Flux 3 是什么？Black Forest Labs 图像、视频与音频模型评测
Flux 3 是 Black Forest Labs 的第三代模型，也是这一系列第一次在图像之外同时输出视频和音频。本文说明 Self-Flow 改了什么、公开材料说到哪一步、它和 Runway、Sora 各自适合什么场景，以及接入成本怎么算。
本篇为功能与流程资料整理，未配置的第三方引擎不代表本站已实测。真实运行结果请查看 Tripo 实测案例；厂商功能与价格以其官方资料为准。
MiniMax H3 Max 是 fal 在开源模型 MiniMax H3 的基础上做后训练得到的视频生成模型，随后的推理链路也是围绕它同步设计的。MiniMax 以开源权重的方式放出了 H3，并与 fal 联合发布；后训练补充的数据、强化学习以及推理侧的工作都由 fal 完成。
最受关注的数字是：在 fal 的基础设施上，5 秒 768p 的片段不到 3 秒就能返回，fal 将其描述为官方 MiniMax H3 接口吞吐量的约 35 倍。下文所有数字都标注了来源，要么来自厂商，要么来自独立榜单，没有一个是本文自行测得的，而且这类数字每次版本更新都会变化。
本文按顺序回答四个问题：它到底是什么，速度从哪来，每秒输出要花多少钱，以及什么情况下原版 H3 接口仍然是更好的选择。最后一段说明视频模型在 3D 资产流程里能做什么、不能做什么。
MiniMax H3 Max 到底是什么，究竟是谁做的
MiniMax H3 Max 并不是 MiniMax 推出的新模型。它的底座是开源的 MiniMax H3，fal Research 在此基础上完成了后训练，与 MiniMax 联合发布，并托管在 fal 自己的接口上。基座权重来自 MiniMax，后训练补充的数据、调优方式以及推理服务链路则来自 fal。把它说成「MiniMax 最新的模型」，等于把归属关系说反了。
有两项特性从底座模型原样继承下来。H3 使用统一的多模态上下文，画面与声音在同一次推理中一起预测，而不是事后拼接，因此写在双引号里的台词会连同口型同步和房间混响一并返回。输出规格为 5 秒到 15 秒，分辨率只有 480p 和 768p 两档；768p 的 16:9 对应 1344 × 768、24 帧每秒。
| 问题 | 原版 MiniMax H3 | fal 上的 MiniMax H3 Max | 实际影响 |
|---|---|---|---|
| 最高分辨率 | 可达 2K | 480p 或 768p | 要交付 2K 成片仍需使用原版接口 |
| 指令式视频编辑 | 支持 | 不提供 | 对已有片段做编辑仍要回到原版 H3 |
| 参考条件输入 | 支持 | 单次最多 12 个参考文件 | 已不再是二者取舍的理由 |
| 在 fal 上的速度 | 据 fal 称约为 MiniMax 自建推理的 15 倍 | 5 秒 768p 约 3 秒返回 | 倍数高低完全取决于拿谁做基线 |
| 单次生成长度 | 可承担更长的 2K 任务 | 5 秒到 15 秒 | 长序列需要拼接或交给剪辑软件 |
速度从哪里来：两件事同时做，而不是一个技巧
fal 的说法是模型侧和推理侧的工作一起推进，所以这次提速不像常见的蒸馏那样单纯拿质量换时间。后训练阶段补充了面向提示词遵循度和画面审美的数据，其中相当一部分算力花在可验证的强化学习任务上，训练信号来自真实生成任务与人工偏好。每个候选检查点都用三方对比的人工偏好评估筛选：整体质量、提示词理解、画面审美。
- 降低精度：权重和激活值改用 FP8 一类的紧凑格式，单卡吞吐量上升，但压得过狠会让细节发糊。
- 减少采样步数：扩散或流模型可通过蒸馏、改进求解器来降低步数，代价落在运动细节上。
- 重写内核：注意力与归一化等算子被融合，同样的算术只需更少的显存往返。
- 更新的硬件：H3 Max 的训练与推理都在 NVIDIA GB200 NVL72 上完成，fal 称其单芯片性能可达上一代加速卡的两倍。
让快版本没有变成差版本的那条规则
据 fal 介绍，任何一项优化只有在模型仍能保住内部质量评估中的位置时才会被保留，所以降精度和减步数都停在偏好分数开始下滑之前。这条说法值得用自己的素材去验证：优化过头的视频模型不会报错，它表现为运动发软、画面文字糊掉、声音慢慢对不上口型。
35 倍这个数字，先看它跟谁比
倍数如果没有分母就没有意义。fal 的发布文章称，H3 Max 生成 5 秒片段不到 3 秒，并把它描述为官方 MiniMax H3 接口吞吐量的约 35 倍，同时比质量相当的其他模型快约 15 倍。Design Arena 用自家基准测试得出的结论被引用为：速度超过 MiniMax H3 的 50 倍。
| 公开说法 | 所对比的基线 | 它没有说明的部分 |
|---|---|---|
| 约 35 倍吞吐量 | fal 所服务的官方 MiniMax H3 接口 | 换成别家托管的 H3 接口会差多少 |
| 超过 50 倍速度，来自 Design Arena | 该机构自建测试环境中的 MiniMax H3 | 对应哪个分辨率、时长与提示词集合 |
| 比质量相当的模型快约 15 倍 | fal 基准测试中的十二个主流视频模型 | 你的提示词落在简单档还是困难档 |
| 在 fal 上比 MiniMax 推理快约 15 倍 | 同一份原版 MiniMax H3 跑在两套推理栈上 | 增益里多少来自调优、多少来自基础设施 |
按秒计费：成品视频每秒花多少钱
