MiniMax H3 vs Gemini Omni Flash: Google vinner brädet med 5 poäng. Sedan ber kunden om en ändring.

Jag stirrade på tre Artificial Analysis-ledartavlor i tio minuter för att försöka lista ut vem som egentligen vann.

Text-till-video: Gemini Omni Flash med 5 poäng. Bild-till-video: Gemini med 2 poäng. Videoredigering: MiniMax H3 med 9 poäng.

Sedan tittade jag på kolumnen för konfidensintervall. Plus eller minus 7. Plus eller minus 9. Plus eller minus 10.

Tre tavlor, tre gap, vartenda ett inom sitt eget felintervall. Vid blindröstning är dessa två modeller samma modell.

Så jag stängde ledartavlorna och öppnade istället rullgardinsmenyerna. Det gapet är inte 5 poäng. Det gapet är en hel upplösningsnivå.

Viktiga slutsatser

• Alla tre Artificial Analysis-gap (+5, +2, +9, ögonblicksbild tagen 6 augusti 2026) faller inom konfidensintervallen ±7 till ±10. Rent kvalitetsmässigt är detta oavgjort, inte en vinst.
• H3 levererar 2K, upp till 15 sekunder och sex bildförhållanden. Gemini Omni Flashs API takar vid 720p, 10 sekunder och två bildförhållanden. Det är enum-värden, inte åsikter.
• H3 accepterar ljud som indata. Gemini gör det inte. Gemini har seed och thinking_level. H3 har ingetdera.
• Gemini har en dedikerad video-edit-endpoint som muterar din källklipp. H3:s revisionsväg är reference-to-video, som genererar om med din klipp som referens. De är inte samma operation, och omgång två visar det.
• Endast en av de två har nedladdningsbara vikter, och det är inte Googles.

---

Omgång ett av MiniMax H3 vs Gemini Omni Flash-testet, båda modellerna animerar den identiska första bildrutan, visade sida vid sida

Omgång ett: samma första bildruta, samma prompt, samma längd. Vänster: MiniMax H3 i 2K, höger: Gemini Omni Flash i 720p. Visad här som en tyst GIF; båda levererade filer har inbyggt ljud och båda är inbäddade som spelbara videor längre ner. Detta är problemet. Båda är bra.

---

Varför ledartavlegapet mellan MiniMax H3 och Gemini Omni Flash läses fel

Nästan varje inlägg om MiniMax H3 vs Gemini Omni Flash som du hittar citerar en ledartavla och ett pris. Båda vanorna ger fel svar.

Här är alla tre Artificial Analysis-tavlor, med kolumnen som alla hoppar över.

Tabell A: MiniMax H3 vs Gemini Omni Flash över tre Artificial Analysis-ledartavlor (med ljud), ögonblicksbild 6 augusti 2026

Elo-siffror från Artificial Analysis Video Arena (Artificial Analysis, augusti 2026). Bild-till-video leds av Dreamina Seedance 2.0 720p på 1 197, så ingen av dessa två har den kronan. Dessa är rullande publikröstningspoäng och de rör sig, vilket är precis varför ett 5-poängsgap inte är en dom.

En ledning på 5 poäng med ett ±9-intervall innebär att rankingen kan vända nästa vecka enbart på röstbrus. Det är inte "Gemini är bättre på text-till-video." Det är en slantsingling med en resultattavla.

Tre fler saker som folk får fel:

Kolumnen dollar per minut är inte vad du betalar. Artificial Analysis listar $6,00/min för Gemini och $7,80/min för H3. Den kolumnen normaliserar till kostnaden för en minut av 1080p vid standardinställningar. Gemini Omni Flash kan inte producera 1080p alls. Så siffran är en modelleringsuppskattning, inte en faktura. Jämför färdiga leveranser, inte sekunder.

En tavla är inte modellen. H3 ligger tvåa, trea och etta över de tre tavlorna. Gemini ligger etta, tvåa och tvåa. Citera endast en av dem och du kan bevisa vad du redan trodde.

"Omni" betyder inte "äter vad som helst." Det är ett bra namn och ett missvisande. En av dessa två tar emot ljudfiler som indata. Det är inte den med "omni" i namnet.

Specifikationsbladet för MiniMax H3 vs Gemini Omni Flash som ingen skriver ut

Om Elo-poängen inte kan skilja dem åt, kan begränsningstabellerna göra det. Jag drog båda modellernas live-indatascheman istället för att lita på något lanseringsinlägg, och skillnaderna är inte subtila.

