稀宇科技（MiniMax）は画像モデルMiniMax H3-Imageを発表し、同時にHugging Faceで重みを公開した。テキストからの画像生成、画像参照、画像編集を1つのモデルにまとめている。同社によると、約1600万画素にあたる4096×4096の4K画像を約10秒で生成でき、参照画像は最大16枚まで入力できる。
モデルはHugging FaceとMiniMaxのオープンプラットフォームAPIで利用でき、MiniMax Codeや海螺（Hailuo）など自社製品にも組み込まれた。提携プラットフォームのPixPixとPixTVからも直接呼び出せるため、自前でデプロイしたくないユーザーもブラウザーを開くだけで4K出力を試せる。
モデルカードから見える主な仕様
H3-Imageの本体は33.1Bパラメーターの拡散Transformerで、50層、56のアテンションヘッド、重みはBF16。テキストエンコーダーにはH3動画モデルと同じQwen3-VLエンコーダーをそのまま流用しており、DiTはその第50層の隠れ状態を読み取る。
高速化の主因は蒸留だ。チェックポイントは6ステップのサンプリングまで圧縮され、分類器フリーガイダンス（CFG）も使わない。一般的な拡散モデルは20〜30ステップが当たり前で、CFGを有効にすると1ステップごとに計算が2回走る。この2点を同時に外したことで、1枚あたりの所要時間が大きく下がる。
"The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance."
チェックポイントは6サンプリングステップに蒸留されており、分類器フリーガイダンスは使用しない。
解像度については、モデルカードが示す有効範囲は4〜20メガピクセルで、16メガピクセル前後が最も良好という。1:1は4096×4096、21:9は6272×2688に対応し、いずれも別途のアップスケールモデルは不要だ。公式は高速版のHighspeedも用意しており、標準モードの生成速度は主要ツールの約1.5〜2倍、高速モードでは3〜4倍としているが、比較対象のツール名は示されていない。
モデルと併せて、27Bのプロンプト拡張モデル「H3-Image-PE」もオープンソース化された。Qwen3.8-27Bをファインチューニングしたもので、短い要望を詳細な画面描写に広げ、適切なアスペクト比も提案する。画像編集向けの拡張については現時点でプロンプトテンプレートのみの公開で、リポジトリ上は開発中と明記されている。
動画から画像へ、H3シリーズの歩み
7月末、MiniMaxはまずH3動画モデルを発表し、その後に重みを公開した。さらにSGLangがH3向けの推論高速化に対応している。今回のH3-Imageは動画モデルとテキストエンコーダーを共用し、画像VAEは新規に作られた。CNNエンコーダーと24層の2D ViTデコーダーを組み合わせ、空間方向に16倍のダウンサンプリングを行うため、1トークンが32×32ピクセルを担う。
こうして並べると、MiniMaxのマルチモーダル生成の進め方は一貫している。まず動画を出し、次に画像を切り出し、重みはすべて公開し、デプロイ用フレームワークも同時に対応させる。H3-Imageは公開初日からSGLang、vLLM-Omni、Diffusers、ComfyUIの4つのデプロイ経路を用意し、重みはHugging FaceとModelScopeの両方で提供されている。
指示追従性について、公式ブログはH3-Imageをオープンソースモデルの中で最強としているが、モデルカードに具体的なベンチマークスコアはない。第三者による評価が出るまでは、この主張は公式発表としてみておくのが妥当だ。
早く使い始めそうなのは誰か
参照画像16枚という上限は、ECやブランドデザインで実用的だ。同じ商品を複数の角度から撮った実写、ブランドのカラーパレット、モデルのポーズを一度に渡して、被写体の一貫性を保てる。公式の紹介事例には、参照画像10枚を使ったものもある。
ショート動画のクリエイターは、動画の前工程として使える。H3-Imageで4Kの静止フレームとキャラクターの造形を固め、H3動画モデルに渡して動かす流れだ。PixTVの無限キャンバスは画像と動画の生成を1枚のキャンバスに載せており、この一連の流れをブラウザー上で完結できる。商品画像や詳細ページ向けなら、PixPixのEC向けワークスペースのほうが使いやすい。
ライセンスについては、H3-ImageはMiniMax-H3-Image コミュニティライセンス契約を採用しており、一部の用途では公式の申請フォームから書面による許諾を得る必要がある。商用利用の前に、契約の第4条には目を通しておきたい。
参考資料：MiniMax公式ブログ、Hugging Faceモデルカード、CocoLoop、MiniMax-H3-Image-PEモデルカード。パラメーター規模、サンプリングステップ数、解像度範囲、参照画像の上限を確認した。速度の倍率は公式の数値による。