11月7日に(57) MiniMax H3のモデル一覧を出してから6日。その間に公式の画像モデルH3-Imageが出て、その軽量版・拡張器・2ステップ版が揃い、動画側でも軽量派生と仕上げの部品が増えた。(57)の表にはない行が10本を超えたので、表ごと作り直す。列は前回と同じ「何が違うか」「配布元とサイズ」「当方の機材(RTX 5060 Ti 16GB×2・M5 Mac 32GB)で載ったか」。配布元の数字は11月13日 06:30取得。
目次
先に結論
- 「H3」は動画と画像の2系統になった。 動画H3(FL2VA/Ref2VA/Regenerate-2K)と、11月10日公開の画像H3-Image(33.1B・6ステップ・16MP)。テキストエンコーダ(Qwen3-VL 32B)とVAEの一部は両方で共用できる。
- 画像の段は6日で動画の段と同じ厚みになった。 公式→Comfy-Orgの3段(bf16 40.2/int8 21.0/w4a8 12.5GB)→GGUF(Q2 6.9〜Q8 21.4GB)→プロンプト拡張器(H3-Image-PE・27B・FP4で約19GiB)→2ステップ版(pDMD LoRA 2GB、または本体に混ぜた40GBの1ファイル)。
- 動画の軽量派生はHyperFlow H3 Flash(14B)が主流に。 50層のうち数層を落として線形層を分解、4〜8ステップでCFGなし。GGUF Q4_K_Mが9.1GB、INT8が16GB。当方は16GBで6ステップ5秒が約5分。
- 仕上げの部品が3つ。 Open-H3-Regenerate-2K(768pの下書きを3ステップで2Kに・10月26日)、同IC版(下書きを参照として文脈に入れたまま1080p/2K/4Kに・11月9日)、RelayVSR(動画の2倍・4倍拡大、int8 5.2GB・ComfyUI標準)。
- 参照から作る8ステップ版はFastH3 Omni。 (57)で「FastH3は参照からは対象外」と書いたが、10月20日のOmni版は画像・動画・音声の参照に対応(pruned int8 22.2GB)。(57)の表では見落としていた。
- 16GB×2で当方が載せたもの(追加分)。 H3-Image w4a8/int8: 4MP 55秒・16MP 75秒、12回編集が1枚2分((78))。HyperFlow Flash GGUF Q4/Q8: ref2v 6ステップ約5分((63))。Ref2VA int8+Turbo 8step: 参照5枚で8秒753秒((74))。
- まだ重みが出ていないもの。 pi-H3(2〜4ステップでピクセルを直接出す・VAEなし)は11月16〜22日に重み公開予定。Muse CollectiveのCharacterSheet-H3はモデルではなくノード((79))。
0. 先に用語(前回からの追加)
- H3-Image: 動画H3から音声層を外した画像用のDiT 33.1B。6ステップ固定・CFGなし・最大16MP・参照16枚。P-H3-Image(Pruna・8ステップ)とは別物((73))。
- PE(Prompt Expansion): 短い指示を、モデルが好む長い説明文に書き直す別モデル。公式はQwen3.8-27Bを調整したFP4版。Comfy-Orgは代わりに9B(w4a8・7.3GB)を推奨。
- pDMD: 2ステップで仕上げる蒸留のLoRA。動画H3用の2NFE LoRAを画像H3に当てたもの。
- convrot: 重みを回転してから8bitにする量子化。Comfy-OrgのInt8とHyperFlowのINT8が同じ方式。cu130かTritonが要る。
- IC(In-Context): 下書きの動画を参照として文脈に入れたまま、高解像で描き直す方式。顔・口の動き・文字・配置が保たれる。
1. 本体(MiniMaxAI公式)
| モデル | 種別 | 何をする | 公開の形 | 当方 |
|---|---|---|---|---|
| H3-Base-FL2VA | 動画 | 文章/先頭画像/先頭+末尾→動画+音声 | 重み(143GB一式) | 軽量版を常用 |
| H3-Base-Ref2VA | 動画 | 画像≤9・動画≤3・音声≤3の参照→動画+音声 | 重み | 軽量版を常用 |
| H3-Regenerate-2K | 動画 | 768pを2Kに描き直す | 重み(当方未使用)。下記Open版が代替 | 未使用 |
| H3-Image ★ | 画像 | 文章→画像、画像編集(参照16枚)。6ステップ・16MP | 重み(11月10日)。DL 30.7万・いいね851 | 軽量版で実測((78)) |
| H3-Image-PE ★ | 画像(拡張器) | 短い指示を長い説明文に。縦横比も提案 | Qwen3.8-27B調整・FP4(約19GiB)。編集用PEはプロンプトのみ公開 | 未使用 |
| H3 Max | 動画 | 上位版 | APIのみ | — |
★=(57)にない行。以下同じ。
2. 軽量化版(同じモデルを軽く)
2-1. 動画H3(Comfy-Org・変更なし)
Comfy-Org/MiniMax-H3は11月2日から更新なし。FL2VA/Ref2VA各6種(bf16 66.3/int8 34.0/pruned bf16 40.2/pruned fp8 21.0/pruned int8 21.0/pruned w6a8 16.0GB)。当方の常用はpruned int8_convrot(21GB)+nvfp4テキストエンコーダ(15.7GB)。累計DL 3,278万。
