让AI凭碎片图还原破碎过程，H3与Seedance实测

MiniMax 开放 H3 权重，为视频生成行业释放了一个明确信号。过去，高质量视频生成能力大多封闭在闭源平台；H3 的开放，让开发者和研究者可以在本地部署模型，围绕参考图、文本控制和音画协同做更细的实验。

为了检验 H3 的极限，评测人员设计了一道“柯南式”推理题：将《名侦探柯南》中一张破碎陶罐的结果截图交给模型，要求它反向生成陶罐从完整到碎裂的全过程——猫何时闯入、台座为何晃动、陶罐如何坠落、碎片为何四散。

基于此，测试任务被改造成一次图文生成视频实测：输入破碎陶罐的参考图，用分镜描述补充高窗、猫、台座、坠落、撞击和碎片散落等细节。

01 实测：还原陶罐破碎全过程

测试在搭载 RTX A6000 的服务器上进行，通过 ComfyUI 部署 H3 权重。输入是一张带有字幕和水印的破碎陶罐截图，文本指令要求模型忽略画面中的文字，只提取陶罐颜色、材质、破损形态和地面布局作为参考。参考截图取自《名侦探柯南》第1178话《失去的宝物之谜》。

H3 生成的视频基本遵循“猫闯入—陶罐失衡—坠落碎裂”的叙事。视频先交代工作室场景，完整陶罐、低矮台座、高窗等元素为后续动作建立空间关系；随后猫进入室内，陶罐经历倾斜、坠落、破裂，最终收束到地面大块陶片。碎片保留棕褐色材质、浅色断面和低饱和动画风格，与参考图保持一致。

02 技术逻辑：原生多模态与音画联合

能完成这类任务，源于 H3 的原生多模态架构。它将文本、图像、视频和音频置于同一框架，支持参考图到视频/音频工作流：参考图提供终局信息，文本指令提供过程信息，模型需要在一条时间线上对齐两者，生成视觉和听觉上合理的状态变化路径。H3 还采用音画联合生成，让动作、碰撞声与画面同步。

视频生成的核心难点是时序一致性。H3 依靠视频时序建模，在潜空间中预测连续画面，让陶罐在多帧之间保持主体特征，同时完成从完整、晃动、倾斜到破碎的变化。

03 对比：Seedance 2.0 Fast 物理仿真更占优

随后，评测人员将同一任务交给 Seedance 2.0 Fast。效率方面，Seedance 2.0 Fast 生成一段 10 秒视频仅用 3 分 23 秒，按当前计费约 6 元；H3 本地生成用时 54 分 4 秒，成本集中在电力和硬件折旧。

写实与物理方面，Seedance 2.0 Fast 明显更占优势：镜头衔接更连续，低饱和画面和强光比更像真实摄影机拍到的现场；陶罐从受力、翻落到碎片滑散，过程完整，重量感真实。H3 则更像动画叙事，猫是否真正撞到陶罐不够清楚，关键接触瞬间没有明确呈现，声音开头不准确，猫从高窗离开的指令也被忽略。

04 结论：开放权重与闭源商业的分水岭

总结来看，Seedance 2.0 Fast 在物理仿真任务中整体胜出，但 H3 展现了一个重要能力：根据结果图和过程文本，反向组织出完整事件链。两者代表不同路线——本地开源部署是可研究的起点，闭源商业模型则依赖工程优化提供即时的高质量结果。H3 的价值不在物理仿真，而在于它是开放权重视频模型的一道分水岭；要真正达到可靠的物理事故复原，模型仍需解决动作因果、受力逻辑和音画同步等问题。