Tabell B: MiniMax H3 vs Gemini Omni Flash hårda begränsningar, lästa från live API-scheman den 6 augusti 2026

Läs den tabellen ärligt och Gemini vinner tre rader direkt. Reproducerbara seeds spelar roll om du bygger en pipeline som måste rendera samma bildruta två gånger. En riktig video-edit-endpoint är ett genuint annorlunda verktyg jämfört med referensbetingad regenerering. Och thinking_level ger dig en kvalitetsratt som H3 helt enkelt inte exponerar.

H3 vinner fem rader, och det är raderna som avgör om du kan leverera filen som kunden bad om.

Jag körde allt nedan på Atlas Cloud eftersom båda modellerna ligger bakom samma /api/v1/model/generateVideo-endpoint där, vilket innebar en polling-loop och en auth-header för hela testet. Att byta modell var en ändring av model-strängen. Den detaljen är hela anledningen till att "använd båda" är ett realistiskt svar snarare än en utväg.

Tabell C: vad varje endpoint i detta test kostar, verifierad mot prislistan live den 6 augusti 2026

Ingen av modellerna har rabatt denna månad. Gemini exponerar också en billigare utvecklarnivå ($0,112/s för text-till-video och bild-till-video, $0,12/s för reference-to-video); H3 har ingen motsvarande nivå.

Den öppna vikter-linjen som Gemini Omni Flash inte kan korsa. H3:s vikter är publicerade på Hugging Face (MiniMax, augusti 2026): en 33B tät enkelströms Omni Transformer, plus Qwen3-VL-32B-textkodaren, en visuell VAE och en ljud-VAE. Två varningar är viktigare än nedladdningsstorleken. För det första: vad du själv hostar körs på en 768-pixel kort sida; Context-IR-förbehandlingssteget och Regenerate-2K-modulen finns inte i utgåvan, och 2K-utdata kommer från dessa två. För det andra: communitylicensen täcker för närvarande inte EU, Storbritannien, Sydkorea eller USA, och det finns en separat ansökningsblankett för dessa territorier. Läs den innan du bygger en produkt på den. Gemini Omni Flash har ingen motsvarande konversation, eftersom det inte finns någon fil att ladda ner.

Den positionen med öppna vikter, tillsammans med aggressiv prissättning, är hela den strategiska berättelsen om lanseringen (South China Morning Post, augusti 2026).

Kör MiniMax H3 vs Gemini Omni Flash-revisionstestet själv

Här är delen som ingen har kört. Alla benchmarkar den första generationen. Ingen benchmarkar den andra.

Riktigt arbete är inte en prompt. Riktigt arbete är ett klipp du redan gillar, plus en kund som skriver tillbaka "älskar det, kan skylten stå 24H och kan hennes förkläde vara rött." Den meningen är där dessa två modeller slutar vara utbytbara, och det råkar vara exakt uppgiften som ledartavlan för videoredigering mäter.

Scenen är medvetet grym: ett regnblött nudelstånd på natten, försäljaren pratar rakt in i linsen, en handmålad skylt med läsbara ord bakom henne, ånga från buljongen, regn på markisen. En bildruta som anstränger läppsynk, stabilitet av text på skärmen, flytande rörelse och lagerlagt omgivningsljud på en gång.

Båda modellerna får den identiska första bildrutan, den identiska prompten och den identiska revisionsanteckningen. Varje körning nedan är 10 sekunder, vilket är Gemini Omni Flashs tak och väl inom H3:s.

Steg 1: Lås den första bildrutan med GPT Image 2

Båda modellerna måste börja från samma bild, annars mäter omgång ett kompositionslycka snarare än modellen. Öppna GPT Image 2-lekplatsen, ställ in kvalitet på hög och bildförhållande på 16:9, och klistra in detta:

PlainCopy
1Fotorealistiskt nattligt gatunudelstånd i kraftigt regn, fotograferat med 35 mm-objektiv vid f/2.0. En kvinna i slutet av trettioårsåldern i ett indigo canvasförkläde står bakom en ångande nudeldisk, tittar rakt in i linsen, mitt i en mening. Bakom henne lyser en handmålad plåtlåtskylt med varmt bärnstensfärgat ljus och texten "OPEN LATE" i rena, feta sans-serif-versaler. Regn rinner genom natriumgatlyktans ljus, ånga stiger från buljonggrytan, våt asfalt reflekterar röda och gröna neonljus från andra sidan gatan. Grund skärpedjup, endast praktisk belysning, lätt linsdimma, naturlig hudstruktur, ingen text någon annanstans i bilden. 16:9.

