原題:MiniMaxAI/MiniMax-H3-Image
MiniMax が公開したオープンソースの画像生成・編集モデルで、MiniMax H3 ファミリーに属します。DiT は H3 アーキテクチャを採用しつつ音声レイヤーを削除しており、パラメータ数は 331 億、テキストエンコーダーは MiniMax-H3 のものをそのまま使用しています。同一のチェックポイントでテキストから画像生成が可能であり、1枚または複数の参照画像に基づく編集も可能です。公式によれば、最大 16 枚までの参照画像に対応しています。公式によれば、あらゆるアスペクト比において約 16 MP の画像を直接生成でき(1:1 は 4096×4096、21:9 は 6272×2688)、アップスケーラーは不要です。モデルは 6 ステップに蒸留されており、CFG は使用しません。モデルカードの例には、リアルな写真撮影、コンセプトデザイン、中国語・英語の論理問題解答ボードの文字レンダリング、白模渲染(ワイヤーフレーム/未テクスチャレンダリング)を映画のスチール画像に変換する処理、そして空部屋に9点の家具を追加し計10枚の参照画像からリビングルームを合成するケースが含まれています。
なぜ重要か アップスケーラーなしで約1600万画素を直接出力、6ステップでのサンプリング、最大16枚までの参照画像対応、主要な推論フレームワークおよび ComfyUI ですでにサポート済み
上昇スコア 471 · いいね数 476 · ダウンロード数 667
理由
- 公式によれば、オープンソースモデルの中で指示追従性能が最強です。短いプロンプトは、H3-Image-Context-IR(API)またはローカルデプロイ可能な MiniMax-H3-Image-PE を用いて完全な英語記述に拡張してから生成できます。
- デプロイパスが充実しています:SGLang、vLLM-Omni、diffusers、ComfyUI すべてに公式ドキュメントまたはテンプレートがあります。公式が列挙しているハードウェアには、H200、RTX PRO 6000 Blackwell、AMD MI350X が含まれます。
- モデルカードでは、ローカル SGLang と公式 API で同一プロンプトを用いて生成した画像の比較が示されており、そのまま実行可能なサンプルスクリプトも添付されています。
使い方
- hf download MiniMaxAI/MiniMax-H3-Image を実行し、さらに MiniMax-H3 リポジトリの text_encoder/ をダウンロードします。sglang serve または vllm serve --omni でサービスを開始し、テキストから画像生成のリクエストは /v1/images/generations へ、編集リクエストは /v1/images/edits へ送信します(参照画像はアップロード順にプロンプト内の <Picture 1>、<Picture 2> に対応します)。
- size は「幅x高さ」で指定し、公式は約 16 MP を推奨しています(例:4096x4096、5472x3072)。ステップ数は 6 のみ、guidance_scale は 1 のみサポートされ、ネガティブプロンプトは非対応です。
- プロンプトには完全な英語の画像記述を記載してください。短いプロンプトは MiniMax-H3-Image-PE を用いて拡張します。
- ComfyUI:Comfy-Org/MiniMax-H3-Image のパッケージ版を使用し、公式チュートリアルに従ってテキストから画像生成または編集のテンプレートを適用します。
リスク
- 容量が大きい:DiT の重みは約 66 GB、さらに MiniMax-H3 テキストエンコーダーとして約 67 GB 必要であり、データセンター級の大VRAM搭載GPUが必要です。
- MiniMax-H3-Image コミュニティライセンスで公開されていますが、ライセンス第4節に記載された状況では別途書面による許諾申請が必要となるため、商用利用前に条項を確認してください。
- 「オープンソースモデルの中で指示追従性能が最強」というのは公式の主張であり、モデルカードには第三者による評価は添付されていません。
- 本項目は未実行であり、効果はモデルカードを基準としてください。