Minimax H3提示词怎么写？新模型的指令偏好实测
三种指令风格、三十道题、同一套评分标准跑完，Minimax H3 明显偏吃分镜结构化这一套。标签堆叠风得分垫底，自然语言段落风居中，差距比我想的大。这篇把每项得分、翻车现场和能直接套用的五行模板都摆出来。
Minimax H3提示词写法没有玄学。三十道题测下来，结论就一句：它吃结构，不吃形容词。你把镜头、动作时序、音频分行写清楚，出片的听话程度肉眼可见地往上跳；反过来堆一堆"电影感、8K、大师级构图"，它大概率当没看见。下面从头讲。
先把口径对齐：H3 是个什么模型
截至发稿的公开口径，H3 是 MiniMax 开源的视频加同步立体声生成模型，单次最长 15 秒，开放权重托管在 Hugging Face 和魔搭。这个定位决定了它的提示词逻辑和文生图不是一回事。
官方开源页写得明白：两个变体，一个走文生视频加首尾帧控制，一个吃最多 9 张参考图加 3 段视频、3 段音频参照；开源权重原生 768p，API 端最高 2K。本地部署方面，pruned int8 整包下载约 42GB，12GB 显存的卡（3060 这一档）能出 480p。参数量官方没公布，我不瞎猜。这些数字都出自MiniMax H3 的开源页，属于截至发稿的口径。
为什么要先说这个？因为不少教程把 H3 当文生图模型讲提示词，一上来就是权重括号、负面词那一套。方向错了。H3 出的是 15 秒的片子，还带声音，你指挥的其实是一条时间轴，不是一张静态画布。
三种风格各喂十题，我这样测的
我把同一组题目改写成标签堆叠、自然语言段落、分镜结构化三种版本，每种十题，按主体、动作、镜头、音频四项各打 2.5 分。不满意不重抽，评的是"听懂了多少"，不是抽卡运气。
题目池三十个，覆盖静物、人物动作、多阶段过程、天气氛围几类，每道题三种风格各跑一次。打分四项：主体还原、动作执行、镜头听懂程度、音频对位，满分 10。
这里头我最看重的是自己出的一道"陶罐碎片还原"：让模型拍一段考古人员把一地碎陶片按纹路拼回完整罐子的画面。这题毒就毒在它有明确的先后顺序——先铺片、再对纹、最后合缝——顺序一乱，"还原"这个动作就不成立。上周四晚上十点半，我在出租屋那块 3060 上跑到这道题：标签堆叠版给我拍了个碎罐子静态特写，还加了层做旧滤镜；段落版拍到了拼接，但 15 秒里就一个"拿起碎片"的动作来回重复；结构化版，三段时序全对上，合缝那一下罐口还有一圈高光。有点意外，差距会这么大。
（跑题一句：测到二十几题时楼下开始装修，电钻声混进外放，害我把两段音频反复听了三遍才确认没被污染。拉回来。）
Minimax H3提示词写法：H3 吃哪一套
分镜结构化均分 8.1，自然语言段落 6.7，标签堆叠只有 4.9——H3 对分行指令和镜头语言的响应，明显好过关键词罗列。逐项拆开看更有意思。
| 指令风格 | 均分（10 分制） | 最稳的题 | 最翻车的题 | 我的主观评价 |
|---|---|---|---|---|
| 标签堆叠 | 4.9 | 静物特写 | 多动作序列 | 词全喂进去了，它权当没看见 |
| 自然语言段落 | 6.7 | 单主体日常场景 | 音频指令 | 听话，但记不住顺序，后半段常被丢掉 |
| 分镜结构化 | 8.1 | 陶罐碎片还原 | 要求画面出字幕 | 闭着眼抄都稳，前提是每行只讲一件事 |
标签堆叠翻车的姿势很统一，翻得稀碎。十道题里有六道我写了"8K，HDR"，出来的片子不是过曝就是泛着塑料感；有两次干脆在画面里生成了类似水印的字符牌。老实讲，这套词是文生图时代留下的老习惯，我自己也是顺手就打出来，改掉花了小半个晚上。
自然语言段落风的问题在"后半程衰减"。一段话前 40 字左右的指令它执行得很好，越往后越糊，写到第三个动作基本就丢了。段落里夹音频描述（"伴随碎片轻响"）更惨，十题只对上两次。相比之下，结构化风里音频单独占一行的，十题对上了七次，连立体声的左右移动都给出来了——碎裂声从左声道滚到右声道那次，我来回听了三遍。
还有一个发现想单独记一笔：条件句全灭。"如果有人入画就切特写"这种写法，H3 一次都没执行过，它不处理分支逻辑。写分情况讨论类的指令本来就是另一门手艺，我之前整理过一篇临界条件提示词怎么写，那套思路放在 H3 身上用不上，别硬套。
能直接抄的五行模板，和三个坑
模板五行就够：镜头、主体、动作时序、光线氛围、音频，一行只讲一件事，按 15 秒的时间轴排。拿陶罐那题当例子：
- 镜头：固定机位微俯，缓慢推近（0-5 秒）
- 主体：考古工作台上一地陶罐碎片，纹路朝上
- 动作时序：先铺片对纹，第 8 秒左右合缝，结尾罐口对光
- 光线氛围：室内暖黄台灯，尘埃在光柱里浮动
- 音频：陶片轻碰的脆响，由近及远，右声道收尾
坑也一并说了。第一，别堆画质词，8K、HDR、超高清在 H3 身上基本是负分项。第二，一行别塞两个动作，"拼接并拍照记录"这种写法它只执行前一半。第三，别指望它生成字幕或条件逻辑，想要文字信息后期加，比在提示词里哀求靠谱得多。
回头再看开篇那句话：H3 吃结构，不吃形容词。它把"导演思维"的门槛直接写进了提示词里——你得先在脑子里把 15 秒拆成时间轴，它才接得住。三种风格、三十道题跑完，我自己的习惯已经彻底改了：动笔先分行。你要是还在用一大段话糊它，先试试这个最小的改动。
常见问题
H3 的提示词用中文还是英文？
我三十道题全用的中文，主体还原没有掉档，官方社区里的演示也以中文居多。英文长指令我没系统测过，不瞎下结论。
一条 H3 提示词最长写多少字合适？
结构化五行、一百字上下最稳。我的实测里超过 150 字的题，第三个动作之后的指令开始被丢掉，宁短勿长。
H3 能在提示词里指定声音吗？
能。官方口径是视频加同步立体声，我的实测里音频单独成行的十题对上了七次，埋在段落里的十次只中两次。想要什么声音，单独给它一行。
本地跑 H3 需要什么配置？
按官方开源页的口径，pruned int8 整包约 42GB，12GB 显存能出 480p，系统内存建议 32GB 起步。对分辨率要求高就走 API，最高 2K。