| 任务 | 480p | 768p | 费用包含什么 |
|---|---|---|---|
| 5 秒片段 | $0.25 | $0.40 | 单次调用，含同步生成的声音 |
| 10 秒片段 | $0.50 | $0.80 | 按输出秒数计费，无需订阅 |
| 15 秒片段（接口上限） | $0.75 | $1.20 | 更长的序列需要多次调用 |
| 一分钟成品素材 | $3.00 | $4.80 | 四次 15 秒调用，不含重试与废片 |
| 768p 下 5 秒参考视频 | 约 $0.21 | 约 $0.66 | token 合并计费，前 4096 个免费 |
参考素材单独计费，按一次请求里的图片、视频、音频合并统计 token：前 4096 个 token 免费，之后每 1000 个收 0.02 美元。单张图片的 token 数是宽乘高再除以 1024，因此一张 2048 × 2048 的参考图就吃掉整个免费额度。参考视频按自身长度、按你要生成的分辨率计费，768p 下约每秒 7459 个 token，所以参考素材偏多的镜头，值得在开始反复试之前先算一笔预算。
引擎可用性、积分价格与第三方条款都会随版本变化。本文写作时，H3 Max 工具页每天提供五次免费生成且无需账号，fal 的标价为 480p 每秒 0.05 美元、768p 每秒 0.08 美元。投产前请到厂商页面核实这两项。
原版 H3 还是 H3 Max：把判断标准写清楚
- 需要反复迭代时选 H3 Max：同一个镜头批量出变体、看粗剪效果，或者交付目标本来就是 768p。
- 要求严格照提示词执行时选 H3 Max，因为带时间戳的多段节拍会按你列出的顺序播放，画面上的文字也能保持清晰可读。
- 交付必须是 2K，或流程里包含指令式视频编辑时，选原版 MiniMax H3，这两项 H3 Max 都不具备。
- 以上是按公开功能与厂商数据给出的编辑判断，不是实测结论；真正能定论的只有你自己那套提示词。
最容易拉开差距的几种提示词
三种提示词能较快区分速度优化版与原版。带时间戳的三段动作提示词，看事件顺序是否守得住；包含一句双引号台词的镜头，一次就能检验口型、音色与房间声；锁定机位、只有一个物体运动的镜头，能让 768p 下的压缩痕迹和发软问题暴露出来。对比时要把 prompt_expansion_mode 固定住：balanced 重写大约多花一秒，quality 档的重写则可能耗掉 30 秒左右。
视频模型在 3D 流程里的位置
H3 Max 产出的是视频而不是几何体，两者之间的接口是一帧画面。从生成的片段里导出静帧，再送进图生 3D；如果这个对象后续要打印或进游戏，多视图输入比单帧可靠得多，因为单个视角会把物体背面的形状交给模型去猜。Open3DAI 正是这一类 3D 工具：文生 3D、图生 3D、多视图输入、AI 贴图，把同一个提示词送到多个引擎并排对比结果，并可导出 GLB、glTF、OBJ、STL、PLY 和 3MF，另有 48 种格式转换器、12 个浏览器工具与 REST API。它不生成视频，也不做摄影测量、绑定、动画、自动重拓扑、UV 展开或参数化 CAD 实体，更不承诺导出即可直接打印、无需修模。
常见问题
MiniMax H3 Max 是 MiniMax 自己做的吗？
底座是 MiniMax 开源的 MiniMax H3。后训练、补充的数据以及推理链路都由 fal Research 完成，模型由两家联合发布并托管在 fal 上。基座权重属于 MiniMax，调优成果属于 fal。
35 倍吞吐量，是不是比任何 H3 接口都快 35 倍？
不是。这个倍数相对的是 fal 所服务的官方 MiniMax H3 接口。Design Arena 的独立测试给出的是 50 倍以上，而 fal 另有一项说法：原版 H3 跑在自家推理栈上，比 MiniMax 自建推理快约 15 倍。基线不同，倍数自然不同。
支持哪些分辨率和时长？
分辨率有 480p 和 768p 两档，单次时长 5 秒到 15 秒。16:9 的 768p 即 1344 × 768、24 帧每秒。要交付 2K 成片仍需使用原版 MiniMax H3，它同时支持 H3 Max 不具备的指令式视频编辑。
会生成声音和台词吗？
会。底座模型使用统一的多模态上下文，音频与画面在同一次推理中一起预测，写在双引号里的一句台词会连同口型同步和场景混响返回。fal 的定价中没有对生成的声音单独加价。
实际用起来大概多少钱？
fal 按输出秒数计费：480p 每秒 0.05 美元，768p 每秒 0.08 美元，因此 768p 一分钟约 4.80 美元，没有订阅也没有最低消费。参考图片、视频和音频在前 4096 个免费 token 之后按合并 token 另行计费。价格会调整，以模型页面为准。
可以免费试用吗？
写作时该模型的工具页每天提供五次免费生成，无需账号；登录 fal 后通过 Sandbox 还能再多五次。额度按 24 小时滚动重置，发布期的折扣价也只是临时活动。
H3 Max 的输出能直接变成 3D 模型吗？
不能直接转换，它产出的是视频而不是几何体。可行做法是导出静帧或几个视角，再走图生 3D；多视图输入比单帧更接近物体真实形状。本站的 3D 工具 Open3DAI 本身不生成视频。
在 Open3DAI 中试一下
把同一份提示词或图片交给多个引擎，并排对比网格，然后导出 GLB、glTF、OBJ、STL、PLY 或 3MF。注册即赠免费积分，无需信用卡。