MiniMax、16メガピクセル対応のオープンウェイト画像モデル「MiniMax-H3-Image」をリリース、編集機能を統合

MiniMaxは、高解像度画像生成および編集向けの新しいオープンウェイトモデル「MiniMax-H3-Image」をリリースしました。2026年11月10日に発表されたこのリリースは、テキストから画像への生成と参照に基づく編集を単一のアーキテクチャに統合することで、オープンソース視覚AIにおける重要な一歩を示しています。本モデルは、プロプライエタリなAPIに依存することなく、大規模な視覚出力に対して精密な制御を必要とする開発者やクリエイターを対象としています。

何が起きたか

MiniMaxチームは、H3ファミリーの一環として「MiniMax-H3-Image」を導入しました。従来の多くのオープンソースジェネレーターがテキストからの画像作成のみを重視していたのに対し、本モデルは生成と編集を一つのチェックポイントに統合しています。新規作成用のテキストプロンプトを受け付けるだけでなく、編集や複雑なシーン合成をガイドするために最大16枚の参照画像を処理できます。この二重機能により、ユーザーは異なる視覚タスク間でキャラクターやスタイルの一貫性を保ちながら、ワークフローを単一のシステム内に維持することが可能になります。

今回のリリースの特徴的な点は、高解像度出力に対するネイティブサポートです。本モデルは、正方形フォーマットで4096x4096ピクセル、ワイドシネマティック比率で6272x2688ピクセルなど、約16メガピクセルの画像を直接生成します。これは、他のパイプラインではアーティファクトの発生やディテールのぼけを引き起こしがちな、別個のアップスケーリングステージを必要としません。これらの次元をネイティブに処理することで、低解像度生成後に拡大した場合に通常失われる、繊細なテクスチャやリアルなライティングを保持します。

リリースには、展開および推論に関する詳細な仕様が含まれています。メインチェックポイントはBF16精度で68.65 GBあり、オプションのプロンプトエクパンダーモデルがさらに17.9 GBを追加します。チームは、SGLang、vLLM-Omni、diffusersなどの人気推論フレームワーク向けの統合ガイドを提供しました。また、ローカルハードウェアでホスト型APIの品質を再現する方法を示すサンプルスクリプトも共有しており、開発者がモデルを独立してテスト・展開できるようにしています。

仕組み

「MiniMax-H3-Image」は、音声処理レイヤーを除去したH3-Base設計に由来する拡散変換器（DiT）アーキテクチャに基づいて構築されています。コアエンジンには、50層の密な変換器レイヤーに配置された331億パラメータが含まれます。隠れサイズは5376、アテンションヘッド数は56であり、空間データと時間データを効率的に処理するために3Dマルチモーダル回転位置埋め込みを使用しています。この構造により、モデルはテキストと視覚情報を単一のストリームで処理し、ターゲット画像の潜在表現を直接予測できます。

入力パイプラインは、特定のエンコーダーを通じてテキストと視覚的手がかりを組み合わせています。テキストプロンプトは、より広範なMiniMax-H3スイートから変更されていないQwen3-VLテキストエンコーダーによって処理され、DiTは第50層から隠れ状態を読み取ります。参照画像は、CNNエンコーダーと24層の2D ViTデコーダーを特徴とするカスタム画像VAEを使用してエンコードされます。このVAEは空間次元を16倍にダウンサンプリングし、24の潜在チャネルを生み出します。その後、DiTは2x2のパッチサイズでこれらの潜在ベクトルをパッチ化するため、各変換器トークンは最終出力において32x32ピクセルの領域に対応します。

高速推論を実現するため、モデルはノイズ関数評価（NFEs）と呼ばれるわずか6回のサンプリングステップで済むように蒸留されています。分類器フリーガイダンス（Classifier-Free Guidance）なしで動作するため、サンプリングプロセスが簡素化され、計算オーバーヘッドが削減されます。重みはBF16精度で保存されますが、埋め込み、タイムステップ、出力レイヤーは安定性のためにFP32を使用しています。この構成により、モデルはNVIDIA H200やAMD Instinct MI350X GPUなど、さまざまなアクセラレーター上で動作可能であり、複数のデバイス間で負荷を分散するためのシーケンス並列化のオプションも備えています。

主要な詳細

• 解像度: アップスケーラーなしでネイティブ16メガピクセル画像（例：4096x4096）を生成。
• 速度: 分類器フリーガイダンス不要で、わずか6回のサンプリングステップに蒸留。
• アーキテクチャ: H3-Baseに基づく331億パラメータの拡散変換器。
• 入力: テキストから画像への生成および最大16枚の参照画像を用いた画像編集をサポート。
• サイズ: メインチェックポイントは68.65 GB、オプションのプロンプトエクパンダーは17.9 GB。
• ライセンス: MiniMax-H3-Imageコミュニティライセンス契約の下で公開。

なぜ重要なのか

クリエイティブツールを構築するソフトウェアエンジニアにとって、ネイティブ16メガピクセル生成への移行は、生産パイプラインにおける主要なボトルネックを取り除きます。従来のワークフローでは小さな画像を生成し、別個のアップスケーリングモデルに依存することが多く、これにより文字の可読性や細かいディテールが劣化する可能性があります。高解像度出力を直接生成することで、「MiniMax-H3-Image」は、ロジックパズルの小さなテキストや環境コンセプトの複雑なテクスチャなどが鮮明に保たれることを保証します。ポストプロセッシングによるアーティファクトで視覚的忠実性が損なわれてはならない専門的なアプリケーションにおいて、この信頼性は極めて重要です。

生成と編集に対する統一されたアプローチは、アプリケーションロジックも簡素化します。開発者は、新規アセットの作成と既存アセットの修正のために別々のモデルを維持する必要がなくなります。最大16枚の参照画像を取り込める能力により、部屋の家具配置や異なるシーン間でのキャラクターの一貫性維持など、複雑な合成タスクが可能になります。この柔軟性は、より洗練されたユーザーインタラクションをサポートし、クリエイターが手動介入を減らしつつ、より高い精度でデザインを反復検討することを可能にします。

さらに、オープンウェイトという性質により、チームは特定のハードウェア制約に合わせて推論を最適化できるようになります。vLLM-OmniやSGLangなどのフレームワークのサポートにより、エンジニアはシーケンス並列化を実装して、マルチGPUセットアップでの遅延を削減できます。計算コストを管理しながらユーザー需要に応えるためにサービスをスケールさせるには、このレベルの制御が不可欠です。MiniMaxが提供する詳細な展開レシピは参入障壁を下げるため、既存のプロダクトスタックへの迅速な統合が可能になります。

できること

• Hugging Faceから「MiniMax-H3-Image」チェックポイントとテキストエンコーダーをダウンロードし、モデルの重みを検査してください。
• 提供される展開スクリプトと設定ファイルを使用して、SGLangまたはvLLM-Omniでローカル推論をテストしてください。
• オプションの「MiniMax-H3-Image-PE」プロンプトエクパンダーを試験し、生成前に短いプロンプトを強化してください。
• リポジトリ内のサンプルPythonスクリプトを実行し、ローカル出力とホスト型MiniMax APIの結果を比較してください。
• マルチGPUシステムでシーケンス並列化を設定し、リアルタイム編集アプリケーションの遅延を最適化してください。
• 「MiniMax-H3-Image」コミュニティライセンス契約を確認し、意図した使用ケースとのコンプライアンスを確保してください。