MiniMax H3 開源版步數實測：20 到 50 步，多了哪些畫面細節？

把 MiniMax H3 開源版從 20 步拉到 50 步，最值得看的變化，落在一隻蟾蜍的眼睛上。

我們拿同一段 14 秒的短劇對話，生成了 20、30、40、50 步四個版本。原先很容易期待：多算一點，人臉、頭髮、衣服應該就會一起變好。實際放在一起，20 步已經保留不少細節；到 50 步，真人臉部沒有突然多出一層毛孔，髮絲與衣料也沒有全面升級。比較容易辨認的收益，集中在蟾蜍承辦的部分虹膜放射紋，以及眼皮皺褶和亮邊形成的光感。

聲音卻給了另一個理由。50 步版，我的直覺是：「比較自然，沒那麼讀稿。」

把整段的明暗一起看，50 步還有更強的亮暗分離：較大亮窗位於暗色角色後方，衣袍仍有形體，眼皮和皮膚上的反光也更突出。額外計算帶來的差異，開始從一顆眼睛，延伸到整場戲的光感與表演。

這讓選步數變成一個更具體的問題：眼前這個鏡頭，還有什麼需要模型多算？是已經完整的真人外觀、特殊生物的局部材質，還是一句台詞說出口的節奏？

同一份提示詞，四個完整生成版本

場面很簡單：一位女子對著地府的蟾蜍承辦質問，承辦回答，最後切回女子的反應。這段同時包含真人、非人角色、衣料、室內背景與中文對白，適合看不同類型的細節如何變化。

四份提交輸入只改步數，使用相同的提示詞、五張有序參考圖、台詞與說話者設定。模型是開源 H3 Ref2VA BF16，採用 Comfy-Org 的 H3 模型封裝；回傳的模型與權重版本相同。四支成片都是 1344 × 768、24 fps、14 秒，各 336 格。

每種步數各生成一支，沒有固定 seed，執行硬體也未全部相同。以下用這四個實際候選提出選步數的建議：畫面與聲音是觀察，模型可能多處理了什麼則是我們的解釋，並非 H3 官方揭露的內部處理順序。這份比較適合用來決定下一次值得試哪一檔，還不足以把每個差異都單獨歸因於步數。

這四支都走完各自的生成流程。20 步版不是把 50 步版算到第二十步就停下來；50 步也不是在同一支完成影片上追加三十次修圖。

四檔步數，分別把場面帶往哪裡？

先把四個版本放在製作選擇上看，差異會比單純評分更有用。

這張表引出的判斷是：額外步數可能逐漸從「把主要元素做出來」，轉向「把元素之間的關係做得更完整」——材質如何接住光線、眼皮如何蓋住虹膜，以及一句話如何接到下一句。 下面逐項看，哪些細節支持這個推論。

發現一：常見人物細節可能很早就接近可見收益的平台

先看第 2 秒的臉，再看第 8 秒的眼睛。

20 步的瀏海已經分束，散髮、眼緣與耳飾也可辨。30 步換了角度與光線，40 步部分臉部反而較柔；50 步的眼緣與瀏海比較俐落，但臉頰、額頭仍是同一類偏平滑的皮膚表現。

衣料也類似。四版都保留藍袍接縫與交叉布紋，20 步並沒有大面積糊成色塊。把步數一路往上加，沒有出現每一級都比前一級多出一層纖維的排列。

我們的第一個推論是：常見的人物外觀，可能在較少步數時就已經落進模型很熟悉的生成範圍。 臉型、髮束、衣領、布面都有較穩定的規律可用，再增加採樣計算，可見收益便開始縮小。

這也可能解釋為什麼「再多算一點」沒有帶來期待中的真人毛孔。如果目前生成結果偏向平滑膚質，或細節受到輸出尺度限制，多跑步數也可能只會繼續得到這種平滑膚質。想要粗糙皮膚、汗毛或未修飾的臉，應該先檢查參考圖、光線與提示詞提供的是不是那種外觀。

發現二：特殊材質可能更值得把步數往上試

蟾蜍的眼睛提供了不同訊號。第 8 秒，50 步版橙色虹膜右側的分叉與下緣放射紋較易辨認；眼皮則呈現不同的皺褶與反光亮邊。把四版可見虹膜粗略縮到相近寬度後，這個局部優勢仍然看得到。

補看 7.75–8.21 秒的連續影格，50 步的眼紋也隨頭部移動持續可辨；到了第 12 秒，30 步同樣有細密放射紋。這讓高步數的用途更具體：拿來改善你關注的局部，再回到整段動態選片。

真人臉和這顆眼睛，要求模型解決的事情不太一樣。眼睛裡同時有放射狀細紋、彎曲表面、反光，以及眼皮遮擋；旁邊又接著非人角色的皮膚皺褶。我們猜，這類不尋常、又需要多種細節共同成立的局部，比已經穩定的人物外觀更有機會從額外步數獲益。

