同一提示词：本地 H3 与云端 H3 效果差多少？

大家好，我是程序员晚枫（Wayne Liu）。

有人拿同一句提示词，本地跑一遍、云端跑一遍，然后来问我：晚枫，是不是本地那个被偷偷阉割了？

没有阉割。你看到的是同一台发动机，但云端那条产线上，前后各多了一道工序。

今天把这道工序拆开讲清楚。下面的模块划分、输出规格、价格都来自 MiniMax 官方开源说明与官方开放平台文档；我不编「肉眼对比图」，因为没做过逐帧对照实测，谁跟你信誓旦旦说差多少，你都该留个心眼。

一、先搞清楚：你以为是「一个模型」，其实是「三段流水线」

官方把 H3 完整系统写成三个模块，这个划分是理解全部差异的钥匙。

模块	干什么	开源了吗
H3-Context-IR	把你那句话、参考图、参考视频、参考音频理顺，翻译成模型最听得懂的结构化指令	没有，官方托管，只给接口
H3-Base	真正生成画面和声音，输出 768p	开源了，就是本地跑的这段
H3-Regenerate-2K	把 768p 结果连同原始信息重做成原生 2K	没有，官方托管，只给接口

官方自己写得很直白：Context-IR 对最终成片质量「至关重要」，建议接进生成流程，或者照着提示词指南自己搭一套预处理。

看到没？本地拿到的是中间那台主机，云端那句提示词进主机之前，先被一位「翻译」润色过一遍。

所以同一句话，两边结果不一样，最可能的原因不是权重打了折，是「同一句话被理解成了不同的详细程度」。

H3 完整系统是三段流水线，本地开源的是中间那一段

这里讲透一个原理：为什么复杂提示词需要「翻译」？

H3 是用一整套多模态语言模型去读你的要求的，它会把文字、图片、视频、音频之间的关系一起理解。你随手写一句「一个女孩在雨里走，有点伤感」，信息其实很稀：什么年纪、什么景别、镜头怎么动、有没有环境声、配什么语气，全是空的。

Context-IR 干的活，就是在尊重你原意的前提下，把这些没说清的地方补成结构化描述。本地没这段，就得靠你自己把提示词写细——这也是官方专门写了两套提示词指南的原因。

一句话：云端的「更听话」，一部分是模型能力，一部分是有人替你把话说明白了。

把话说稳一点，分三类。

能确定的：分辨率上限不同。

本地 H3-Base 输出短边默认 768 像素，最长 15 秒、24 帧、32kHz 立体声、支持 11 种语言对白。官方明确写了：2K 生成要靠 H3-Regenerate-2K，这个模块不在开源包里。

也就是说，本地出 2K 这条路目前不存在，跟你显卡多贵没关系。

能确定的：本地那段按次不扣云端积分。

官方开放平台的按量计价是：768P 输出每秒 0.08 美元，2K 输出每秒 0.13 美元。换成一条 5 秒片子，768P 约 0.40 美元、2K 约 0.65 美元；另外 768P 升 2K 的重生成每秒 0.05 美元，Context-IR 按输入 / 输出 token 单独计费。

本地跑，这些都不产生。

不能乱说的：谁更好看。

画质感受跟提示词、步数、抽卡次数、参考素材强相关，没有逐帧对照实测就下「本地差一大截」或「本地完全一样」的结论，都是不负责任。

我能给的最实在的建议，正好也是官方推荐的工作流：本地大量抽卡、反复迭代，挑中满意的那条，再送去做 2K 母版。

本地负责「试得起」，云端负责「交得出」。

同一句提示词，细节交给谁补，决定了成片的样子

我见过有人为了证明本地不行，用一句八个字的提示词各跑一遍，然后截图对比。

嗯，那不是测评，那是让两个人听同一句含糊的话，再比谁猜得准。

按你要做的事分，不按「哪个更强」分。