P-H3-Image 实测：做俯视图不如 Qwen Image 2.1

2026-11-04 · 模型 PrunaAI/P-H3-Image（ComfyUI 版 P-H3-Image-Comfy，int8）· GPU H100 NVL 96 GB · 评判：Qwen3.8 看图

所有画面判断都由视觉大模型 Qwen3.8（关思考）看图给出，没有人工打分。每种情况只有 8～12 张，Qwen 判角度也会错，数字看大差别就好。下面的图都可以点开看大图。

俯视图（重点）

请求的意思都一样：从正上方垂直往下看，原机位一侧放在画面下方，物件、颜色、位置都别变。“正上方”按 Qwen3.8 三次回答的多数票算；“陡俯视”是大致从上往下但还能看到墙面或家具侧面。

• P-H3 官方流程（A）：第一轮 4/12 正上方，换加强版提示词后 6/12，盲测里加强版对普通版 17:7，说明写得越明确越好。但花园和卧室两个场景无论怎么写都没到正上方。
• P-H3 手写提示词（B）：第一轮 36 次机位判断里有 24 次是“平视”，Qwen 的说明多是“和原图几乎一样”。第二轮去掉“保持不变”那句后好一些（2/12 正上方），广场和花园还是照抄。
• Qwen Image 2.1（C）：两轮 24 张全部至少是陡俯视，花园 6 次里 5 次正上方。缺点是更爱改东西：卧室的吉他被挂到墙上、衣柜换成吊柜，广场的咖啡桌被换样；“物件变样”比 P-H3 高（13%～15%），加强版提示词下还出了 2 张严重瑕疵。加强版对它没有帮助（盲测 11:13）。
• H3 + P-H3 LoRA（D）：8 张里 0 张正上方，盲测输给独立的 P-H3（5:11）。

第一轮：普通提示词

第二轮：加强版提示词（强调“垂直向下、看不到墙和地平线”）

加强版提示词：明确写“镜头悬在场景正中上方、垂直向下 90°、只能看到地面和家具顶面、看不到地平线和墙面”。手写那一组同时去掉了“其余保持不变”这句。

两两盲测

每组同一场景、同一种子，X/Y 位置各放一次。总计 X 位赢 124 次、Y 位赢 84 次、平 0 次。

客厅（照片）

原图：P-H3 文生图（8 MP，种子 1002）。Qwen 判的机位：平视 3/3

俯视（正上方 90°） · P-H3 官方流程（短请求 + 提示词扩写）

俯视（正上方 90°） · P-H3 手写编辑提示词（不扩写）

俯视（正上方 90°） · H3 + P-H3 LoRA（短请求 + 扩写）

俯视（正上方 90°） · Qwen Image 2.1 改图（对照）

俯视·加强版提示词 · P-H3 官方流程（短请求 + 提示词扩写）

俯视·加强版提示词 · P-H3 手写编辑提示词（不扩写）

俯视·加强版提示词 · Qwen Image 2.1 改图（对照）

小镇广场（照片，室外）

原图：P-H3 文生图（8 MP，种子 1011）。Qwen 判的机位：平视 3/3

俯视（正上方 90°） · P-H3 官方流程（短请求 + 提示词扩写）

俯视（正上方 90°） · P-H3 手写编辑提示词（不扩写）

俯视（正上方 90°） · H3 + P-H3 LoRA（短请求 + 扩写）

俯视（正上方 90°） · Qwen Image 2.1 改图（对照）

俯视·加强版提示词 · P-H3 官方流程（短请求 + 提示词扩写）

俯视·加强版提示词 · P-H3 手写编辑提示词（不扩写）

俯视·加强版提示词 · Qwen Image 2.1 改图（对照）

后院花园（照片，室外）

原图：P-H3 文生图（8 MP，种子 1022）。Qwen 判的机位：平视 2/3高角度 1/3

俯视（正上方 90°） · P-H3 官方流程（短请求 + 提示词扩写）

俯视（正上方 90°） · P-H3 手写编辑提示词（不扩写）

俯视（正上方 90°） · H3 + P-H3 LoRA（短请求 + 扩写）

俯视（正上方 90°） · Qwen Image 2.1 改图（对照）

俯视·加强版提示词 · P-H3 官方流程（短请求 + 提示词扩写）

俯视·加强版提示词 · P-H3 手写编辑提示词（不扩写）

俯视·加强版提示词 · Qwen Image 2.1 改图（对照）

卧室（动画风格）

原图：P-H3 文生图（8 MP，种子 1031）。Qwen 判的机位：平视 3/3

俯视（正上方 90°） · P-H3 官方流程（短请求 + 提示词扩写）

俯视（正上方 90°） · P-H3 手写编辑提示词（不扩写）

俯视（正上方 90°） · H3 + P-H3 LoRA（短请求 + 扩写）

俯视（正上方 90°） · Qwen Image 2.1 改图（对照）

俯视·加强版提示词 · P-H3 官方流程（短请求 + 提示词扩写）

俯视·加强版提示词 · P-H3 手写编辑提示词（不扩写）

俯视·加强版提示词 · Qwen Image 2.1 改图（对照）

直接用文字画俯视图

顺便测了一下：不给原图，直接用文字让 P-H3 画同一个场景的俯视图（走提示词扩写）。4 个场景里只有客厅被判为正上方，广场和卧室是陡俯视，花园只是高角度。也就是说，P-H3 本身就不太愿意画“垂直向下”的画面，和改图时的表现一致。

