MiniMax H3 gegen LTX-2.5: 126 Clips, gleiche Prompts, zwei Reels

Im März habe ich hier über LTX 2.3 geschrieben und darüber, was lokale Videogenerierung auf einer RTX 5090 wirklich leistet. Seitdem hat sich zweierlei geändert: LTX ist bei 2.5 angekommen, und MiniMax H3 ist als ernstzunehmende Alternative dazugekommen.

Also habe ich den einzig sinnvollen Test gemacht. Nicht zwei Modelle mit ihren jeweiligen Lieblingsprompts, sondern 63 identische Shots, identische Seeds, identische Auflösung, identische Step-Zahl, dieselbe Karte, zwei Nächte hintereinander. Am Ende stehen zwei fertig geschnittene Showreels von jeweils 61,5 Sekunden, aus demselben Schnittprogramm, auf denselben Beat, mit derselben Musik.

Das Ergebnis ist kein Sieger. Es ist eine Landkarte davon, wie unterschiedlich zwei Modelle denselben Satz Anweisungen lesen.

Das Setup

Beide Läufe liefen in ComfyUI auf einer RTX 5090, gesteuert von einem Python-Skript, das die Shotliste abarbeitet, die Clips bewertet, den Reel schneidet und das Ergebnis in die Dropbox liefert.

Die Shotliste ist in sechs Sektionen aufgebaut, wie ein echter Reel: cold_open, build, peak, breakdown, rebuild, hero. Dazu neun Kategorien, von FPV-Drohnenflügen über Wasserfall-Makros und Automotive bis zu Super-8-Homevideo-Material. Von den 63 gerenderten Shots landen 45 im Schnitt, der Rest ist bewusst überproduziert, damit die Kuratierung eine Auswahl hat.

Jeder Prompt folgt demselben Schema: eine Zeile Szenenbeschreibung, ein Zeitcode-Block für die Kamerabewegung, eine Zeile Kameracharakteristik, eine Negativ-Zeile gegen Text und Wasserzeichen, eine Audio-Zeile. So sieht einer aus:

One continuous five-second shot, no cuts. A dense modern city core at blue hour,
glass towers lit from within, cool blue sky against warm interior light,
anamorphic feel. [0s-5s] The camera rises vertically between two towers, glass
facades sliding down past frame, city grid opening up below. Smooth vertical
drone ascent, perfectly level horizon. No text, no logos, no subtitles, no
watermarks. Audio: distant city hum, wind between buildings, no music.

Derselbe Text, derselbe Seed, zwei Modelle. Was danach passiert, ist der eigentliche Test.

Die zwei Reels

Beide laufen 61,5 Sekunden, 45 Clips, geschnitten auf 118 BPM (ein Beat = 0,508 s), mit acht Stellen, an denen der native Modellton kurz durch die Musik stanzt.

MiniMax H3:

LTX-2.5:

Auf Reel-Länge wirken beide erstaunlich stabil. Der Unterschied liegt nicht in der Gesamtwirkung, sondern in einzelnen Shots, und dort ist er drastisch.

Wo die Modelle auseinandergehen

Ich habe für den Vergleich pro Shot Kontaktabzüge aus beiden Läufen gebaut, drei Frames je Modell aus demselben Clip, H3 oben, LTX-2.5 unten. Dazu gestapelte Bewegtbild-Vergleiche für die Shots, bei denen die Bewegung das Argument ist. Neun Beispiele, von der ersten bis zur letzten Sektion des Reels.

Cold Open: über die Kante

Der erste Shot des Reels ist der härteste Test des ganzen Sets, weil er eine Zeitachse vorgibt: "[0s-1s] The FPV camera hangs at the cliff lip, still. [1s-5s] It tips forward and plunges down the rock face at high speed, wall rushing past inches away, sea rising fast to fill frame." Dazu die Bildbeschreibung: "first light, dark basalt rock, cold grey-blue sea far below".

Cold Open aus der Nähe: H3 wärmt die Szene zum Sonnenuntergang, LTX hält die kalte Morgenstimmung

Zwei Abweichungen bei H3 auf einmal. Erstens die Farbtemperatur: aus "first light" und "cold grey-blue sea" wird ein warmer Sonnenuntergang mit oranger Wolkendecke. Zweitens der Abstand: statt einer Wand, die zentimeternah vorbeirauscht, bleibt die Kamera hoch über der Klippe und rollt über die Kante, mehr Landschaftsaufnahme als Absturz.