GPT Image 2-lekplats på Atlas Cloud med nudelståndsprompten till vänster och den genererade första bildrutan i utdatapanelen

GPT Image 2 på Atlas Cloud: prompten till vänster, den delade första bildrutan i OUTPUT. Kostnad för detta steg , $0,009.

Den genererade första bildrutan: en kvinna i indigo förkläde bakom en ångande nudeldisk på natten i regnet, med en handmålad OPEN LATE-skylt som lyser bakom henne

Den enda indata som båda modellerna fick. Notera de två saker som revisionen kommer att rikta in sig på: "OPEN LATE"-skylten och det indigo förklädet. Genererad med openai/gpt-image-2/text-to-image.

Steg 2: Omgång ett på MiniMax H3

Gå till MiniMax H3-lekplatsen, välj uppgiften image-to-video, ladda upp bildrutan från steg 1, och ställ in resolution på 2K, duration på 10, ratio på adaptive (bild-till-video-enumen erbjuder endast adaptive). Prompt:

PlainCopy
1Försäljaren tittar in i linsen och säger, med en varm trött röst: "Buljongen har stått på sedan fyra i morse. Sätt dig, det regnar fortfarande." Hon lyfter slev när hon talar. Ånga ringlar sig upp över bilden. Regnet fortsätter falla på markisen bakom henne. Kameran håller stilla, ingen push, ingen panorering. Omgivningsljud: regn på canvas, buljong som puttrar, avlägsen trafik, hennes röst nära och torr.

MiniMax H3 image-to-video-lekplats på Atlas Cloud med 2K-upplösning vald och det färdiga klippet som spelas i utdatapanelen

MiniMax H3 image-to-video på Atlas Cloud: 2K valt, det färdiga klippet i OUTPUT. Denna körning kördes med lekplatsens 8-sekundersstandard och prissattes till $1,12; 10-sekundersversionen som användes för jämförelsen är inbäddad nedan och kostade $1,40.

MiniMax H3, omgång ett, 2K, 10 sekunder. Ljud på: dialogen, regnet och buljongen är alla genererade i samma pass, inte lagda på efteråt.

Steg 3: Omgång ett på Gemini Omni Flash, samma bildruta, samma ord

Öppna Gemini Omni Flash-lekplatsen, välj image-to-video, ladda upp samma bildruta från steg 1, och klistra in prompten från steg 2 utan att ändra ett tecken. Inställningar: resolution 720p, duration 10, aspect_ratio 16:9, thinking_level standard, seed -1.

Två saker att notera medan du är i formuläret, eftersom de är artikeln i miniatyr. Rullgardinsmenyn resolution innehåller exakt ett alternativ. Fältet duration stannar vid 10. Jag valde inte 720p framför något bättre; det finns inget annat att välja.

En anmärkning om vad som saknas här: Jag kunde inte fånga en skärmdump av en slutförd körning för något av Gemini-stegen. Staging-miljön jag tar skärmdumpar på returnerade 403 PERMISSION_DENIED från Googles sida vid alla tre försök, så de enda Gemini-skärmdumpar jag har visar en misslyckad OUTPUT-panel och jag tänker inte klä upp en som en lyckad körning. Klippen nedan är verkliga, genererade via produktions-API:et med inställningarna ovan. De två H3-stegen fångades rent och dessa skärmdumpar är äkta.

Gemini Omni Flash, omgång ett, 720p, 10 sekunder, identiska indata. Spela detta direkt efter H3-klippet ovan och bedöm ljudet själv.

Steg 4: Omgång två, skicka revisionen till Gemini Omni Flash

Detta är omgången som spelar roll. Byt till uppgiften video-edit på samma Gemini-modellsida, ladda upp klippet som Gemini själv producerade i steg 3 som video-indata, ställ in resolution 720p och thinking_level hög (en tvådelad redigeringsinstruktion är precis det komplexa fallet som den ratten är till för). Klistra in denna anteckning precis som en kund skulle skicka den:

PlainCopy
1Behåll denna exakta bild: samma kameraposition, samma kvinna, samma ansikte, samma regn, samma ljus, samma ljud. Ändra den handmålade skylten så att den står "OPEN 24H" istället för "OPEN LATE", i samma målade stil och samma bärnstensglöd. Ändra hennes förkläde från indigo blått till djupt karmosinrött. Ändra inget annat i bilden.

Gemini Omni Flash efter revisionsanteckningen. Titta på skylten, sedan förklädet, och kontrollera sedan om något annat rörde sig.

