H3 Max, Wan 3.0 at GPT Image 2.5: isang puddle, limang video model

Walang masyadong mapapala kung ikukumpara mo ang mga video model base sa launch posts nila: lahat sila ay "the most realistic" at "best in class". Kaya mas simple ang ginawa namin. Kumuha kami ng isang prompt, ipinadala ito sa lahat ng limang video model sa ChatPlus, at tinimeran kung gaano katagal ang bawat isa at ano ang lumabas.

Ang prompt: "An autumn street after the rain, golden hour. A young woman in a yellow raincoat jumps into a puddle, water splashes, maple leaves swirl around her. She laughs and says: 'Autumn is here!' Handheld camera, natural street sound."

Bago sa ChatPlus ang dalawa sa limang model: H3 Max at Wan 3.0. In-update din namin ang default image model, kaya GPT Image 2.5 na ngayon ang tumatakbo kung saan dati GPT Image 2. Isa-isahin natin sila, at sa dulo, kung alin ang pipiliin depende sa kailangan.

H3 Max: may clip ka na bago lumamig ang kape mo

Magsimula tayo sa numerong dahilan kung bakit sulit subukan ang model na ito. Labing-isang segundo. Ganoon katagal mula pagpindot ng button hanggang sa tapos na five-second clip na may sound, kasama na ang queue at file download. Ang generation mismo ay ilang segundo lang sa GPU. Ang ibang models ay kinailangan ng mula halos isang minuto hanggang halos apat na minuto para sa parehong prompt.

Saan galing ang bilis: ang base nito ay MiniMax H3, isang open-weights video model mula sa Chinese company na MiniMax. Ang team sa fal, isa sa pinakamalalaking platform para magpatakbo ng generative models, ang nag-post-train dito at muling bumuo nito para sa sarili nilang servers. Inilabas nila ang resulta bilang H3 Max sa dulo ng August. Ayon sa measurements nila, tumaas ang throughput nang humigit-kumulang 35 beses kumpara sa original H3, at sa blind comparisons, kung saan pinipili ng viewers ang mas magandang clip nang hindi alam kung aling model ang gumawa ng alin, tinalo ng H3 Max ang isang dosenang competitors.

Hindi lang bilis ang lamang nito. Laging nagge-generate ng sound ang H3 Max: ingay sa kalye, yabag, tawa, maiikling linya ng dialogue. Sa test namin, tumalon ang babae sa puddle, umikot sa paligid niya ang mga dahon, at malinaw na narinig ang linyang nasa prompt. Walang sound switch, at hindi na rin kailangan, dahil walang dagdag na cost ang audio.

H3 Max, 11 segundo mula request hanggang file. I-on ang sound para marinig ang linya sa dulo.

Ngayon, ang mga totoong limitasyon. 768p ang resolution, mas mababa sa Full HD. Sapat na iyon para sa stories, reels at drafts, pero hindi para sa malaking screen. At sa complex scenes na mabilis ang galaw, mas simple ang H3 Max kaysa sa mamahaling models: medyo mas malambot ang details at mas simple ang water physics.

Bawi naman sa presyo: 40 media credits kada segundo, kaya 200 credits ang five-second clip. Ito ang pinakamurang video sa ChatPlus. Ganito namin ito gagamitin: subukan ang lima o sampung version ng prompt, hanapin ang idea na gumagana, at pagkatapos, kung gusto mo, ipadala ang final version sa mas mahal na model.

Wan 3.0: video na mukhang kuha sa phone

Ang Wan ay family ng video models ng Alibaba. Pumasok sa beta ang third generation noong early August 2026 at naging available sa lahat noong August 24. Nag-focus ang Alibaba sa mga tao: lifelike faces ng iba’t ibang klase, natural na expressions, at galaw na walang plastic look na madalas makita sa maraming AI models.