其它视角：45° 高角度、右侧、反打

• 45° 高角度：最容易。P-H3 官方流程 24 次判断里 22 次是高角度，Qwen Image 24/24，布局关系都在 92%～95%。P-H3 手写提示词有 6 次还是平视。
• 右侧（转 90°）：三种方法都没转过去。把新图里物件的位置拿去和几种可能比，最吻合的都是“布局没变”（83%～97%），“真的转到右侧”只有 51%～64%，接近随机。
• 反打（转 180°）：P-H3 官方流程的结果 88% 吻合“布局没变”，也就是根本没转；Qwen Image 97% 吻合“左右镜像”。Qwen3.8 看 Qwen Image 的反打时，24 次里 22 次说是“从对面拍的”，其实前后关系并没有反过来，只是把画面翻了一下。

所以这两个模型都只能在“同一侧”换机位（抬高、拉远、俯视），真正绕到侧面或背面去拍，目前都靠不住。

到底转没转

数字是“物件的前后左右关系”和每种假设的吻合度（50% 左右等于随机）。粗体是最吻合的那种。

45° 高角度

右侧（转 90°）

反打（转 180°）

展开看每个场景的其它视角图

客厅（照片）

原图：P-H3 文生图（8 MP，种子 1002）。Qwen 判的机位：平视 3/3

高角度俯拍（约 45°） · P-H3 官方流程（短请求 + 提示词扩写）

高角度俯拍（约 45°） · P-H3 手写编辑提示词（不扩写）

高角度俯拍（约 45°） · Qwen Image 2.1 改图（对照）

右侧视角（转 90°） · P-H3 官方流程（短请求 + 提示词扩写）

右侧视角（转 90°） · P-H3 手写编辑提示词（不扩写）

右侧视角（转 90°） · Qwen Image 2.1 改图（对照）

反打（从对面看回来，180°） · P-H3 官方流程（短请求 + 提示词扩写）

反打（从对面看回来，180°） · P-H3 手写编辑提示词（不扩写）

反打（从对面看回来，180°） · Qwen Image 2.1 改图（对照）

小镇广场（照片，室外）

原图：P-H3 文生图（8 MP，种子 1011）。Qwen 判的机位：平视 3/3

高角度俯拍（约 45°） · P-H3 官方流程（短请求 + 提示词扩写）

高角度俯拍（约 45°） · P-H3 手写编辑提示词（不扩写）

高角度俯拍（约 45°） · Qwen Image 2.1 改图（对照）

右侧视角（转 90°） · P-H3 官方流程（短请求 + 提示词扩写）

右侧视角（转 90°） · P-H3 手写编辑提示词（不扩写）

右侧视角（转 90°） · Qwen Image 2.1 改图（对照）

反打（从对面看回来，180°） · P-H3 官方流程（短请求 + 提示词扩写）

反打（从对面看回来，180°） · P-H3 手写编辑提示词（不扩写）

反打（从对面看回来，180°） · Qwen Image 2.1 改图（对照）

后院花园（照片，室外）

原图：P-H3 文生图（8 MP，种子 1022）。Qwen 判的机位：平视 2/3高角度 1/3

高角度俯拍（约 45°） · P-H3 官方流程（短请求 + 提示词扩写）

高角度俯拍（约 45°） · P-H3 手写编辑提示词（不扩写）

高角度俯拍（约 45°） · Qwen Image 2.1 改图（对照）

右侧视角（转 90°） · P-H3 官方流程（短请求 + 提示词扩写）

右侧视角（转 90°） · P-H3 手写编辑提示词（不扩写）

右侧视角（转 90°） · Qwen Image 2.1 改图（对照）

反打（从对面看回来，180°） · P-H3 官方流程（短请求 + 提示词扩写）

反打（从对面看回来，180°） · P-H3 手写编辑提示词（不扩写）

反打（从对面看回来，180°） · Qwen Image 2.1 改图（对照）

卧室（动画风格）

原图：P-H3 文生图（8 MP，种子 1031）。Qwen 判的机位：平视 3/3

高角度俯拍（约 45°） · P-H3 官方流程（短请求 + 提示词扩写）

高角度俯拍（约 45°） · P-H3 手写编辑提示词（不扩写）

高角度俯拍（约 45°） · Qwen Image 2.1 改图（对照）

右侧视角（转 90°） · P-H3 官方流程（短请求 + 提示词扩写）

右侧视角（转 90°） · P-H3 手写编辑提示词（不扩写）

右侧视角（转 90°） · Qwen Image 2.1 改图（对照）

反打（从对面看回来，180°） · P-H3 官方流程（短请求 + 提示词扩写）