Steg 5: Omgång två, skicka den identiska revisionen till MiniMax H3

Här är den ärliga strukturella skillnaden, och du bör känna till den innan du läser resultatet. H3 har ingen video-edit-endpoint. Dess revisionsväg är reference-to-video: du ger den originalklippet som en referens och den genererar en ny video betingad på den referensen. Den redigerar inte din fil. Den gör en ny som är tänkt att se ut som din.

På MiniMax H3-sidan, välj uppgiften reference-to-video, lägg till klippet som H3 producerade i steg 2 till refers som en videoreferens, ställ sedan in resolution 2K, duration 10, ratio adaptive. Klistra in prompten från steg 4 utan några redigeringar alls.

Detta steg har inte heller någon skärmdump från lekplatsen, av en annan och tråkigare anledning: den huvudlösa webbläsaren jag tar skärmdumpar med kraschade tre gånger på referensuppladdaren när jag laddade en videoreferens. Själva körningen gick igenom API:et utan problem.

MiniMax H3 efter den identiska revisionsanteckningen, via reference-to-video i 2K.

Sida vid sida av omgång två: Gemini Omni Flash video-edit-resultatet bredvid MiniMax H3 reference-to-video-resultatet, båda från samma revisionsanteckning

Omgång två sida vid sida, tyst GIF. Vänster: Gemini Omni Flash via video-edit, höger: MiniMax H3 via reference-to-video. Båda hade samma mening att arbeta utifrån.

Vad som faktiskt hände i omgång två. Jag förväntade mig att H3 skulle förlora denna. Referensbetingad regenerering är ett trubbigare verktyg än en riktig redigerings-endpoint, och "regenerera hela klippet och hoppas att det landar på samma ställe" är precis hur du får ett annat ansikte, en drivande kamera och en kund som frågar vad som hände med bilden.

Det är inte vad som kom tillbaka. Båda modellerna gjorde jobbet, och båda gjorde det rent.

Geminis video-edit betedde sig precis som utlovat. Skylten står OPEN 24H i samma handmålade stil, med samma bärnstensglöd och samma vittring på plåten. Förklädet är djupt karmosinrött. Allt annat är orört: samma ansikte, samma uttryck, samma sleivinkel, samma ångform, samma regn, samma bakljus i bakgrunden. Det läses som originalfilen med två pixel-djupa korrigeringar, för det är i princip vad det är.

H3:s reference-to-video producerade samma två ändringar och höll bilden mycket bättre än arkitekturen antyder att den borde. Skylten ändrad, förklädet ändrad, och över alla 10 sekunder förblev inramningen, buljongens hällning från sleven, ångplymen och hennes ansikte trogna mot omgång ett-klippet. Om det finns drift här kunde jag inte hitta den genom att gå igenom bildrutor.

Så omgång två är en tredje statistisk oavgjord, och jag tänker inte låtsas något annat för att göra en renare historia. Vad som skiljer de två utdatan åt är inte redigeringskvaliteten. Det är att H3 lämnade tillbaka 2560x1440 med ett 32 kHz stereospår och Gemini lämnade tillbaka 1280x720. Samma instruktion, samma framgång, olika leverans.

En ärlig förbehåll om metod: detta är en enda revision på en enda bild, inte en kontrollerad studie. En tvådelad ändring av en skylt och ett plagg är en ganska vänlig redigering. Svårare fall (ta bort ett objekt som kameran rör sig förbi, ändra något som motivet skymmer, fyra omgångar med anteckningar staplade på varandra) är där en dedikerad redigerings-endpoint borde dra ifrån, och där regenerering borde börja vackla. Kör dina egna innan du bestämmer dig.

Tre fler MiniMax H3 vs Gemini Omni Flash-skillnader värda att testa

Omgång två är skillnaden som förändrar en leverans. Tre fler är värda tjugo minuter av din egen kredit.

Mata den med en ljudfil. H3:s reference-to-video accepterar upp till tre ljudklipp på 2 till 15 sekunder vardera, så länge minst en bild- eller videoreferens följer med. Det innebär att du kan ge den en riktig röstinspelning och låta karaktären framföra den. Gemini Omni Flash har inget ljudinmatningsfält på någon av sina fyra endpoints, så denna jämförelse kan inte köras alls. Det är inte en poängförlust för Google; det är en förmåga som helt enkelt saknas.

Be om 21:9. H3:s reference-to-video ratio-enum innehåller 21:9, 16:9, 4:3, 1:1, 3:4 och 9:16. Geminis aspect_ratio-enum innehåller 16:9 och 9:16. Om din leverans är en bredbildstitelsekvens eller en 1:1 social klippning, är en av dessa två modeller inte med i samtalet.

