Models - MiniMax API Docs
出典: platform.minimax.io

MiniMaxは11月11日、画像生成・編集モデル「MiniMax-H3-Image」の学習済みパラメータである重みを公開しました。約1600万画素の画像を、拡大用のアップスケーラーを使わずに直接生成でき、テキストからの生成と参照画像を使った編集を1つのモデルで扱います。

重みはAIモデルの共有サービス「Hugging Face」からダウンロードできます。独自のライセンスに基づき日本では無償で利用できますが、売上規模やサービスの提供方法に応じて事前の書面許諾が必要です。

約1600万画素を生成し、最大16枚の参照画像で編集

MiniMax-H3-Imageは、動画生成モデル「MiniMax H3」から派生しました。出力サイズは正方形の4096×4096画素から、縦横比21:9の6272×2688画素まで対応し、画像編集では最大16枚の参照画像を入力できます。

高解像度化には、小さな画像を生成してから拡大する方法もあります。例えば、画像生成AIを操作する「Stable Diffusion Web UI」の高解像度補助機能「Hires. fix」は、画像の圧縮表現を拡大して再生成する仕組みで、設定によって細部だけでなく構図も変化します。MiniMax-H3-Imageは、約1600万画素の出力にこうした拡大工程を必要としません。

MiniMaxは、緻密なディテールや実物に近い表現に加え、公開モデルの中で最も高い指示追従性能を持つとしています。生成と編集の両方に同じ重みを使い、テキストの指示と参照画像を入力として処理します。

商用利用と外部サービス提供に個別の条件

適用されるのは「MiniMax-H3-Image Community License Agreement」です。許諾地域はEU、英国、韓国、米国を除く全世界で、日本を含む対象地域では無償利用と原則としての商用利用が認められています。

ただし、利用者と関連会社の年換算売上高が100万ドル（約1億6,000万円）を超える場合は、MiniMaxから事前に書面で許諾を得る必要があります。第三者にAPIやWeb経由でモデルの機能を提供するホステッドサービスを運営する場合も、同様に書面許諾が必要です。

商用の製品やサービスでは、操作画面に「MiniMax-H3-Image」と表示する義務があります。また、生成画像などの出力をほかのAIモデルの改善に使うことは、商用・非商用を問わず禁止されています。

6ステップの生成とCFGの省略

モデルの中核は、MiniMax H3から音声関連の層を取り除いた拡散Transformer「DiT」です。DiTのパラメータ数は331億で、テキストや参照画像を読み取るテキストエンコーダには、MiniMax H3のQwen3-VLベースのものをそのまま使います。

生成処理は、学習済みモデルの出力を少ない処理回数で再現する「蒸留」により、6ステップに抑えています。また、指示などの条件がある場合とない場合の予測を組み合わせる「Classifier-Free Guidance（CFG）」を使いません。MiniMaxは、これらによって約1600万画素の生成にかかる計算コストを実用的な範囲に収めたとしています。

CFGでは通常、各生成ステップで条件付き・条件なしの両方の予測を計算します。蒸留には、その組み合わせた出力を単一モデルに学習させ、さらに生成ステップ数を減らす手法があり、MiniMax-H3-Imageが採用する少ステップ化とCFG省略に関連する技術です。

本体68.65GBに加え、テキストエンコーダも必要

モデル本体はBF16形式で提供され、ファイルサイズは68.65GBです。加えて、MiniMax H3のリポジトリから66.7GBのテキストエンコーダを取得する必要があります。すでに同じエンコーダを持っている場合は、再ダウンロードせずに利用できます。

ローカル環境でモデルを動かすソフトウェアは、SGLang、vLLM-Omni、diffusers、ComfyUIに対応しています。対応GPUにはNVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xなどが含まれます。このうちMI350Xは、288GBのHBM3Eメモリを搭載するサーバー向けGPUです。

短い指示を詳しくする補助モデルも公開

MiniMax-H3-Imageは、画像全体を詳しく記述した英語の指示文を入力として想定しています。MiniMaxのAPIでは、任意の言語による短い指示を生成前に詳しい説明へ展開します。

ローカル環境向けには、任意で導入できる指示文拡張モデル「MiniMax-H3-Image-PE」も公開されています。短い依頼を画像の詳しい説明に書き換え、推奨する縦横比も出力します。配布サイズはNVFP4形式で17.9GBです。

テキストからの画像生成向けには、補助モデルの重みや指示文、実行例が提供されています。一方、画像編集向けの指示文拡張は開発中で、今回の公開対象は、別途用意する画像と言語を扱うモデルに渡すための指示文と入力の組み立て例です。