Pruna AI が MiniMax-H3 でファインチューニングした画像モデル：テキストから画像生成と画像編集が同一パイプラインを共有し、8 ステップで CFG とネガティブプロンプトを使用せず、直接 800 メガピクセル（8 MP）の画像を出力します。画像編集では最大 8 枚の画像を入力でき、1 枚目が編集対象の画像で、残りは参考画像として扱われます（プロンプト内では Picture 2、Picture 3……と呼ばれます）。Qwen3.5-9B ベースのプロンプト拡張モデルが組み込まれており、デフォルトで有効です。一言の要望を、このモデルが最も得意とする完全なプロンプトに書き換え、画像編集時には「どこを変更し、何を保持するか」という形式に変換します。10 月 27 日にリポジトリを作成し、11 月 3 日に説明を更新しましたが、直近の 7 期間では収録されていません。
上昇スコア 106 · いいね数 109 · ダウンロード数 287
理由
- 「一言で高解像度の大きな画像を生成し、画像編集時に全体を描き直さない」というニーズに対応：作者は、写実的な写真、映画や雑誌のような雰囲気のある画像、および短い引用符付きテキストを含むグラフィックデザインが最も得意であると述べています。作者の比較図によれば、短い要望を直接入力するとしばしば全体を描き直してしまいますが、編集用プロンプトに拡張した後では指定部分のみを変更します。
- 公式情報によると、単一の B200、bf16、8 MP の設定で画像をそのままレンダリングする場合、約 9 秒かかり、ピーク VRAM は 83 GB です。拡張機能を有効にするとさらに 6–11 秒追加され、ピークは約 101 GB になります。構成要素は、33.1B パラメータのトランスフォーマー、4B のテキストエンコーダー、VAE、および拡張モデルで、bf16 で合計 100 GB です。
- 作者は同時に ComfyUI 版（PrunaAI/P-H3-Image-Comfy）も公開しており、ComfyUI の標準ノードのみを使用します。各コンポーネントには bf16、int8、w4a8 の 3 種類の精度があり、混在して使用できます：最小セットのダウンロードサイズは 20 GB で、8 MP 時のピーク VRAM は約 21 GB です。作者によれば、int8 と bf16 はほぼピクセル単位で一致しますが、w4a8 は細部を変更し、まれに構図も変更します。48 GB の L40S 上では、w4a8 で 2048×2048 の画像を約 6.3 秒で生成できます（bf16 はオフロードが必要で、約 19 秒かかります）。また、独自の MiniMax-H3 に適用可能な 2.0 GB の LoRA も添付されています。
使い方
- ComfyUI：まず
cd ComfyUI && git pullを実行して最新の master ブランチに更新します（安定版、デスクトップ版、および Comfy Cloud は次のリリースを待つ必要があります）。PrunaAI/P-H3-Image-Comfy から各コンポーネントのファイルを 1 つずつダウンロードし、ComfyUI/models の対応するディレクトリに配置します。workflows/ フォルダ内の p-h3-image_text_to_image.json または p-h3-image_edit.json を開き、一言の要望を入力して実行します。ワークフローは euler サンプラー、8 ステップ、CFG なしで構成されており、Load CLIP のタイプでは minimax を選択してください。 - diffusers：
pip install git+https://github.com/huggingface/diffusers，再用 ModularPipeline.from_pretrained('PrunaAI/P-H3-Image')に加えてload_components(dtype=torch.bfloat16)を使用します。image パラメータを渡すと画像編集となり、画像リストを渡すと複数画像の参考モードになります。80 GB の GPU では ComponentsManager の enable_auto_cpu_offload を使用し、公式によれば 8 MP 時のピーク VRAM は約 76 GB です。 - 解像度はカード内の 8 MP サイズ表に従います（デフォルトは 2912×2912 で、16:9 では 3872×2176 を使用）。画像編集には 4 または 8 MP を使用します。プロンプトを手動で記述する場合、最初の文で「これはどのような画像か」を明確にしてください（例：ストリート写真家が撮影した写真）。表示するテキストは引用符で囲み、
no other textで終わります。stunning、8k、masterpiece などの単語は避けてください（作者によれば、これらは油っぽく飽和しすぎた結果になります）。ダウンロードしたくない場合は、まず Space の PrunaAI/P-H3-Image で試すことができます。
リスク
- ライセンスは MiniMax H3 コミュニティライセンスです。MiniMax の追加許諾がない場合、EU、英国、韓国、米国は適用範囲外となり、これを基盤とする製品には「Powered by MiniMax H3」の表記が必要です。テキストエンコーダーのみの Qwen3-VL-4B の一部と拡張モデルは Apache-2.0 です。
- 作者が挙げた制限事項：プロンプトに敏感であり、誇張された形容詞や長すぎるプロンプトでは品質が低下します。手や背景の小さな人物が歪む可能性があります。小さな文字や密集した本文は依然として偽の文字列になります。2–4 MP では顔、手、細部のエラーが増えます。出力は単一の画像のみで、動画や音声は生成されません。本欄ではサンプル画像を確認していません。
- 参入障壁は低くありません：diffusers 原版では 8 MP で約 101 GB の VRAM が必要で（拡張機能を無効化すると約 83 GB）、ComfyUI 版は現在開発版でのみ利用可能です。int8 / w4a8 は comfy-kitchen の INT8 カーネルに依存し、NVIDIA Ampere 以上または AMD RDNA3/4 が必要です。速度と画質の比較データはすべて作者自身のものです。