LTX hält die kalte Morgenstimmung, das graublaue Wasser und die Nähe zum Fels. Die Kamera klebt am Gestein, kippt nach vorne, und das Meer füllt tatsächlich das Bild.

Die Farbtemperatur-Drift bei H3 ist der interessantere Teil, weil sie mir aus der Bildgenerierung schon bekannt vorkommt. Modelle kippen unter Unsicherheit gern in warme "Editorial"-Stimmung, weil warmes Gegenlicht in den Trainingsdaten überrepräsentiert ist. Die Gegenmaßnahme ist dieselbe wie dort: Tageszeit und Farbtemperatur explizit und wiederholt in den Prompt schreiben, nicht nur einmal am Anfang.

Super 8: wörtlich oder atmosphärisch

Der Prompt verlangt "authentic Super 8mm home-movie footage, heavy warm grain, soft halation, slight gate weave, faded amber cast, 1970s emulsion look" und dazu eine lachende junge Frau im Sommerlicht.

H3 oben, LTX-2.5 unten: derselbe Super-8-Prompt, zwei völlig unterschiedliche Lesarten

H3 liefert einen sauberen Breitbild-Shot mit warmer Farbstimmung. Das Bild ist scharf, digital, technisch einwandfrei, und "Super 8" ist als Grading interpretiert, nicht als Medium. LTX-2.5 rendert das tatsächliche Filmfenster: ausgefranste Bildränder, Gate Weave, das kleinere Bildformat mit schwarzem Rahmen drumherum, dazu Halation, die in die Lichter blüht.

Das hat eine handfeste Konsequenz für die Post. Im Schnittskript ist für die breakdown-Sektion ein Super-8-Grade hinterlegt, der Korn, Vignette und Farbverschiebung draufrechnet. Für den LTX-Lauf hat das Skript den Grade automatisch abgeschaltet, mit dem Log-Eintrag Super-8 grade off (model supplies its own). Beim H3-Lauf war der Grade nötig, sonst wäre die Sektion als Stilbruch stehengeblieben.

Beides ist verteidigbar. Wenn du Retro-Look als Stimmung willst und die Kontrolle über das Grading behalten möchtest, ist H3 der bessere Ausgangspunkt. Wenn du willst, dass das Material aussieht, als käme es aus einem Projektor, spart LTX dir einen ganzen Arbeitsschritt.

Super 8, zweite Runde: was der Look kostet

Derselbe Konflikt an einem zweiten Shot, und hier wird der Preis sichtbar. Der Prompt: "children run through a garden sprinkler in hard summer sun, water catching light, pure unposed joy."

Kinder im Rasensprenger: H3 bleibt lesbar, LTX liefert das überzeugendere Filmfenster und verliert die Gesichter

H3 gibt vier Kinder in hellem Sommerlicht, Gesichter klar erkennbar, Wasserfächer sauber gegen das Gegenlicht gezeichnet, leichte Vignette an den Ecken. Das ist verwendbares Material: du siehst, wer im Bild ist und was passiert.

LTX baut das komplette Filmfenster mit abgerundeten Gate-Ecken, schwerer Vignette und sepiaartig gekipptem Kontrast. Es sieht deutlich überzeugender nach 1975 aus. Es kostet aber zwei von drei Frames die Lesbarkeit, weil die Gischt im Gegenlicht zumacht und die Kinder in der Dunkelheit der Vignette verschwinden.

Das ist der ehrliche Trade-off hinter dem ganzen Super-8-Thema: Authentizität und Lesbarkeit ziehen in entgegengesetzte Richtungen. Für einen Emotions-Cutaway von zwei Sekunden ist LTX die bessere Wahl. Für alles, wo eine Person erkennbar bleiben muss, ist H3 plus Grade in der Post der sicherere Weg.

Kamerafahrt: wird die Bewegung wirklich ausgeführt?

Der Skyscraper-Shot oben verlangt eine vertikale Fahrt zwischen zwei Türmen hindurch, mit "city grid opening up below".

