唯一一个。

Utopai X 的费用是多少，以及如何理解它

PAI 以订阅制按积分出售，而非按秒计费的 API。公布的套餐层级为：每月 15 美元可获得 1,000 积分，每月 49 美元可获得 3,500 积分，每月 129 美元可获得 10,000 积分，每月 379 美元可获得 35,000 积分；按年计费约有 8% 到 10% 的折扣，此外还可按每 1,000 积分 15 美元进行充值。Utopai X 在 PAI 的积分表中单独占一行：1080p 视频每秒 93 积分。该平台的其他视频模型则更低——在标准层级上 1080p 每秒 50 积分，在专业层级上为 76 积分。

把那数字换算成每分钟的数值，是任何人都能做的算术，也几乎没人应该把它当作价格来报。按每秒 93 积分计算，一分钟的 Utopai X 输出需要 5,580 积分。15 美元的入门套餐每月购买 1,000 积分；如果所有积分都用于这个模型，大约相当于 10.8 秒的素材。按入门档的积分费率线性推算，隐含成本约为每分钟生成视频 80 多美元。这个数字只有在附上其限定条件时才值得说出来：它假设积分与美元之间是严格的线性换算；它忽略了 PAI 中所有模型的积分是共用的，而且会过期或未被使用；它忽略了年付折扣和充值套餐；它也没有说明分辨率和时长限制，而 Utopai 并未为 Utopai X 单独说明这些限制。它只是一个有用的数量级参考，不是价目表。

作为对比，在同一个 Artificial Analysis 榜单上，MiniMax H3（768p）标价为每分钟 4.80 美元，Wan 3.0 为 12.00 美元，而 Dreamina Seedance 2.5 标价为 34.12 美元。这些是来自供应商自有 API 的自动定价数据源，而非基于订阅推算的估算值，因此这种比较充其量只能说明方向——但方向是明确的：在入门级，基于积分的工作室平台内部的生成，并不是在与按秒计费的 API 定价竞争。买家真正付费购买的是模型周边的工作空间，而不是模型的边际秒数。

非公开的部分

有三处缺口值得点明，因为每一处都会阻碍不同的决策。

• 没有 API，也没有集成路径。Utopai X 目前没有直接的集成途径。想要在流水线中调用它的产品团队无法做到。Artificial Analysis 将其列为“无可用 API”，发布材料中也未提及任何开发者接入方式。

• 无单独说明。MiniMax H3 可生成时长 4 至 15 秒、最高 2K 且带原生立体声音频的片段。Utopai 尚未公布 Utopai X 自身的最大时长或分辨率，这意味着积分表中 1080p 这一数值是唯一可得的规格说明，而片段时长则不得而知。

• 没有超出竞技场范围的评估。Elo 结果是针对短视频片段的人类偏好的独立测量。它并不衡量素材是否符合预期镜头、能否剪入成片，或能否经得起一次修改。Utopai 自己的帖子直接承认了这一点——“评估在片段生成之后仍会继续”——对于一次发布而言，这是异常坦诚的表述，同时也是对这项排名影响范围有多远的警示。

在制片厂方面，还有更多历史可以提及。Utopai于2026年6月2日发布了PAI 2.0，并当时表示，该平台在4月首次亮相后不到两个月内，年度经常性收入已达到1100万美元，这得益于向制作公司出售的商业许可。该公司表示，已计划在2027年推出三部院线电影和两部剧集，并正在将PAI和Utopai X应用于其自己的制作中，包括The Most Serious Fart，这是一部由迈克·本德编剧并执导的动画长片。这些是制片厂的数字和制片厂的日程安排，也正是为什么一个没有API的后训练值得一写：该模型正被用于制作公司打算发行的电影，这比排行榜是更严苛的考验。

基础版依然是务实之选

对于本周确实需要生成视频的人来说，这个系列中可路由的那一半就是基础模型。 MiniMax H3可在 OrcaRouter 上以供应商标价获得——768p 下每秒 $0.08，即每分钟 $4.80，与 Artificial Analysis 列出的数字相同——加价 0%，因此任何供应商降价都会当天生效，而不是等到重新定价周期之后，并且自动故障转移可跨供应商生效，因此单个端点故障不会让您的流水线中断。它接受文本、图像、视频和音频引用作为统一上下文，并返回 4 到 15 秒的片段，分辨率为 768P 或 2K，带原生立体声音频，按生成输出的每秒计费。

Utopai X 并未被路由接入，本文中的任何内容都不应被理解为声称它已被路由。基础模型为你提供的，是一种测试 H3 系列美学与运动特性的方式——这也正是 Utopai 起步时所依据的同一基础，无论其之后施加了怎样的后训练——只需一个 API 密钥，即可与超过200 个其他模型一同使用，且无需 PAI 订阅。如果 Utopai X 有朝一日接入可路由的提供商，它会在当天以标价出现，供应商的费率将原样传递，而非加价。在那之前，诚实的划分是：PAI 内部的工作室用 Utopai X，所有搭建流水线的人用 MiniMax H3。

是什么决定了这究竟是一次首秀，还是一个时刻

未来一个季度有三件事值得关注。第一，榜首的七分差距能否在再多几千票后依然成立——如今区间互相重叠，而一个在新一批对比结果到来时就会重新洗牌的榜单，其实什么都还没定。第二，Utopai 究竟会不会开放任何开发者访问权限；一个排名世界第二、却只有 PAI 订阅用户才能调用的模型，是一个产品决策，而且可以逆转。第三，竞争是否会朝另一个方向发展。Wan 3.0 已经能生成长达 30 秒的 1080p 视频并带原生音频，还接受文本、图像、视频、音频、文档和网页作为参考，并且在使用场景细分中，它在光照、材质和镜头控制方面领跑榜单。相较基座模型取得十二分的后训练提升固然耐人寻味；但在面对一个输入范围更广的基础模型时守住第二名，则是另一回事。

这里真正新鲜的不是 Elo。新鲜的是这一主张的形态：一家拥有制作管线的工作室认为，掌握影像素材背后的那些决策——选哪个镜头、用哪个参考、采用哪版修订——比掌握预训练过程更有价值。这个主张可以被检验，而 2027 年片单的票房表现就是其中一项检验。