(69)で「動画モデルH3から作った静止画モデル」としてPruna AIのP-H3-Imageを整理した翌々日、MiniMax本家が公式の画像モデル「MiniMax-H3-Image」をオープンウェイトで出した。配布元の一次情報と、同時に出たComfy-Orgの軽量版から、何者か・P-H3-Imageと何が違うか・16GBで載る形を整理する。
目次
先に結論
- 動画H3の画像版、本家。 動画H3のDiT(33.1B)から音声層を外し、画像用に学習したもの。テキストエンコーダは動画H3のQwen3-VL 32Bをそのまま使う(動画H3を持っていれば共有できる)。
- 16MPを直接生成、6ステップ、参照16枚。 4096×4096(1:1)から6272×2688(21:9)まで、アップスケーラなしで出す。有効範囲は4〜20MP。ステップ数は6固定、CFGなし、ネガティブなし。参照画像は最大16枚で、生成と編集が1つの重み。
- P-H3-Imageとの違いは、本家か派生かと、上限。 P-H3は8MP・8ステップ・参照8枚、Prunaが独自に学習。公式は16MP・6ステップ・参照16枚。どちらを選ぶかは、出力の質を同じ条件で比べてからになる(当方は未検証)。
- 16GBに載る段は同じ。 Comfy-Orgが同時にint8 21.0GB、w4a8(4bit)12.5GBの単一ファイルを配布。P-H3のint8 21.2・w4a8 13.4と同じ段なので、(55)で動いた16GB×2の経路がそのまま使える見込み。GGUF(Q2 6.9〜Q5 14.1GB)も出始めた。
- ライセンスは別物で、除外地域は同じ。 MiniMax-H3-Image Community License。EU・英国・韓国・米国は対象外。製品化には年商2,000万ドル超で書面許諾など、動画H3と同じ型。
- 当方は16GB×2で実測する。 キャラシート正面1枚を参照に、int8とw4a8で4MP/8MP/16MPの時間とVRAM、参照枚数を8→16に増やした時の挙動。P-H3で作った(55)の12枚と同じ注文で並べる。
何者か(配布元の記述)
| 項目 | 内容 |
|---|---|
| 開発 | MiniMax(動画H3の本家) |
| 構造 | H3-Baseから音声分岐を外した単一ストリームのDiT 33.1B(50層、隠れ5376、56ヘッド)。3D RoPE。重みはbf16、埋め込み・時刻・出力層はfp32 |
| テキストエンコーダ | 動画H3のQwen3-VL 32Bを無変更で使用(50層目の隠れ状態を読む)。本リポジトリには含まれず、MiniMax-H3側のtext_encoder/を参照 |
| VAE | CNNエンコーダ+2D ViTデコーダ(24層)、16倍縮小、24チャネル。DiTは2×2パッチなので1トークン=32×32画素 |
| 生成 | 6ステップ(6 NFE)に蒸留、CFGなし。ステップ数・guidanceは固定(他の値はAPIがエラー) |
| 解像度 | 約16MP推奨。1:1 4096×4096、4:3 4736×3552、3:2 5024×3360、16:9 5472×3072、21:9 6272×2688。有効範囲4〜20MP |
| 参照 | 最大16枚。アップロード順に<Picture 1>…。編集も同じ重み |
| プロンプト | 英語の詳しい全体描写を期待。APIは短い指示をH3-Image-Context-IRで展開。ローカル用に拡張器H3-Image-PE(NVFP4 17.9GB)を別配布 |
| 配布 | DiT 66.3GB、VAE 2.3GB、出力ヘッド12MB。TEは別(66.7GB)。推奨はSGLang/vLLM-Omni/diffusers/ComfyUI(公式テンプレあり) |
| 公開 | 11月10日(UTC)。API・Hailuo AI・MiniMax Codeでも提供。発売週は16MP以上が半額 |
配布元のショーケースには、写真、雑誌風、環境コンセプト、キャラクター、絵画、文字入り(黒板のパズルを解いて書く)、1枚参照(3Dの白モデル→映画の1コマ、ゲームのマップ→一人称視点)、10枚参照(空の部屋+家具9点→1つのリビング)が並ぶ。
P-H3-Imageとの違い
| 項目 | MiniMax-H3-Image(公式) | P-H3-Image(Pruna AI) |