Vertikale Drohnenfahrt: H3 bleibt zwischen den Türmen, LTX steigt bis zur Enthüllung durch

H3 bleibt über die vollen fünf Sekunden zwischen den Fassaden. Die Bewegung ist da, aber sie ist konservativ, und der versprochene Reveal kommt nie. LTX steigt tatsächlich durch, und im letzten Drittel öffnet sich das komplette Stadtraster unter der Kamera. Der Shot erzählt, was der Prompt beschreibt.

Das ist kein Einzelfall. Der Motion-Score, den das Kurationsskript berechnet, liegt für diesen Shot bei 7,63 (H3) gegen 10,51 (LTX). Über die gesamte peak-Sektion zieht sich dasselbe Muster: LTX führt beschriebene Kamerabewegungen vollständiger aus, H3 setzt sie an und deckelt sie.

FPV im Wald: wo mehr Bewegung nicht mehr Qualität ist

Der Gegenbeweis kommt eine Sektion später. Der FPV-Shot durch Nadelwald ist derjenige mit dem höchsten Motion-Score im gesamten Set, in beiden Läufen.

FPV durch Nadelwald: H3 hält die Waldstruktur, LTX liefert mehr gefühltes Tempo bei weniger Substanz

H3 kommt auf 17,50, LTX auf 21,44. Nach der Metrik gewinnt LTX klar. Sieh dir die Frames an, und das Urteil dreht sich.

Bei H3 bleiben die Stämme über die ganze Fahrt Stämme. Der Waldboden ist erkennbar, die Sonne bricht durch die Kronen, die Bewegungsunschärfe liegt an den Rändern, wo sie hingehört, und die Szene hat eine räumliche Ordnung, die man nach fünf Sekunden noch nachvollziehen kann. Bei LTX ist die Geschwindigkeit spürbar höher, aber das Laub zieht radial in Matsch, die Stämme lösen sich in Streifen auf, und in Frame drei ist der Wald eher eine Textur als ein Ort.

Damit steht die Aussage von vorhin präziser da: LTX führt beschriebene Bewegungen konsequenter aus, aber ab einer bestimmten Geschwindigkeit bezahlt es das mit struktureller Auflösung. H3 fährt langsamer und hält dafür zusammen. Für einen Ein-Sekunden-Beat im Schnitt ist das egal. Für einen Shot, der drei Sekunden stehen bleibt, nicht.

Optik: wenn die Beschreibung Objektiv-Sprache ist

Der Wasserfall-Makro-Prompt ist bewusst technisch formuliert: "extreme close detail of white water hitting rock, individual droplets suspended, backlit spray, very shallow focus."

Wasserfall-Makro: H3 bleibt weit und durchgehend scharf, LTX liefert einzelne Tropfen und echtes Bokeh

Hier ist der Abstand am größten. H3 liefert einen soliden, aber weiten Wasserfall-Shot mit durchgehender Schärfe. Von "very shallow focus" ist nichts zu sehen, von "individual droplets suspended" auch nicht. LTX gibt genau das: einzelne Tropfen, die in der Luft stehen, echtes Bokeh im Hintergrund, Gegenlicht in der Gischt, eine Schärfeebene, die nach Makro-Objektiv aussieht.

Wenn dein Prompt-Stil aus Objektivbeschreibungen besteht, und der Stil eines DPs besteht ziemlich genau daraus, dann versteht LTX-2.5 mehr davon.

Geometrie: wenn ein Wort falsch verstanden wird

Der Automotive-Shot verlangt "a dark blue sports saloon carving a hairpin in alpine light" mit einer Aerial-Verfolgung von hinten und oben.

Automotive-Shot: H3 baut eine Bergkehre, LTX eine komplette 360-Grad-Schleife

H3 liest "hairpin" als das, was ein Kameramann meint: eine enge Kehre an einer Bergstraße, Kamera hinter dem Auto, Leitplanke, Abhang dahinter. Es sieht aus wie eine reale Drohnenaufnahme.

LTX liest "hairpin" geometrisch und baut eine vollständige 360-Grad-Kreisschleife in den Berg, wie eine Spiralauffahrt. Der Shot ist spektakulärer, aber er ist nicht das, was bestellt wurde, und er ist als Plate in einem Automotive-Spot nicht verwendbar. Dazu bleibt die Kamera weit und statisch statt zu verfolgen.