Mas marami pang kayang gawin ang model kaysa sa ginagamit natin ngayon. Natively, nagge-generate ito ng clips na hanggang 30 seconds ang haba at tumatanggap ng text, images, audio at pati video bilang input. Sa ChatPlus, makakagawa ka ng 5, 10 o 15-second clips sa 720p, mula sa description o mula sa sarili mong photo.

Sa test namin, Wan ang gumawa ng pinakapang-araw-araw na dating na clip sa lima. Walang advertising gloss: ordinaryong kalye, rubber boots, mga dahong lumilipad diretso sa lens. Pinakamukha itong video na kinunan ng kaibigan sa phone niya, na eksakto namang hinihingi ng "handheld camera". Nandoon din ang sound at ang spoken line.

Wan 3.0, 2 minuto 37 segundo. Ang pinaka-phone-like na footage sa lima.

Naghintay kami ng mahigit dalawa’t kalahating minuto. Normal iyon para sa video models sa ganitong level, pero pagkatapos ng H3 Max, parang walang katapusan.

Sa presyo, nasa gitna ang Wan 3.0: 50 media credits kada segundo, at hindi nagbabago ang cost kahit may sound. 250 credits ang five-second clip. Ang Kling 3 Pro na may sound ay 420, at ang Seedance Pro ay 760. Kung kailangan mo ng kapani-paniwalang tao sa screen nang hindi napapamahal, magsimula sa Wan.

Isang prompt, limang model

Heto ang naging resulta ng lima. Ang time ay mula request hanggang finished file, at ang price ay para sa clip na ganoon ang haba na may sound.

Veo 3.1 mula sa Google ang nagbigay ng pinaka-cinematic na shot: araw na diretso sa lens, carpet ng pulang dahon sa gilid ng kalsada, malaking splash, parang galing sa commercial. Pinakamaganda rin ang sound ng Veo sa grupo, isang mixed soundtrack imbes na ingay lang na ipinatong. Ito rin ang pinakamahal na segundo sa ChatPlus. Para sa drafts, may Veo 3.1 Fast: mas mabilis at mas mura nang malaki.

Veo 3.1, 54 segundo. Backlight at kulay na parang commercial.

Kling 3 Pro may sarili namang approach. Sa buong clip, nanatili ang camera sa paa niya at sa splashes; narinig namin ang linya pero hindi nakita ang mukha niya. Hindi naman mali ang pagkaintindi ng model, literal lang nitong binasa ang "jumps into a puddle". Nasa ibang lugar ang totoong lakas ng Kling: ang pagbuhay ng photos, na tatalakayin natin sa ibaba.

Kling 3 Pro, 1 minuto 46 segundo. Boots, splashes at reflections, pero walang mukha.

Seedance Pro mula sa ByteDance ang pinakamatagal at nagpakita ng pinakamaingat na handling ng motion. Malilinis na sheet ng tubig na tumatalsik mula sa puddle, mga dahong nahuli sa ere, at camera na gumagalaw mula wide shot hanggang malapit sa tumatawa niyang mukha, na parang may camera operator na tumatakbo sa tabi niya.

Seedance Pro, 3 minuto 54 segundo. Mula wide shot hanggang close-up sa iisang take.

Ang takeaway: walang iisang "best" model. May sariling character ang bawat isa, at depende sa trabaho kung alin ang tama.

Pinapalitan ng GPT Image 2.5 ang GPT Image 2

Ngayon, images naman. Noong September 8, inilabas ng OpenAI ang GPT Image 2.5 sa dalawang version. Sunburst ang precise: mas masunurin ito sa prompt at mas mahusay sa pag-edit ng existing pictures. Flare naman ang mas mabilis at mas simple. Sunburst ang pinapatakbo ng ChatPlus.