擴散模型的研究提供了一個解釋方向：不同採樣階段對畫面的貢獻並不相同。〈Beta Sampling is All You Need〉在影像擴散模型中觀察到，較早階段的變化偏向大尺度結構，較晚階段則有更多細微紋理調整。這是理解 H3 結果的一個參照：大致完成的畫面，仍可能在複雜局部留下可供計算改善的空間。

髮絲本身也是細節，因此還不能簡化成「細的東西都要五十步」。更值得測試的假設是：增加步數的收益，取決於當前內容還剩多少難以穩定生成的細節。 角色、材質、畫面占比與參考圖，都可能影響那個剩餘難度。

對創作者來說，特殊生物的眼部特寫會是我優先嘗試高步數的對象。沿這個推論，反光飾品或複雜半透明材質也值得列為下一批測試場景。

發現三：50 步多出的立體感，可能來自光與材質的關係

回到第 8 秒的全畫面。30 步從較低的機位仰看承辦，後方暖色灰牆占了不少空間；40 步更正面，中間調較暗；50 步則把亮窗放在深色角色後方，眼皮、皮膚和衣袍上的明暗關係更突出。

我們把承辦整段逐格量測，再取每格指標的中位數，得到以下分布：

平均明度將影片的編碼亮度 16–235 映到 0–100%；跨度是亮度第 95 與第 5 百分位之差，單位是編碼值。它們描述這段影片如何分配明暗，並非感光元件的動態範圍或曝光檔數。

50 步同時較亮、明暗分布也較寬。再看原尺寸暗部裁切，四版衣袍都保留褶線；50 步深色布料與喉部也沒有整片壓成黑塊。全片靠近白端的像素，在任一格都不到 0.02%。因此，這次的光感差異可以具體描述成：亮部拉開，暗部仍留下形體，讓角色與背景、反光與材質更容易分開。

這也讓眼睛的發現多了一層解釋。虹膜看起來更細，可能同時包含更多可辨紋理與更合適的局部對比；眼皮的亮邊則把彎曲表面帶了出來。我傾向把它理解成「材質與光線一起變得更完整」。額外採樣可能在協調這些相互依賴的關係，讓特殊材質比較像場景裡真正的一個物體。

30 與 40 步也有價值：它們顯示整體光感會改變方向，40 步甚至比 20 步暗。增加步數提供了另一種完整的場面演繹，而非每十步固定增加亮度或銳利度。

色彩與時間穩定性則給了我們一個節省試錯的線索。三段鏡頭共追蹤 24 個背景區域，四版的背景明度與色度變動都小，20 步已經相當穩定；色彩濃度也沒有隨步數一路增加。如果目前人物外觀、背景曝光與色彩都已穩住，就應該先找出還不滿意的部位，再決定是否升步數。 在這場戲，值得多花計算的目標更偏向特殊眼部、光影層次與聲音表演。

聲音，也可能是升步數的理由

這次 50 步的台詞與頓點聽起來更自然。問句後留白從 20 步的 0.69 秒增至 50 步的 1.15 秒，但 40 與 50 步只差 0.05 秒。整段響度範圍較小，兩個角色的音高跨度卻朝不同方向變化。這讓我們推測，額外採樣還可能影響角色之間的韻律安排，以及收尾、開口與前後句銜接。

H3 共同生成影像與聲音，因此只看定格畫面，可能漏掉高步數在表演上的價值。四組同音量試聽、停頓數據與完整推論，放在另一篇MiniMax H3 的對白為什麼更自然？。

多等多久，要換回什麼？

這是 worker 回傳的任務內時間，包含載入與工作流等開銷，並非純採樣時間、完整排隊等待或帳單。硬體不同，不能用這張表預測同一張卡由 20 步改成 50 步一定慢多少。

不過，對這四次製作，等待確實從約 47 分鐘走到接近兩小時。這讓「哪裡更好」值得講得很具體。

這組結果帶給我的選法是：

• 20 步作為一般人物場面的起點。 先看人物、動作、衣料與場面是否成立；如果已經夠用，這支就值得留下。
• 30、40 步用來比較另一種光感與節奏。 這次 30 步的問句留白已有明顯變化，40 步又放寬了承辦句尾、壓低中間調。它們提供了不同的演繹方向。
• 關鍵特寫與對白，再優先試 50 步。 尤其是特殊生物、反光與遮擋交疊的局部，或畫面已滿意、台詞仍缺少連貫感的鏡頭。比較的重點放在材質、光影與表演能否一起成立。

下一次調步數前，我會先寫下一個具體目標：「想讓這顆眼睛更有材質」、「想讓亮窗前的角色更有層次」，或「想讓這句話真的像在回應上一句」。再用高步數候選檢查它。這樣，多花的時間就有了可以辨認的回報。