Das ist die Kehrseite der besseren Prompt-Ausführung: LTX nimmt einzelne Wörter wörtlicher, und wenn die wörtliche Lesart daneben liegt, liegt der ganze Shot daneben.

Maßstab und Bestand: Tiere aus der Luft

Der Zebra-Shot ist ein guter Test dafür, ob ein Modell viele bewegte Objekte gleichzeitig sauber hält.

Zebraherde von oben: H3 hält rund sechzig Tiere, LTX zeigt ein Dutzend in höherem Detail

H3 rendert eine dichte Herde aus rund sechzig Tieren, in großer Flughöhe, mit sauberem Streifenmuster und Schattenwurf, der über die fünf Sekunden zusammenhält. Es sieht aus wie ein echter Wildlife-Drohnenshot. LTX geht deutlich tiefer, zeigt vielleicht ein Dutzend Tiere in höherer Detailauflösung, aber mit sichtbaren Anatomieproblemen und einem Streifenmuster, das nicht überall trägt.

Wo viele Objekte gleichzeitig in Bewegung plausibel bleiben müssen, ist H3 klar vorne.

Der Hero-Shot: wer gewinnt, wenn Stillstand gefragt ist

Der letzte Shot des Reels läuft vier Sekunden und ist der einzige, bei dem der Prompt ausdrücklich Ruhe verlangt: "smooth stabilised aerial motion, no jitter, no drift", endend auf "a stable held panorama".

Hero-Shot: H3 hält das Panorama, LTX schiebt über einen Felsgrat

H3 macht genau das. Ein gehaltenes Panorama über einem Alpental, Sonne in der Dunstschicht, minimale Drift, ein Bild, auf dem ein Logo landen könnte. LTX schiebt stattdessen über einen Felsgrat, mit Vordergrund, der durchs Bild wandert.

Der LTX-Shot sieht für sich genommen besser aus. Er ist trotzdem der falsche Shot, weil ein Hero-Ende Ruhe braucht, damit der Schnitt landet. Und genau hier wird die Automatisierung zum Problem.

Warum die automatische Kuratierung den falschen Sieger kürt

Das Kurationsskript bewertet jeden Clip mit einem Motion-Score, im Wesentlichen die durchschnittliche Bildänderung über die Laufzeit, und behält pro Sektion die N besten. Das funktioniert für 62 von 63 Shots erstaunlich gut. Bei hero_01 funktioniert es nicht.

H3 bekommt für seinen korrekt gehaltenen Panorama-Shot einen Score von 0,29. LTX bekommt für den Kamerafahrt-Shot, der die Anweisung ignoriert, 2,31. Innerhalb der Sektion gewinnt der Score, also gewinnt der Shot, der die Regieanweisung nicht befolgt hat.

Die Lehre daraus ist nicht "Automatisierung taugt nichts". Sie ist präziser: eine Bewegungsmetrik ist eine Proxy-Metrik, und Proxys brechen genau dort, wo die Absicht der Metrik widerspricht. In fünf von sechs Sektionen ist mehr Bewegung tatsächlich besser. In der Hero-Sektion ist sie es nicht. Die Korrektur ist billig, die hero-Sektion bekommt eine invertierte Bewertung, aber man muss sie erst einmal bemerken, und dafür muss man sich die Ausschussclips ansehen statt nur den fertigen Reel.

Ein zweites Ergebnis aus derselben Kuratierung ist überraschender. Von den 45 ausgewählten Shots sind 39 in beiden Läufen identisch. Nur sechs Positionen unterscheiden sich. Zwei völlig verschiedene Modelle, dieselbe Auswahllogik, und die Auswahl deckt sich zu 87 Prozent. Was gut wird, entscheidet in diesem Setup deutlich mehr der Prompt als das Modell.

Geschwindigkeit, und warum der Durchschnitt lügt

H3 ist die berechenbarere Maschine. 63 Clips, Median 220 Sekunden, Minimum 215, Maximum 250. Das ist eine Streuung von unter 16 Prozent über einen kompletten Nachtlauf. Man kann eine Nacht damit planen.

