同一块卡上，我把两个视频模型摆在一起

上周我写过一句话：LTX 比 H3 快 8.5 倍。

那句话被我作废了，因为两个模型跑在两块不同的卡上。这次把 H3 装到 LTX 那台机器上，重新测了一遍。

这两条本地视频线是 MiniMax H3 和 LTX-2.5，都是一次前向同时出画面和立体声，都在自己租的卡上跑。

---

先把这篇的边界划清楚

这不是评测，是一个人、一台卡、一天、二十几块钱能做出来的东西。它的局限得先摆出来，否则后面每个数字都会被读得比它该有的分量重。

每边 4 条样本，单一题材（雨前渡口的定场与氛围），单一画布（1344×768），两个时长（5 秒和 15 秒）。所有判词都是我一个人的审美，没有第二个人复核，没有量表，只有一句想不想发。比的是两套官方默认配置，不是同等采样预算：H3 是单段 20 步，LTX 是蒸馏版 8+3 步、而且第一段还在半分辨率上采样，谁多花了算力这个对比里没控。没测的有参考图锁角色、动作戏、15 秒以上的多镜、中英以外的语言、把参数往上调一档之后会怎样。

所以这篇不发奖状。它只记两件事：这两个模型各自是什么性格，以及我这套测法在哪些地方靠不住。

---

一、为什么上周那句话作废了

上周那个对比，我控住了画布、时长、帧数、采样器、随机种子，唯独没控硬件。H3 那条在 RTX 5090 上，LTX 那条在 RTX PRO 6000 上。

两块卡差多少？H3 换到 6000 上快 1.36 到 1.60 倍。8.5 倍里混着这一截，分不开。

所以补法只有一个：把 H3 装到 LTX 那台机器上。官方那套权重 39.6 GB，从魔搭下了 55 分钟，装完跑基线一次过。两个模型从此在同一块卡、同一个 ComfyUI 0.32.0 里。

---

二、同一块卡上，差距是 11.85 倍

1344×768、15 秒、两边都不挂加速开关、都确认过没吃到节点缓存：

20 分钟一条，对 100 秒一条。

这个数比上周那个 8.5 倍更大，方向也没变，但它的意思和上周完全不同。上周是模型差异加硬件差异混在一起，这次只剩模型差异，以及那两套不同的官方默认配置。所以它回答的不是同样的活谁干得快，而是两家出厂设定跑一条 15 秒片各要多久。

顺带一个我没想到的对称：冷加载几乎一样。H3 的四件套 39.6 GB 读盘 35.6 秒，LTX 的六件套 50 GB 读盘 33.7 秒。这一项和画布、时长都无关，只和权重大小有关。

---

三、画质：四条都想发，我分不出

题目是新写的，两边都没跑过：暴雨将至的旧渡口，一个渡工把橙色缆绳系上锈铁桩。选它是因为它同时压三处，湿混凝土和锈铁的材质反光、风与水拍台阶的声音层、缆绳与铁桩的空间关系。

有一处我特意没做成同一串字喂两边：两边各按各家的官方 prompt 规范写。LTX 那份是官方改写器的 system prompt 要求的一整段散文，每一镜把景别、运镜、机位写齐；H3 那份是官方仓库要求的三段标注格式，画面时间轴、整体音景、非画内音乐。内容逐项对齐，措辞各按各家。拿同一串字喂两个规范不同的模型，看着公平，实际是在罚那个规范更严的。

四条片打乱编号发出去，我判完才揭底。判词是：四条都想发，分不出高低。

上：MiniMax H3。1344×768、5 秒、原生 32 kHz 立体声。

上：LTX-2.5。同一个题目、同样的画布和时长、48 kHz 立体声。

然后我想再往前一步，结果泄了自己的底

分不出高低之后，我心里其实有个印象觉得某一边稍好一点。为了验证这个印象是不是先入之见，我又跑了一轮：每边 4 抽、编号重洗、只问挑出更好的那几格、不问是谁。

挑出来的四条确实全落在同一组。八选四全中同一组，随机概率约 1.4%。

但这一轮不算干净的盲测，漏洞是我自己造成的。第一轮揭底时，我把两边的规格表一起发了出去，一边是 124 帧 / 5.17 秒 / 32 kHz，另一边是 121 帧 / 5.04 秒 / 48 kHz。播放器上时长是看得见的。 也就是说，第二轮理论上可以靠时长反推出分组。

更麻烦的是后来还冒出第三条泄漏通道：两边的声场宽度差 3 到 10 倍，左右声道平均差上 H3 那边明显更宽。前两条能靠统一转码抹掉，这一条抹不掉，它是内容属性，不是容器属性。

所以这一格我能报的只有第一句：四条都想发。至于谁更好，我这套测法给不出可信答案——n=4、单一题材、一个人的审美、盲态还有泄漏。真要回答，得静音判画质、换新素材、统一转码，最好再换个人来判。

---

四、对白：口型两边都对得上，差别在声音的性格

台词八个字，“船不来了，回去吧。”，画面同一个渡工、同机位、同随机种子。中文一组、英文一组（“The boat is not coming. Go on home.”），只换语言，别的不动。

判词是：中英文、两个模型，口型都对得上。

上：MiniMax H3，中文台词。

上：LTX-2.5，同一句中文台词。

能听出来的差别不在口型，在声音的性格。H3 是明显的立体音效，声场铺得开；LTX 更接近真实，像现场收的。这两条不构成高低，是两种取向。

它有个能量出来的客观对应物。我把当天全部产物的左右声道平均差扫了一遍：

H3 的左右分离度是 LTX 的 3 到 10 倍，LTX 那两轨接近单声道。注意采样率和声场是两回事：LTX 是 48 kHz，比 H3 的 32 kHz 高，声场却窄。别拿采样率当音质结论。

