MiniMax、画像生成モデル「MiniMax-H3-Image」を公開

MiniMaxは、テキストからの画像生成と画像編集に対応するオープンソースモデル「MiniMax-H3-Image」を公開しました。テキスト指示と1枚以上の参照画像を、単一のチェックポイントで受け付けます。MiniMaxによると、指示に沿った生成ができ、最大16枚の参照画像に対応します。アップスケーラーを使わず、縦横比1:1の4096×4096から21:9の6272×2688まで、約1,600万画素の画像を生成します。実用範囲は約400万〜2,000万画素で、一般に約1,600万画素で最良の結果が得られるとしています。

モデルはサンプリング6回に蒸留され、Classifier-Free Guidanceなしで動作します。画像を反復的にノイズ除去して生成するニューラルネットワークである拡散トランスフォーマーは、音声層を取り除いたH3アーキテクチャを採用し、MiniMax-H3のテキストエンコーダーは変更されていません。モデルは331億パラメーター、50層、隠れ層の幅5376、アテンションヘッド56個、フィードフォワードネットワークのサイズ14336で構成されます。重みにはBF16を使い、埋め込み、タイムステップ、出力層にはFP32を使います。

MiniMaxは、速度、画質、指示への追従性を組み合わせたモデルだと説明しています。約1,600万画素の出力は、同社が一般的とする100万〜400万画素の画像より細部を表現しつつ、計算コストを抑えるとしています。また、オープンソースモデルの中でも高い写実性と指示追従性を持つと主張していますが、比較を数値で示すベンチマークスコアは掲載されていません。

画像の表現を符号化・復号するVAEは、CNNエンコーダーと24層の2次元ViTデコーダーを組み合わせ、空間方向に16倍縮小し、24個の潜在チャネルを使います。トランスフォーマーは指示文と画像のトークンをまとめて処理し、目標画像の表現を予測した後、VAEが画像に復号します。リポジトリーによると、主要なBF16モデルの容量は68.65GBで、任意で使える指示文拡張モデル「MiniMax-H3-Image-PE」は17.9GBです。

利用者はMiniMaxのAPIやアプリからモデルを使えるほか、SGLang、vLLM-Omni、diffusers、LightX2V、ComfyUIを使ってローカル環境に導入できます。ページには1基のGPUで動かす例と、シーケンス並列化を使う低遅延の4基構成が記載されています。NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xを含む、NVIDIAとAMDのアクセラレーターに対応します。テキストからの画像生成と編集には別々のAPIエンドポイントがあり、編集では1枚以上の参照画像をアップロードできます。画像をアップロードした順番で、指示文内のラベルが決まります。

指示文は最大4096トークンです。生成時の推論ステップ数は6、ガイダンススケールは1に固定され、どちらかに別の値を指定するとHTTP 400が返り、ネガティブプロンプトは使えません。生成領域の最小値は任意で1024〜16,777,216ピクセルに設定でき、初期値は4,194,304ピクセル（2048×2048）です。モデルは詳しい英語の説明文を想定していますが、MiniMaxのAPIは生成前に任意の言語の短い指示文を拡張でき、指示文拡張モデルはローカルにも導入できます。モデルはMiniMax-H3-Image Community License Agreementで公開されました。Hugging Faceの表示によると、過去1カ月のダウンロード数は142,989件です。

MiniMaxは、テキストからの画像生成と画像編集に対応するオープンソースモデル「MiniMax-H3-Image」を公開しました。テキスト指示と1枚以上の参照画像を、単一のチェックポイントで受け付けます。MiniMaxによると、指示に沿った生成ができ、最大16枚の参照画像に対応します。アップスケーラーを使わず、縦横比1:1の4096×4096から21:9の6272×2688まで、約1,600万画素の画像を生成します。実用範囲は約400万〜2,000万画素で、一般に約1,600万画素で最良の結果が得られるとしています。

モデルはサンプリング6回に蒸留され、Classifier-Free Guidanceなしで動作します。画像を反復的にノイズ除去して生成するニューラルネットワークである拡散トランスフォーマーは、音声層を取り除いたH3アーキテクチャを採用し、MiniMax-H3のテキストエンコーダーは変更されていません。モデルは331億パラメーター、50層、隠れ層の幅5376、アテンションヘッド56個、フィードフォワードネットワークのサイズ14336で構成されます。重みにはBF16を使い、埋め込み、タイムステップ、出力層にはFP32を使います。

MiniMaxは、速度、画質、指示への追従性を組み合わせたモデルだと説明しています。約1,600万画素の出力は、同社が一般的とする100万〜400万画素の画像より細部を表現しつつ、計算コストを抑えるとしています。また、オープンソースモデルの中でも高い写実性と指示追従性を持つと主張していますが、比較を数値で示すベンチマークスコアは掲載されていません。

画像の表現を符号化・復号するVAEは、CNNエンコーダーと24層の2次元ViTデコーダーを組み合わせ、空間方向に16倍縮小し、24個の潜在チャネルを使います。トランスフォーマーは指示文と画像のトークンをまとめて処理し、目標画像の表現を予測した後、VAEが画像に復号します。リポジトリーによると、主要なBF16モデルの容量は68.65GBで、任意で使える指示文拡張モデル「MiniMax-H3-Image-PE」は17.9GBです。

利用者はMiniMaxのAPIやアプリからモデルを使えるほか、SGLang、vLLM-Omni、diffusers、LightX2V、ComfyUIを使ってローカル環境に導入できます。ページには1基のGPUで動かす例と、シーケンス並列化を使う低遅延の4基構成が記載されています。NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xを含む、NVIDIAとAMDのアクセラレーターに対応します。テキストからの画像生成と編集には別々のAPIエンドポイントがあり、編集では1枚以上の参照画像をアップロードできます。画像をアップロードした順番で、指示文内のラベルが決まります。

指示文は最大4096トークンです。生成時の推論ステップ数は6、ガイダンススケールは1に固定され、どちらかに別の値を指定するとHTTP 400が返り、ネガティブプロンプトは使えません。生成領域の最小値は任意で1024〜16,777,216ピクセルに設定でき、初期値は4,194,304ピクセル（2048×2048）です。モデルは詳しい英語の説明文を想定していますが、MiniMaxのAPIは生成前に任意の言語の短い指示文を拡張でき、指示文拡張モデルはローカルにも導入できます。モデルはMiniMax-H3-Image Community License Agreementで公開されました。Hugging Faceの表示によると、過去1カ月のダウンロード数は142,989件です。