LTX-2.5 ist im Normalfall doppelt so schnell, Median 105 Sekunden. Aber der Durchschnitt liegt bei 153 Sekunden, und diese Lücke hat einen Grund: sieben aufeinanderfolgende Clips sind aus der Reihe gefallen, von build_08 bis peak_car_03, mit Renderzeiten zwischen 255 und 680 Sekunden. Elf Minuten für einen Fünf-Sekunden-Clip, bei identischen Einstellungen wie beim Clip davor.

Danach hat sich der Lauf gefangen und ist für die restlichen 46 Clips wieder auf 100 bis 115 Sekunden zurückgegangen, ohne Eingriff. Das riecht nach Speicherdruck, der sich über mehrere Durchläufe aufbaut und dann wieder auflöst. Für einen unbeaufsichtigten Lauf heißt das: rechne mit dem Median, aber plane das Zeitfenster nach dem Worst Case, sonst steht am Morgen ein halber Reel da.

Die naheliegende Frage: bringt die zusätzliche Zeit wenigstens etwas? Nein. build_09 ist der langsamste Clip des ganzen Laufs, 631 Sekunden bei LTX gegen 220 Sekunden bei H3.

Der teuerste Clip des Laufs: 631 Sekunden bei LTX, 220 bei H3, kein sichtbarer Unterschied im Ergebnis

Beide fliegen durch die Felsnadeln auf die tiefstehende Sonne zu, beide halten die Geometrie, LTX hat den etwas schöneren anamorphen Flare. Das ist ein Unterschied von Geschmack, nicht von Qualität. Die sechs zusätzlichen Minuten sind reine Verlustzeit, kein besseres Sampling. Das ist der Grund, warum ich den Ausreißer für ein Ressourcenproblem halte und nicht für eine Eigenschaft des Modells.

Unterm Strich: 3,87 Stunden GPU-Zeit für H3, 2,67 Stunden für LTX, für jeweils 63 Clips. LTX ist schneller, aber nicht so verlässlich schnell, wie der Median suggeriert.

Der Teil, der nichts mit Bildqualität zu tun hat

Der Lauf sollte ursprünglich in einer Nacht durchlaufen: erst H3, dann automatisch ComfyUI aktualisieren, dann LTX-2.5. Um 01:32 Uhr steht im Log:

[01:32:57] ===== updating ComfyUI for LTX-2.5 =====
fatal: Not possible to fast-forward, aborting.
[01:32:57] git pull FAILED — staying on dec5d945, skipping LTX

Ein lokaler Commit im ComfyUI-Verzeichnis, ein git pull --ff-only, das darauf nicht vorbereitet war, und der halbe Plan ist weg. Das Skript hat sich richtig verhalten, es hat den Rollback-Punkt geloggt, den Update-Versuch abgebrochen, ComfyUI mit dem alten Stand neu gestartet und sauber beendet. Der LTX-Lauf ist dann am nächsten Vormittag manuell nachgezogen worden, deshalb tragen die zwei Reels Daten vom 15. und 16. August.

Der Punkt daran ist nicht die Panne. Der Punkt ist, dass bei mehrstufigen Nachtläufen der teuerste Fehler fast nie im Modell liegt, sondern in dem Klebstoff dazwischen. Ein Update-Schritt zwischen zwei Rendern ist ein Single Point of Failure, und wenn er kippt, verlierst du nicht Rechenzeit, sondern einen Kalendertag.

Nativer Ton

Beide Modelle erzeugen Audio zum Bild. Im Shotplan sind 12 der 63 Clips als keep_audio markiert, überwiegend die Super-8-Clips und der Hero-Shot, und das Schnittskript stanzt an acht Stellen diesen Modellton kurz durch die Musik.

Der Effekt ist gut, aber begrenzt. Was funktioniert, ist Textur: Projektorrattern, Wind in der Höhe, Wasseraufprall, Rotorenrauschen. Was nicht funktioniert, ist alles, was Timing braucht. Ein Motorgeräusch, das zum Gangwechsel im Bild passen soll, oder Hufschlag, der zum Schritt eines Tieres synchron liegt, kommt bei keinem der beiden Modelle verlässlich heraus. Für einen Reel mit durchgehender Musik ist der native Ton eine willkommene Würze. Für einen Spot, in dem Sounddesign trägt, ersetzt er nichts.

Die Lizenz entscheidet alles

Und jetzt der Teil, der für jede Firma in Österreich, Deutschland oder sonst irgendwo in der EU wichtiger ist als jeder Bildvergleich oben.