|---|---|---|
| 出自 | MiniMax本家 | Prunaが動画H3をファインチューン |
| 推奨解像度 | 約16MP(有効4〜20MP) | 8MP(2〜4MPは崩れやすいと明記) |
| ステップ | 6固定 | 8 |
| 参照画像 | 最大16枚 | 最大8枚 |
| テキストエンコーダ | 動画H3のQwen3-VL 32B(共通) | Qwen3-VL-4B系(4B)+拡張器Qwen3.5-9B |
| プロンプト拡張 | H3-Image-PE(別配布・NVFP4 17.9GB) | 同梱(Qwen3.5-9B) |
| 本体サイズ | bf16 66.3GB / Comfy int8 21.0 / w4a8 12.5 | bf16 40.5 / int8 21.2 / w4a8 13.4 |
| TEのサイズ | int8 27.1 / nvfp4 15.7(動画H3と共用) | 9.1 / 5.1 / 3.6 |
| 公式LoRA形式 | なし(重み本体のみ) | H3本体に当てる2GBのLoRAあり((55)で使用) |
| ライセンス | MiniMax-H3-Image Community(EU/UK/KR/US除外) | MiniMax H3 Community(同じ除外) |
| 公開 | 11月10日 | 11月3日 |
数字で見える違いは、解像度と参照枚数の上限、テキストエンコーダの重さ。公式は動画H3のTE(32B)をそのまま使うので、動画H3を持っている人はTEを共有でき、持っていない人はTEだけで15.7〜27GBが追加になる。P-H3はTEが4Bで軽い。本体の軽量版は同じ段。
出力の質と指示の通り方は、同じプロンプト・同じ参照で並べないと分からない。ここは当方の実測に回す。
16GBで載る形
| GPU | 載る形(配布元・コミュニティの数字から) | 当方の見立て |
|---|---|---|
| 12GB | GGUF Q2〜Q4(6.9〜11.6GB)+TE nvfp4退避 | 本体は載るが、16MPの途中データが厳しい。4MPから |
| 16GB | w4a8 12.5GB、またはint8 21.0GB+RAM退避。TEはnvfp4 15.7GBを退避 | (55)のP-H3と同じ段。4MP・8MPは見込みあり、16MPは未知 |
| 24GB | int8 21.0GB | 8MPまで余裕。16MPは要確認 |
| 48GB | pruned bf16 40.2GB | — |
| 80GB以上 | 公式bf16 66.3GB+TE | 配布元の推奨(SGLang/vLLM-Omniで1GPU) |
(69)で書いたとおり、重さはパラメータ数(33B)で決まる。16MPを出すときは途中の計算データが1024角の16倍になるので、16GBで16MPが通るかは本体が載るかとは別の問題。当方は4MP→8MP→16MPの順に試す。
当方の実測予定
(55)でP-H3-Imageに出した注文(キャラシート正面1枚→向き・表情・ポーズ・衣装・背景の12枚)を、公式H3-Imageに同じ言葉で出す。見るのは5つ。
- int8とw4a8、それぞれ4MP・8MP・16MPの1枚あたりの時間とGPU/RAM
- 顔・髪・服の一貫性(P-H3の12枚と並べる)
- 参照を1枚→キャラシート3面+顔2枚の5枚→16枚に増やしたときの変化
- 拡張器(H3-Image-PE)あり/なし
- 走る女性の動画の参照として、公式H3-Imageの出力をH3動画に渡したときの違い
結果は続報で出す。
今日の動き
- @MiniMax_AI の発表(11月11日 00:40 JST): 「4K image generation in 10 seconds」。オープンウェイト、API・Hailuo AI・MiniMax Codeで提供
- Comfy-Orgが同時刻に単一ファイル(bf16 40.2/int8 21.0/w4a8 12.5)と公式テンプレ(T2I/Edit)を配布
- コミュニティGGUF(Q2〜Q5)、2ステップ蒸留版、restyle派生が公開後数時間で登場
- 先行体験組の投稿: 参照16枚で集合絵、季節の改変、スタイル融合、既存画像の改変が得意という声
コメント