反打（从对面看回来，180°） · P-H3 手写编辑提示词（不扩写）

反打（从对面看回来，180°） · Qwen Image 2.1 改图（对照）

速度和显存

全部在一张 H100 NVL 96 GB 上跑。出视角图时，同一张卡上还常驻着评判用的 Qwen3.8（约 48 GB）和另一个 ComfyUI 进程缓存的约 16.6 GB 模型，测试用的 ComfyUI 实际只有约 30 GB 显存可用，靠 ComfyUI 自己换入换出模型。即便这样，速度也没受影响。只有 4 张原图和 4 张文生俯视图是在 Qwen3.8 休眠时出的。

• P-H3 改图（4 MP 左右，8 步）热启动约 12 秒一张。走提示词扩写时，每换一次请求，扩写要多花约 8～13 秒；同一请求换种子时，扩写结果会被缓存。
• 8 MP 文生图约 11.7 秒（模型卡说 B200 上 bf16 约 9 秒）。
• Qwen Image 2.1 改图（1664×928，20 步）约 12.8 秒。H3 + LoRA 约 13.3 秒，和独立模型差不多。
• 显存：ComfyUI 有多少用多少，整卡读数总在 95 GB 左右，没有参考价值。能确定的是 P-H3 int8 这套在只剩约 30 GB 的情况下照样能跑；模型卡给的 8 MP 峰值是 31 GB。

部署情况

• 要 ComfyUI 主线：P-H3 用的 PH3ImageConditioning 节点 2026-11-03 才合进 ComfyUI 主线（0.44.0），0.43.x 没有。只通过接口调用的话，Python 依赖不用改。
• 用的文件（来自 P-H3-Image-Comfy）：int8 的扩散模型 21.2 GB、文本编码器 5.1 GB、VAE 3.1 GB，加 bf16 的提示词扩写模型 19.3 GB，共约 49 GB；另测了 2 GB 的 LoRA。
• H3 + LoRA：把 LoRA 套在 MiniMax-H3 FL2VA（剪枝 int8）上也能当 P-H3 用，省下 21 GB 的独立模型；但文本编码器、VAE 和扩写模型还是要 P-H3 自己的，而且这次俯视效果比独立模型差（8 张 0 张正上方，盲测 5:11）。
• 许可：MiniMax H3 社区许可。按模型卡的说法，欧盟、英国、韩国、美国要另外找 MiniMax 拿授权，产品上要标 “Powered by MiniMax H3”。

测试方法

• 测试素材：4 个自己写的场景（客厅、小镇广场、后院花园、动画风格卧室），每个场景写明了 7～8 样颜色鲜明的物件放在哪（前/中/后 × 左/中/右）。原图用 P-H3 文生图按原文出（8 MP，16:9），每个场景出 2 张，让 Qwen3.8 判断物件位置，挑更符合要求的一张。不用任何外部图片，也没有真人。
• 四种目标视角：俯视（正上方 90°，重点）、45° 高角度、右侧（转 90°）、反打（转 180°）。俯视每种方法 3 个种子，其它视角 2 个种子。第一轮出完后，又加了一轮“加强版”俯视提示词。
• 方法：A = P-H3 官方工作流（短请求 → 提示词扩写 → 改图）；B = P-H3 按模型卡推荐的格式手写编辑提示词，不扩写；C = Qwen Image 2.1 改图（int8，20 步、cfg 2.5）；D = 现有 H3 FL2VA + P-H3 LoRA，走 A 的流程（只测俯视）。P-H3 改图都按官方工作流把原图缩到约 4 MP。
• 评判：全部交给视觉大模型 Qwen3.8（27B）（关思考，采样 0.7/0.8/20），只用它的 JSON 回答，没有人工打分。每张图问两类问题，各问 3 次：① 单看这张图——机位是正上方 / 陡俯视 / 高角度 / 平视，每样物件在画面哪个位置；② 原图和新图左右拼在一起——每样物件是否还是原来那个（同 / 变样 / 看不到），多出了哪些大件，机位相对原图怎么变了，有没有严重瑕疵。俯视图另做两两盲测：上面放原图，下面左右放两种方法的图，X/Y 位置各放一次。
• “布局顺序对”怎么算：用 Qwen 在原图里量出的物件位置，推出目标视角里应有的前后左右关系（俯视时原机位一侧在画面下方；反打时前后、左右都要反过来；右侧时原来靠近镜头的到左边、原来在右边的到近处）。然后把新图里每一对物件的关系和它比，对的算 1，并列算 0.5，反了算 0。随机乱放约 50%。
• 局限：Qwen3.8 判断角度和位置也会出错，同一张图 3 次回答不一定一样；9 宫格的位置很粗。每种情况只有 8～12 张图，差一两张就会变几个百分点。数字只看大的差别，最好自己点开图看。

结论