MiniMax H3 Image公開:初日から重みとAPIを提供、4K生成は10〜20秒と報道 導入前に評価基準を先に決める
新智元の2026年11月10日の報道によると、MiniMaxは画像モデルH3 Imageを公開し、初日から重みを公開すると同時にAPIも提供した。報道では4096×4096の直接生成、最大16枚の参照画像、7500文字のプロンプトに対応するとされる。重みのライセンス、パラメータ数、配備要件は報じられておらず、このバージョンはKimiSeekの現行カタログにも含まれていない。
主な変更
新智元の2026年11月10日の報道によると、MiniMaxは画像生成モデルH3 Imageを公開し、公開当日に重みを公開すると同時にAPIも提供、自社のMiniMax Code、MiniMaxオープンプラットフォーム、海螺AIにも組み込んだ。報道が挙げた仕様は、4096×4096画像の直接生成、最大16枚の参照画像の受け付け、プロンプト上限7500文字。公式の位置づけはオープンソース画像モデルのSOTAで、総合効果は世界の第一梯队とされる。報道はこの版がオープンソース、高解像度、速度を柱とし、指示追従能力を特に注目すべき点として単独で挙げている。速度については、4K出図に約10〜20秒かかると報じ、主流モデルは多くが100万〜400万画素で分単位、最速でも50秒程度と比較している。報道はさらに複数のブロガーの試用所感を伝えている。1枚の写真から4Kのキャラクター設定図一式を生成する、旧ゲームのスクリーンショットを3A品質に描き直す、大きな文字のポスター組版は比較的安定するが小さい文字は時に誤る、といった内容だ。ブロガーがCAD風の図や機械の分解図を生成させたことにも触れているが、分解図への明確な評価は示していない。手話ジェスチャーについては、第三者の統計としてH3 Imageの正解率48.1%、比較モデルのMossが20.0%とする数字を伝えている。報道はまた、MiniMaxが3か月前に動画モデルH3をオープンソース化し、NVIDIAの研究チーム、Pika、falがそれを基に派生モデルを再学習したことにも言及している。
開発者への影響
導入する側にとって、この報道は少なくとも3つの判断材料を変える。以下は報道内容に基づく条件付きの分析であり、検証済みの結論ではない。第一は出力解像度だ。ネイティブの4096×4096により、「低解像度で生成してから超解像・結合する」既存の流れに代替経路が生まれるが、代替が割に合うかは成果物が本当にその画素数を必要とするか次第だ。Webやフィードのみの用途では、増えるのは主に出図時間とストレージ費用になる。第二は応答時間だ。報道は4K出図を10〜20秒の範囲に置き、主流モデルは分単位か約50秒としている。この前提が実負荷で成り立つなら、対話的な修正の待ち体験は明らかに変わる。ただし報道は並列度、待ち行列、失敗率を示しておらず、1枚あたりの時間をそのまま容量計画に換算することはできない。第三は入力方式だ。16枚の参照画像と7500文字のプロンプトは、画像間の一貫性をマルチ画像条件付けに任せられ、事前にローカルで画像を合成しなくて済むことを意味する。代償はリクエスト本体が大きくなり、プロンプト保守のコストが製品側に移ることだ。重みの公開とAPIの公開が同日に登場したことは、表向きには2つの配備経路を与える。しかし報道はライセンス契約、重みの形式、VRAM使用量、推論フレームワークを明らかにしておらず、現時点で確定しているのは呼び出し経路が存在することだけで、ローカル自前ホスティングの実現性は未知数のままだ。画像内文字、手話ジェスチャー、CAD風の図に関する報道中の性能は、ブロガーの試用と伝聞の第三者統計に由来し、自前で試すべき能力主張であって、再現可能な評価結論ではない。
導入と評価の提案
以下は条件付きの提案と評価手順であり、報道内容に基づく判断であって報道の事実ではない。規則1、超解像段階を省くか。対応する報道の変化はネイティブ4096×4096出力だ。選ぶべきは「低解像度生成+超解像」を残すか、ネイティブ4Kに切り替えるか。前提条件は成果物が100%拡大での細部を必要とするか、例えば印刷、大判トリミング、EC主画像の部分拡大などだ。測り方は同じ30本のプロンプトを両方のパイプラインに通し、100%縮小表示で文字の輪郭と幾何学的な直線を抜き取り確認し、作り直しが必要な割合と超解像の継ぎ目が出る率を記録する。ネイティブ経路のやり直し率が明らかに低い場合にのみ切り替える。規則2、同期待ちか非同期キューか。対応する報道の変化は4K出図に約10〜20秒かかるという説だ。選ぶべきは生成をユーザーリクエスト内で待たせるか、キューとコールバックにするか。前提条件は目標並列度、許容できる待ち時間、そしてベンダー側の並列度・タイムアウト制限だが、報道はこれらを示していない。測り方は目標並列度でエンドツーエンドのp95時間(待ち行列を含む)とタイムアウト失敗率を測り、自社のサービス水準と比較する。規則3、複数参照画像の経路をどう使うか。対応する報道の変化は16枚の参照画像と7500文字のプロンプトだ。選ぶべきは複数素材を1枚の入力画像に合成し続けるか、マルチ画像条件付けに切り替えるか。前提条件はタスクが画像間の一貫性を要求するか、例えば同一キャラクターの多視点設定、同一製品の多角度展示などだ。測り方は同一キャラクター設定を固定し、参照1枚と8枚でそれぞれ同数の異なる構図を生成し、自前の一貫性チェックで合格率を集計し、同時に1リクエストの所要時間と再試行率を記録する。規則4、候補プールに入れるか。対応する報道の変化は指示追従能力に関する記述とブロガーのテストだ。選ぶべきは画像内文字やCAD風の図のような強い制約のあるタスクを任せるか。前提条件はタスクに一字一句正しくなければならない文字列があるか、例えばポスターのコピー、パラメータのラベルなどだ。測り方は固定文字列と組版制約を含む20〜30本のプロンプトを用意して文字単位で照合し、完全正解率を集計する。報道が伝える48.1%と20.0%は方法が不明で、基準値にはできない。
制限と未確認事項
報道はH3 Imageの重みのライセンス契約、パラメータ数、重みの形式、VRAM使用量、推論フレームワークを示しておらず、APIの価格と割り当ても示していない。これらはMiniMaxの公式チャネルに従うべきで、価格と課金方式は公式の価格ページを参照されたい。明確にすべきは、H3 Imageは現在KimiSeekのリアルタイムモデルカタログに含まれていないという点だ。前述のAPI公開はベンダーのチャネルを指し、当サイトがこのモデルを提供していることを意味しない。公開当日の重み公開もオープンソースライセンスと同義ではない。重みが入手可能であることと、商用利用や再配布が可能であることは別問題であり、報道は前者しか述べていない。速度比較(10〜20秒対約50秒)と手話の48.1%、20.0%はいずれも報道が伝えた前提に由来し、テスト方法、サンプル数、ハードウェア環境は示されておらず、独立に再現できない。また、H3 Imageは画像モデルであり、以前オープンソース化された同名の動画モデルH3とは別のモデルで、パラメータ、ライセンス、能力を相互に引用することはできない。報道冒頭で触れられた他の製品とそのタイムラインは同報道の物語的な背景であり、ここでは伝聞として記すのみで、確認は行っていない。