这一节我改过一次，值得说说为什么

第一遍看的时候我判的是中文这一格 H3 明显好，据此写下过一句差距在语言不在能力。再看一遍，改成了两边都对得上。

口型这种东西看一遍判不准，它要盯着嘴、要反复回看、要关掉画面之外的干扰。而我第一遍看的时候，两条片的声音差别很明显，就是上面那个声场，很容易把这条听着更像那么回事记成这条口型更好。

这也是这篇里所有判词的共同风险：一个人、看一遍、凭印象。前一节那个泄了自己的底是同一类问题的另一个面。

---

五、一个加速开关，四个不同的倍数

SageAttention 是个把注意力算子换成量化版本的开关，不改模型、不改步数。我在两台卡、两个模型上各测了一遍：

同一个开关，四个数，而且两行的方向是反的。

我在这个开关上连着推广错了三次，三次都是被另一组数打脸才发现的。我写过 Sage 值 2.35 倍，那是 H3 在 5090 上的数，同一个模型换台卡只有 1.65 倍。我写过序列越长 Sage 越值，那是 H3 的性质，LTX 上 5 秒和 15 秒都是 1.19 倍，一模一样。我还写过挂上之后产物会变成完全另一条片，那也是 H3 的观察，LTX 上挂不挂产物基本不变。

加速比不是模型属性，是模型乘机器乘档位的联合属性。 想知道值多少，只能一台一模型地实测。

顺带一条反直觉的：在 5090 上 Sage 省 3 到 5 GB 显存，在 6000 上反而多吃 2.9 GB。省显存本来就不是它的直接效果，是显存压力小了、换出少了的副产物；一张不吃紧的卡上，那个副产物就没有了。

画质那一格倒是两条线都判过，挂与不挂各一对、去掉音轨只看画面，判词都是看不出区别。但同样别跨线推广，在我另一条图片线上，同一个开关的判词是不挂反而稍好一点。

---

六、多镜：两种性格，不是谁行谁不行

这是差别最清楚的一格，也是最不像谁更强的一格。

同一段渡口，写成三镜 15 秒，切点写死在第 5 秒和第 10 秒，两边各按各家的官方切口写法。

H3 那边是按点切的。它的官方规范里有时间戳语法（[Shot 2] At 00:05.000, the camera cuts to…），实测两刀落在 4.88 秒和 10.12 秒，误差 0.12 秒。

H3：定场、缆绳特写、人物中近景，两处切换都是硬切。

LTX 那边一刀没切。但它不是没换镜头，三个镜头的内容一个不少，只是转场被做成了溶接和推进。

LTX：同样三个镜头都在，转场是软的。

到这儿也很容易写下 LTX 15 秒切不动。又是错的。我拿之前那条面馆题目在同一台机器、同一个进程、同样参数下重跑，它切出了两个干净的硬切。

真正的差别是：LTX 切不切取决于内容，H3 的时间戳跟内容无关。

我又拆了一层：把三镜里第二镜从同一根绳的特写（只变景别）换成空候船棚内景（主体和地点都变），别的一个字不动。

方向坐实了：镜与镜之间只变景别，它就把硬切降级成运镜。这和 H3 官方规范里那句只需要改变景别或小角度时优先用运镜而不是切，是同一个倾向。

但复核同时炸出一件更要紧的事：两条都只给了一刀，而且哪一刀变硬还随种子变，一条硬在第 10 秒，另一条硬在第 5.5 秒。所以把内容拉开是必要条件，不是充分条件。LTX 的切是概率性的，H3 的切是确定性的。

---

七、这次没能回答的

画质到底谁好，见第三节，我的测法不支持这个结论。

参考图锁角色也没法比。H3 有多图全能参考，LTX 这条线我只有首帧图生视频，两边不是同一个能力，没法同题比。

动作戏两个我都单独判过，判词都是不行，这一格是空的，换模型补不上。

15 秒以上的多镜同样空着。LTX 已知 32 秒往上一刀不切；H3 的官方训练范围上限就是 15 秒，再长是官方明说没测过的区间，跑出来也不能当能力证据。

还有把参数往上调一档之后会怎样。全程官方默认，没调过步数、采样器、CFG。

---

八、所以选哪个

各有各的好，各有各的坏，最后是看你要什么。就我这一天测下来，两个的性格大概是这样：

要卡点、要对着分镜表做，H3 那套时间戳很难被替代；要成批出、要抽卡、要长一点的片，LTX 的成本结构是另一个量级。声音那一格是取向问题，要铺得开的立体声，还是要像现场收的。而如果你只是要一条五秒的氛围镜，我这四条片四条都想发，分不出高低。

还有一层是硬件。这两个模型我都各在两块卡上跑过，最便宜的组合都落在那张更小、更便宜的 5090 上，大卡快那 20% 到 60%，抵不过它 2.15 倍的时价。所以选哪个模型和租哪块卡得一起算，单看模型会选错。

最后把话说回开头：这是一个人、一天、二十几块钱的测试。样本小、题材单一、判词是我自己的审美，而且我在里面至少犯了三次把某个模型的性质当成通则的错，三次都是被另一组数打脸才发现的。你要是拿这两个模型做别的题材，结论完全可能反过来。真正能带走的大概只有一条：任何 A 比 B 快多少好多少的数字，都得先问清楚它是在哪块卡、哪个档位、哪种题材上量出来的。