MiniMaxがH3-Imageをオープンソース化：4K直出力と16枚の参照画像編集に対応

MiniMax-H3-Imageは、MiniMaxがオープンソースとして公開した画像生成・編集モデルです。テキストからの画像生成と複数画像を参照した画像編集を単一のチェックポイントに統合しており、外付けのアップスケーラーを使わずに1600万画素の高解像度画像をネイティブ出力できる点が最大の特徴です。

現在のオープンソース画像モデルの多くは100万〜400万画素程度にとどまり、それ以上の解像度を得るには後段のアップスケーラーに頼るのが通例でした。H3-Imageは最初から1600万画素クラスの出力を前提に設計されており、1:1のアスペクト比なら4096×4096、21:9なら6272×2688を直接生成できます。実用的な生成範囲は400万〜2000万画素に及びます。

生成速度も大きく改善されています。わずか6ステップのサンプリングに蒸留されており、CFG（Classifier-Free Guidance）も不要なため、わずか6回のネットワーク評価で4K級の画像を生成できます。

何ができるのか

ネイティブな超高解像度出力に加え、強力なのがマルチ画像参照編集機能です。最大16枚の参照画像を同時に入力し、自然言語のプロンプトだけでそれらの関係性を指示できます。

公式のデモでは、何もない部屋の写真と9点の家具の画像を同時に与え、家具を自然に配置したリビングルームを1枚の画像として合成する例が示されています。また、2Dのゲームマップと位置を示す矢印を入力し、その地点から見た一人称視点の3Dゲーム画面を生成しつつ、隅に元のマップをミニマップとして残すといった高度な空間理解も可能です。

テキストレンダリング能力も高く、中国語と英語の文字を正確に描画できるほか、黒板に書かれた論理パズルを読み取って正しい解答を書き込むような推論を含む描画にも対応しています。

アーキテクチャと動作環境

H3-Imageは、同社の動画生成モデル「MiniMax H3」から派生したものです。音声ブランチを取り除き、中核となるDiffusion Transformer（DiT）の設計を継承しています。

DiTのパラメータ数は331億（33.1B）で、50層の単一ストリーム構造を持っています。テキストエンコーダーにはQwen3-VLを丸ごと流用し、DiTがその第50層の隠れ状態を読み取ります。画像VAEはCNNエンコーダーと24層のViTデコーダーで構成されています。

性能の代償として、ローカル運用のハードルは非常に高くなっています。DiTの重みだけで約66.28GB、テキストエンコーダーが66.7GBあり、全体を動かすには膨大なVRAMが必要です。公式はSGLangやvLLMを用い、4基以上のGPUでシーケンス並列（Ulysses）を行って推論することを推奨しています。DiffusersやComfyUI用のテンプレートも用意されています。

重みとコードはHugging Face上でMiniMax-H3-Image Community License Agreementのもとで公開されています。

なぜ重要か

商業デザイン、ゲームのアート制作、ECのビジュアル作成などを手がけるクリエイターにとって、H3-Imageはすぐに試す価値のあるモデルです。解像度不足によるアップスケールの手間と、複数の素材画像を違和感なく統合できないという、従来の画像生成の2大課題に正面から応えています。

一方で、330億パラメータを超える巨大な構成は、コンシューマー向けGPU単体でのローカル動作をほぼ受け付けません。当面はコミュニティによる量子化版を待つか、クラウドAPIやMiniMaxのWebサービス（海螺AI）経由で試すのが現実的です。それでも、オープンソースモデルが4Kネイティブ出力と高度な複数画像編集を単一モデルで実現した意義は小さくありません。