Lås ett seed och kör om. Denna går åt andra hållet. Gemini exponerar seed; H3 exponerar det inte på någon endpoint. Om du bygger en pipeline där samma begäran måste returnera samma bildrutor på tisdag som den gjorde på måndag, ger Gemini dig ett handtag och H3 ger dig ingenting. För regressionstestning, A/B-kopievariationer eller en automatiserad renderingsfarm är det en verklig fördel och den hör hemma på Googles sida av boken.

Vad ett MiniMax H3 vs Gemini Omni Flash-test faktiskt kostar

Hela experimentet ovan, fyra videogenereringar och en bild, kom till cirka $5,51. En första bildruta för $0,009, två 10-sekunders omgång ett-klipp för $1,40 och $1,30, två 10-sekunders omgång två-klipp för $1,40 vardera.

Per sekund är Gemini billigare: $0,125 till $0,14 mot en platt $0,14 för H3, så ungefär 7 till 11 procent mindre beroende på endpoint. Den siffran är sann och den är också nästan oanvändbar i sig själv.

Här är varför. Anta att leveransen är en 15-sekunders 21:9 filmisk öppningssekvens i 2K. H3 renderar den som ett klipp. Gemini kan inte rendera den alls: inte upplösningen, inte längden, inte bildförhållandet. Du skulle behöva sy ihop ett 10-sekunders och ett 5-sekunders 16:9-klipp, beskära för att fejka bredbilden och leverera 720p. Per-sekund-priset för en sak du inte kan leverera är inte en besparing.

Vänd på det. Anta att leveransen är en 16:9 social klippning som kommer att gå igenom fyra omgångar av kundanteckningar och måste komma tillbaka byte-identisk när juridiska teamet ber om att rendera om den om tre veckor. Geminis video-edit plus seed är byggd för exakt den loopen, och den kostar mindre per sekund samtidigt som den gör det.

Tabell D: vilket MiniMax H3 vs Gemini Omni Flash-jobb som går vart

Slutsatsen av denna artikel är den tabellen, inte en poäng. Om en benchmark inte kan skilja två modeller åt med mer än sitt eget felintervall, har benchmarken berättat allt den vet, och specifikationsbladet tar över därifrån.

För en bredare bild av var H3 passar in i förhållande till resten av fältet, täcker genomgången av MiniMax H3-alternativ modellerna som slår den på tavlorna den inte leder.

Vanliga frågor

Är MiniMax H3 bättre än Gemini Omni Flash?

Blindröstning kan inte skilja dem åt. Över tre Artificial Analysis-ledartavlor är gapen 5, 2 och 9 Elo-poäng, och vartenda ett ligger inom ett ±7 till ±10 konfidensintervall. Välj baserat på specifikationer, inte på rangordning. Upplösningstaket, längdtaket och listan över bildförhållanden kommer att ändra din leverans; 5 Elo-poäng kommer inte.

Vilken är billigare, MiniMax H3 eller Gemini Omni Flash?

Per sekund, Gemini. På Atlas Cloud kostar den $0,125 till $0,14 per sekund mot H3:s platta $0,14, med en utvecklarnivå på $0,112 per sekund som H3 inte har någon motsvarighet till. Men Gemini är begränsad till 720p, 10 sekunder och två bildförhållanden, så för många leveranser jämför du inte samma produkt. Prissätt den färdiga klippningen, inte sekunden.

Kan Gemini Omni Flash generera 1080p, 2K eller 15-sekunders video?

Nej. Dess API-parameter resolution har ett lagligt värde, 720p, och duration accepterar 3 till 10 sekunder. MiniMax H3 erbjuder 768P eller 2K och 4 till 15 sekunder. Dessa är enum-begränsningar lästa från live-schemat den 6 augusti 2026, inte redaktionell åsikt, och Google kan lyfta dem senare.

Kan jag självhosta Gemini Omni Flash på samma sätt som jag kan självhosta MiniMax H3?

Nej. H3:s vikter finns på Hugging Face och körs lokalt på en 768-pixel kort sida. Context-IR-steget och Regenerate-2K-modulen som producerar 2K-utdata finns inte i utgåvan och förblir API-sida. Kontrollera också licensen: den täcker för närvarande inte EU, Storbritannien, Sydkorea eller USA utan en separat ansökan.

Måste jag välja bara en?

Nej, och tabellen med jobb-fördelning ovan är det bättre svaret. Båda modellerna ligger bakom samma generateVideo-endpoint på Atlas Cloud, så att köra båda innebär en polling-loop och en annan model-sträng, inte två integrationer. Routning baserat på leverans slår att satsa på en ledartavla som flyttar sig varje vecka.