Default na namin ang GPT Image 2 dahil napakahusay nito sa text sa loob ng pictures. Mas malinis pa ang lettering sa Version 2.5 at mas nakakapit ito sa mahahabang prompt na puno ng detalye. Sinubukan namin ito sa parehong autumn theme: ang babae sa yellow raincoat sa isang café table na may tasa ng cocoa, plus hand-lettered text sa bintana. Makalipas lang nang kaunti sa kalahating minuto, nakuha namin ang picture, may handwritten headline sa salamin at maliit na price line sa ilalim, at walang kahit isang sirang letra. Nagdagdag pa ito ng menu board sa likod nang kusa, at maayos din ang labas niyon.

GPT Image 2.5, 36 segundo. Parehong linya sa salamin, tama agad sa unang try.

Mas reliable na rin ang edits. Mag-upload ng photo at sabihin kung ano ang babaguhin: binabago ng model ang hinihingi mo at mas mababa ang chance na i-redraw ang ibang bagay.

Hindi nagbago ang presyo: 10 media credits bawat picture sa standard quality at 50 sa high. Kung GPT Image 2 ang naka-select sa iyo dati, wala kang kailangang gawin: kusang lumipat sa 2.5 ang generator. Subukan ang GPT Image 2.5.

Larawan muna, saka video

Ang pinaka-interesting na resulta ng test ay nangyari nang hindi sinasadya. Kinuha namin ang café picture mula sa GPT Image 2.5 at ibinigay ito sa Kling 3 Pro para i-animate. Umangat ang steam mula sa cocoa, tumulo ang mga patak sa salamin, ngumiti ang babae. At hindi nag-warp ang lettering sa bintana kahit sa isang frame, kahit text ang kadalasang unang nasisira ng video models.

Picture by GPT Image 2.5, motion by Kling 3 Pro.

May reliable recipe ka na ngayon para sa covers, cards at social clips. Una, iguhit ang perfect frame sa GPT Image 2.5: mura, at tama ang text. Pagkatapos, buhayin ito sa Kling 3 Pro o Wan 3.0. Mas predictable ito kaysa ilarawan ang buong scene sa salita at umasa na aayusin ng video model ang lahat nang tama.

Isang caveat. Hindi ia-animate ng Seedance Pro ang photos ng real people, dahil bina-block ito ng ByteDance. Para sa portraits at family photos, gamitin ang Kling 3 Pro: pinapanatili nitong recognizable ang mukha mula unang segundo hanggang huli.

Aling model ang pipiliin

Sa madaling sabi, depende sa trabaho.

Mabilis at mura — pang-test ng idea, paggawa ng story, pagsubok ng prompt variations — H3 Max. Mga sampung segundo at 200 credits bawat try.

Taong mukhang totoo sa everyday, hindi mukhang ad na shot — Wan 3.0. Included ang sound, mid-range ang presyo.

Pagbuhay sa sarili mong photo — Kling 3 Pro. Nananatili ang mukha, damit at lettering gaya ng nasa shot.

Cinematic clip na may film-quality sound — Veo 3.1, at Veo 3.1 Fast para sa drafts.

Complex motion — sayaw, sports, tubig, shot changes — Seedance Pro, kung okay sa iyo ang maghintay at magbayad nang mas mahal.

Puwede kang mag-switch ng models diretso sa video generator, halimbawa magsimula sa H3 Max. Iisang media credits ang ginagamit ng video at images, at ipinapakita ang presyo ng clip bago ka magsimula.

Sa madaling sabi

May dalawang bagong video model ang ChatPlus. H3 Max ang accelerated version ng fal ng MiniMax H3: clip na may sound sa loob ng mga sampung segundo, 200 media credits para sa five seconds, 768p. Wan 3.0 mula sa Alibaba ang nagdadala ng lifelike people at natural motion, kasama ang sound sa presyo, 250 credits para sa five seconds. Ang default image model ngayon ay GPT Image 2.5 mula sa OpenAI: mas malinis sa text at edits, parehong presyo na 10 at 50 credits. Sa one-prompt test namin, H3 Max ang pinakamabilis, Veo 3.1 ang pinaka-cinematic, at Seedance Pro ang pinakamaingat sa motion.