テンセント、思考型画像編集モデル「HunyuanImage 3.0-Instruct」をオープンソース公開

HunyuanImage 3.0-Instructは、テンセントがオープンソースとして公開した画像対画像（Image-to-Image）および画像編集モデルです。端的に言えば、自然言語の指示ひとつで画像を正確にレタッチしたり、複数の写真を違和感なく合成したりできます。

何ができるのか

従来の画像生成モデルは、ピンポイントな修正指示を正確に聞き分けるのが苦手でした。HunyuanImage 3.0-Instructは、指示追従性と画像推論能力に特化したファインチューニングが施されています。

1枚の画像編集では、要素の追加・削除・置換が自在に行えます。例えば皿の上のクロワッサンをラザニアに置き換えたり、人物や文字の細部を書き換えたりすることが可能です。さらに、白黒写真のカラー化、画角の変更（俯瞰視点への切り替えなど）、照明の調整といった高度な構図変更にも対応します。

複数画像の融合にも強みがあります。別々に撮影した人物やオブジェクトを抽出し、違和感のない1枚の集合写真や新画像にまとめ上げることができます。

思考してから描く仕組み

一般的な拡散モデルはプロンプトを受け取ると即座に描画を始めるため、変えたくない背景まで崩れてしまうことが日常茶飯事でした。HunyuanImage 3.0-Instructは、思考連鎖（Chain of Thought）をネイティブに内蔵しています。

画像と指示を入力すると、モデルはまず内容を観察し、どこを編集し、どの手順で手を加え、どの領域をそのまま残すべきかを内部で推論します。プロンプトを具体的な作業計画に落とし込んでから生成に入るため、指示通りの編集精度が格段に向上します。

IT之家によると、本モデルはMoE（混合エキスパート）構成を採用しており、総パラメータ数は80億（アクティブパラメータ約13億）とされていますが、一部のコミュニティ資料では800億規模とも言及されています。テンセントは80以上のタスクを網羅する数千万件規模の画像編集データを投入し、独自のMixGRPOアルゴリズムと報酬モデルを用いて人間の好みに合わせた後学習を行っています。

ハードウェア要件と試し方

モデル自体はオープンソース化されていますが、ローカル環境で動かすハードルは極めて高いです。モデル全体のファイルサイズは約169GBに達し、膨大なVRAMを要求するため、一般的な民生用GPUでは動作させることすら困難です。

十分なGPUリソースを持つチームであればオンプレミスの制作基盤として運用できますが、個人のユーザーやクリエイターが試すなら公式サービスを使うのが現実的です。現在、テンセントのアプリ「元宝」や混元の公式サイトで機能が提供されており、スタンプ作成やポスター制作、写真修復などを直接試すことができます。

なぜ重要か

オープンソースの画像生成界隈では、テキストからの高画質な生成に比べ、元画像の構造を保ちながら部分編集を行うツールの決定版が不足していました。

テンセントが編集プロセスに思考連鎖を組み込んだアプローチは、画像生成のコントロール性を大きく前進させるものです。169GBという巨大さゆえに個人のローカル利用には厳しい制限があるものの、プロの制作現場や自社サーバーを持つ開発者にとっては、商用APIに依存しない高精度な画像編集基盤として非常に魅力的な選択肢になります。