2-2. 画像H3-Image ★
| ファイル | 配布元 | サイズ | 当方(16GB×2) |
|---|---|---|---|
| pruned bf16 | Comfy-Org/MiniMax-H3-Image | 40.2GB | 未使用 |
| pruned int8_convrot | 同 | 21.0GB | 4MP 60秒・16MP 93秒、12回編集1枚2.4〜2.8分、GPU 12.9GiB・RAM 37GiB |
| pruned w4a8 | 同 | 12.5GB | 4MP 55秒・16MP 75秒、編集1枚2分、GPU 13.0GiB・RAM 29GiB。当方の常用候補 |
| 画像VAE fp16 | 同 | 1.2GB | 使用(動画VAEとは別ファイル) |
| GGUF Q4_K_M / Q5_K_M / Q8_0 | Hearthscale | 11.4 / 13.9 / 21.4GB | 未使用(4形式比較を予定) |
| GGUF Q2〜Q5 | Abiray(DL 2.3万)・realrebelai・AtomicChat | 6.9GB〜 | 未使用 |
| fp8 / nvfp4 | unsloth(fp8)・LSDJesus(fp8・nvfp4) | (75)の表を参照 | 未使用。nvfp4はBlackwell向け |
| INT6 / INT4 GPTQ、W4A4 | tsolful・PotatoForge(P-H3-Image用) | — | 未使用 |
テキストエンコーダは動画H3と同じQwen3-VL 32B(int8 27.1GB / nvfp4 15.7GB)を共用。Comfy-Orgは拡張器としてqwen3.5_9b_w4a8_gptq(7.3GB)を同梱し、Generate Textノードで使う。形式ごとの整理は(75)。
2-3. GGUF・h3.c・MLX(Mac)
| もの | 何が変わったか | 当方 |
|---|---|---|
| 動画H3 GGUF(Q4_K_M 18.5GiB / pruned Q4 10.8GiB) | 変更なし | Mac 87分・40分/5秒(9月) |
| h3.c(antirez) | 変更なし。BF16原本をSSDから流す | Mac 0.6MP 5秒 26分 |
| HyperFlow Flash MLX Serve ★ | hancheng-ai。FL2VA/Ref2VA各4bit・8bit(transformer 7.9GB+TE 15.8GB)。11月11日公開・DL 2桁 | 未使用 |
| H3-Image MLX / Metal ★ | (75)で整理。M5 Ultraで61秒の報告 | 未使用(Mac実測を検討中) |
2-4. その他(配布元の説明)
- Woovee/MiniMax-H3-Image-LowVRAM: Comfy-Orgのw4a8+nvfp4 TE+VAEを選んで置き直したもの(29.4GB)。中身は同じ。
- DeepBeepMeep/Wan2GP、Sol-H3(NVlabs): 変更なし。
3. 派生モデル(別物に仕立て直したもの)
| モデル | 配布元 | 何が違う | サイズ | 当方 |
|---|---|---|---|---|
| FastH3 8-Step V2 | FastVideo | 8ステップ固定。文章/画像から | pruned int8 22.1GB | デスクトップで常用(0.6MP 15秒 8分21秒・(22)) |
| FastH3 Omni ★ | FastVideo | 参照(画像・動画・音声)からの8ステップ版。10月20日。DL 71.9万 | pruned bf16 44.2 / int8 22.2GB、nvfp4 QAD 13.8GB | 未使用。(57)で「FastH3は参照は対象外」と書いた部分の訂正 |
| FastH3 Trim | FastVideo | 層を削った8ステップ版。10月6日 | bf16 37.5 / int8 18.9 / nvfp4 11.9GB | 未使用 |
| HyperFlow H3 Flash ★ | Video Rebirth | 14B(50層から3層抜き+線形層分解)。4/6/8ステップ・CFGなし。音声つき。11月4日。DL 32.6万 | GGUF Q3〜Q8 7.2〜15.2GB / INT8 16.0GB(fl2va)・16.4GB(ref2va) | 16GBで実測: ref2v Q4 316秒・Q8 307秒、i2v Q4 290秒、GPU 12.2GB((63)) |
| H3-Image 2ステップ版(pDMD) ★ | akhaliq(HF)・pdmd2026 | 動画用の2NFE LoRA(rank128)を画像H3に。2ステップで仕上がる。H200で16MP 1枚17.4秒(公式6ステップ25.1秒) | LoRA 2.0GB(ComfyUI版)、本体に混ぜた1ファイル40.2GB | 未使用。int8/w4a8にはLoRA経路のみ |