Die MiniMax-H3-Lizenz führt die EU als Excluded Territory. Das heißt: alles, was in diesem Vergleich aus H3 kommt, ist ein persönliches Experiment und kein verwendbares Asset. Nicht für Kundenprojekte, nicht für Werbung, nicht für kommerzielle Auslieferung. Der H3-Reel oben trägt genau deshalb AI-EXPERIMENT im Dateinamen.

LTX-2.5 hat dieses Problem nicht. Es ist ein offenes Modell, es läuft lokal, kein Frame verlässt die eigene Maschine, und die Nutzung ist geklärt.

Damit kippt der ganze Vergleich. H3 gewinnt Herden, Stabilität und die planbarere Renderzeit. LTX gewinnt Optik-Prompts, Kamerafahrten und Tempo. Aber wenn du in der EU sitzt und für Kunden produzierst, ist die Frage nach dem besseren Bild akademisch, weil das eine Modell für diesen Zweck schlicht nicht zur Verfügung steht.

Das ist die Lektion, die in jedem Modellvergleich fehlt und die in der Praxis zuerst zuschlägt: Lizenzstatus und Territorium sind ein Auswahlkriterium erster Ordnung, nicht ein Detail für die Rechtsabteilung am Ende. Ein Modell, das du nicht ausliefern darfst, ist für kommerzielle Arbeit kein Kandidat, egal wie gut es rendert.

Was ich beim nächsten Lauf ändere

1. Die Hero-Sektion invers bewerten. Weniger Bewegung gewinnt dort, nicht mehr. Eine Zeile im Kurationsskript.

2. Kamerabewegung explizit begrenzen, wo sie nicht gewollt ist. "Stable held panorama" reicht LTX nicht. Es braucht eine harte Negativformulierung, ungefähr in der Art "no dolly, no push, no reveal, locked frame after 1s".

3. Mehrdeutige Fachbegriffe ausschreiben. "Hairpin" hat zwei Lesarten, und LTX wählt zuverlässig die geometrische. "Tight switchback turn on a mountain road, guardrail on the outside" lässt keinen Spielraum.

4. Grading-Anweisungen vom Medium trennen. Wer "Super 8" schreibt, bekommt bei LTX das Filmfenster mitgeliefert. Wenn nur die Farbstimmung gemeint ist, gehört das auch so hingeschrieben: "warm faded colour grade, fine grain, no film borders, no gate weave".

5. Update-Schritte aus dem Renderlauf herausnehmen. ComfyUI wird vor dem Lauf aktualisiert und verifiziert, nicht mittendrin. Ein Nachtlauf soll rendern, sonst nichts.

Fazit

Zwei Modelle, dieselben 63 Prompts, dieselben Seeds, dieselbe Karte, zwei fertige Reels. Was bleibt:

LTX-2.5 führt beschriebene Kamerabewegungen vollständiger aus, versteht Objektiv- und Schärfensprache deutlich besser, liefert Stilanweisungen wie Super 8 als echtes Medium statt als Grading und rendert im Normalfall doppelt so schnell. Es interpretiert einzelne Wörter dafür wörtlicher, als einem lieb ist, und die Renderzeit ist weniger verlässlich, als der Median vermuten lässt.

MiniMax H3 ist die ruhigere Maschine. Es hält viele bewegte Objekte plausibel zusammen, führt Anweisungen zu Stillstand korrekt aus, und die Renderzeit schwankt über einen Nachtlauf um weniger als 16 Prozent. Es untertreibt dafür Kamerabewegungen und ignoriert Schärfenbeschreibungen weitgehend.

Und beide zusammen zeigen, dass die Auswahllogik zu 87 Prozent dasselbe Material gekürt hat. Der Prompt-Stack trägt in diesem Setup mehr als die Modellwahl.

Für kommerzielle Arbeit in der EU bleibt trotzdem nur eines der beiden übrig, und das entscheidet die Lizenz, nicht das Bild.

Du willst KI-generiertes Videomaterial in deine Produktion holen? Ich helfe bei Modellauswahl, Prompt-Stack, lokalem Setup und der Frage, was du am Ende tatsächlich ausliefern darfst. Lass uns sprechen →