MiniMax H3-Imageの重みが公開、16メガピクセルをアップスケールなしで直接生成。ただしライセンスは米国・EU・英国・韓国を対象から外した

まず初めに

「オープンウェイト公開」の見出しは軽やかだが、ダウンロードの実寸は本体68.65GBと、別置きのテキストエンコーダ66.7GB。合計は優に130GBを超える。おまけにライセンスの地図を見ると、米国とEUと英国と韓国がすっぽり抜けている。重みは開いたが、世界は開いていない。モデルの性能うんぬんの前に、「どこで、誰が、何GB持てば使えるのか」という物理と法務の話が先に立つ、現代的な公開の形である。

※個人の感想です

モデルの中身

Hugging Faceのモデルカードによると、H3-Imageの拡散トランスフォーマは33.1Bパラメータ、50層の密な単一ストリーム構成で、テキストエンコーダにはMiniMax H3のQwen3-VLをそのまま使います。生成できる画像は約16メガピクセルで、4096×4096（1:1）から6272×2688（21:9）まで、任意の比率に対応し、アップスケーラを介さず直接生成します。サンプリングは6ステップに蒸留され、分類器フリーガイダンス（CFG）は使いません。画像編集にも対応し、参照画像は最大16枚です。実行基盤は、Diffusers、SGLang、vLLM-Omni、ComfyUI、LightX2Vが挙げられています。

重みの実寸——「本体」と「全部」は違う

公開されている重みの内訳は、次のとおりです。

構成要素	容量	備考
H3-Image本体（DiT、BF16）	68.65GB	テキスト生成と画像編集
テキストエンコーダ	66.7GB	別リポジトリ（MiniMax-H3側）。本体に含まれない
H3-Image-PE（任意）	17.9GB	プロンプト拡張器。NVFP4版

つまり、本体だけを落としても動きません。実用には130GB超のダウンロードと、それを載せるGPUメモリが要ります。公式ブログは、4K（4096×4096）の画像を10秒未満で生成できること、主流の代替手段と比べて最大5倍高速であること、APIの価格が同等の主流サービスの50〜70%であることを主張しています。ただし二次報道（XenoSpectrum）は、公式の比較条件によっては4K生成が10秒を超えるケースがあると指摘しています。「10秒」は測定条件が明示されていないベンダーの主張として読むのが適切です。

画像編集と参照画像

H3-Imageは、文章からの新規生成だけでなく、画像編集にも対応しています。モデルカードによると、参照画像は最大16枚まで入力でき、人物や物体の一貫性を保ったままの編集や、複数要素の合成のような使い方が想定されています。任意で追加できるプロンプト拡張器（H3-Image-PE、17.9GB）は、短い指示文を生成向けの詳細なプロンプトへ書き換えるための部品です。公式ブログは、APIで使う場合の価格が同等の主流サービスの50〜70%で、ローンチ週は4K以上の生成リクエストが50%オフになる、と案内しています。重みを使う場合とAPIを使う場合では、コストの形もライセンスの効き方も変わるため、どちらの経路で使うかを先に決めてから条件を確認してください。

ライセンスの地図

ライセンスはMiniMax Community Licenseです。特徴は適用地域の線引きで、米国、EU、英国、韓国が対象から外されています。日本は除外地域に入っておらず、日本の利用者はこの線引きには引っかかりません。もう1つの条件が収益基準で、年間収益（関連会社を含む）が100万ドルを超える事業者は、利用に事前の書面許可が必要です。商用利用を考える場合は、地域と収益の2つの条件を先に確認してください。

導入前に確認すべき条件

日本で使う場合に、先に確認すべき条件を整理します。

観点	内容
ライセンスの地域	米国・EU・英国・韓国は対象外。日本は対象に含まれる
ライセンスの収益条件	年間収益（関連会社を含む）100万ドル超は事前の書面許可が必要
ダウンロード容量	本体68.65GB＋テキストエンコーダ66.7GB（任意のプロンプト拡張器は17.9GB）
実行環境	Diffusers、SGLang、vLLM-Omni、ComfyUI、LightX2Vに対応
速度の主張	公式は4K生成10秒未満を主張。二次報道は条件により超えるケースを指摘

特に容量は、本体だけを見て見積もると不足します。テキストエンコーダが別リポジトリに分かれている構成は珍しくないものの、合計130GB超という数字は、個人の検証環境では「落とす前に置き場を決める」水準です。

IT Postの見方——「オープン」の定義が、重さと地図で書き換わる

IT Postでは、H3-Imageは性能の話と同じくらい、「オープンウェイト」という言葉の意味を考えさせる公開だと考えます。重みは誰でも落とせる。だが動かすには130GB超と大容量のGPUが要り、住んでいる場所によってはライセンスの外側にいる。公開の門は開いているのに、門前の坂が急で、門の住所に制限がある、という状態です。それでも、16メガピクセルを直接生成する画像モデルが、検証可能な重みの形で出てきた意味は小さくない。再現実験も、ライセンスの線引きへの議論も、重みがあるからこそ始まります。正式なベンチマーク比較や第三者の実測が出そろうまでは、「速い」という主張は公式の言い分として割り引いて読むのが安全です。

今後どうなりそうか

確認点は、第三者による速度と品質の実測、量子化版など軽量な配布の有無、ライセンス条件の運用の続報です。新しい公式発表や実測が確認できれば、本記事を更新します。導入を検討する場合は、まずライセンスの適用地域と収益条件を確認し、次にテキストエンコーダを含む総容量で実行環境を見積もってください。API経路で試す場合は、ローンチ週の割引条件を含め、公式の価格案内が最新かどうかを都度確認してください。