| P-H3-Image | PrunaAI | H3から作った画像モデル。8ステップ・8MP | int8 21.2 / w4a8 13.4 / LoRA 2.0GB | LoRA経路で4MP 94〜141秒((69)) |
| Viggle Remake | Viggle | 動画の部分直し(edit/swap LoRA)。11月にLongVideo対応ノード | LoRA 5.5GB | 未使用 |
| Pika H3 Flex | Pika | 6ステップ向けLoRA。DL 14.4万 | — | 未使用 |
| pi-H3 ★ | Stanford/Luma | 2〜4ステップでピクセルを直接出す(VAEなし)。B200で768p 10秒を9.2秒 | 重み未公開(11月16〜22日予定) | — |
4. 仕上げの部品(拡大・描き直し・VAE)
| 部品 | 配布元 | 目的 | サイズ | 当方 |
|---|---|---|---|---|
| Open-H3-Regenerate-2K ★ | NVlabs(Efficient-Large-Model) | 閉じたRegenerate-2K APIの代替。768pの下書きを3ステップで2560×1440に。B200で22〜87秒/5秒。10月26日。DL 92.3万 | 本体一式(14分割)+LoRA | 未使用 |
| Open-H3-Regenerate-2K-IC ★ | 同 | 下書きを参照として文脈に残したまま1080p/2K/4Kへ。顔・口・文字・配置を保つ。11月9日 | IC LoRA(rank384)+HyperFlow 8step+LMS Sharp | 未使用 |
| RelayVSR x2 / x4 ★ | Comfy-Org | 動画の超解像。ComfyUIの標準テンプレート「Video Upscale: RelayVSR 2x」 | int8 5.2GB各+VAE 0.1GB | ダウンロード済み・未実行 |
| 公式H3 VAE(動画fp16/int8・画像fp16) | MiniMaxAI / Comfy-Org | 基準 | 5.2 / 2.8 / 1.2GB | 常用 |
| Sol-H3-VAE、LightVAE | NVlabs、lightx2v | 速さ | — | 未使用 |
| Seamless Anime VAE | dully3865 | 絵柄 | — | 実測済み((56)) |
| 高速VAEデコーダ v2 ★ | Open-H3-Regenerate-2Kに同梱 | 24層・非因果。2K描き直しの時間を37→22秒(B200) | — | 未使用 |
5. 当方の機材別・載ったもの早見(11月13日)
| 機材 | 動画 | 画像 | 所要の目安 |
|---|---|---|---|
| RTX 5060 Ti 16GB×2・RAM 64GB | pruned int8(Ref2VA/FL2VA)+Turbo 8step / FastH3 V2 / HyperFlow Flash GGUF Q4・Q8 | H3-Image w4a8・int8 / P-H3-Image LoRA | Ref2VA 参照5枚 8秒 753秒((74))。HyperFlow Q4 5秒 316秒。H3-Image w4a8 4MP 55秒・16MP 75秒、編集2分。P-H3 4MP 94〜141秒 |
| M5 Mac 32GB | h3.c BF16原本 / GGUF Q4 | (未実測) | 0.6MP 5秒 26分(h3.c)。15秒 2時間19分 |
| RunPod RTX PRO 6000 96GB | bf16 / int8(10〜11月) | — | 0.6MP 32分・1.0MP 57分(bf16・25ステップ・(49)) |
読み方: 16GB 1枚では本体がGPUに丸ごと載るのはHyperFlow Flash Q4(9.1GB)とH3-Image w4a8(12.5GB)だけで、ほかはCPU退避で動く。テキストエンコーダ15.7GBは毎回同じなので、プロンプトを固定してseedだけ変えると2回目が速い(H3-Image w4a8で47.8→14.8秒)。
6. どれを落とすか(当方の読み・11月13日)
- 動画を16GBで: pruned int8(21GB)+nvfp4 TEが基準。速さ優先ならHyperFlow Flash GGUF Q4(9.1GB)。参照から作る8ステップ版が要るならFastH3 Omni int8(22.2GB)。
- 画像を16GBで: H3-Image w4a8(12.5GB)+nvfp4 TE+画像VAE。int8(21GB)との差は(78)の等倍切り出しで見える程度。
- 仕上げ: 動画の拡大はRelayVSR(5.2GB)が手軽。2Kへの描き直しはOpen-H3-Regenerate-2K(-IC)だが本体一式が要るので96GB向け。
- Mac 32GB: 動画はh3.c。画像はMLX/Metal版の報告が増えているが当方未実測。
- 様子見: pi-H3(重み待ち)、2ステップ版pDMD(16GBでの報告なし)。
7. (57)からの訂正
- FastH3について「参照からは対象外」と書いたが、FastH3 Omni(10月20日)が参照(画像・動画・音声)に対応していた。
- Open-H3-Regenerate-2K(10月26日・DL 92万)が表から抜けていた。
コメント