MiniMax H3-Imageとは？4K画像を10秒生成、LMArena編集部門オープン首位

MiniMax H3-Image（ミニマックス・エイチスリー・イメージ）は、MiniMaxが2026年11月11日に公開したオープンウェイトの画像生成・編集モデルで、テキストからの画像生成と参照画像を使った編集を1つのチェックポイントで担います。4K（4096×4096、約16メガピクセル）の画像を10秒未満で生成でき、最大16枚の参照画像を扱えるのが特徴です。

室谷代表取締役

MiniMax H3-Image、かなり攻めたスペックで出てきましたね。4Kを10秒未満ですよ。

しかもオープンウェイト。これは単なる新モデル追加の話じゃなくて、画像生成の実務フローが変わる可能性があるんですよね。

テキトー教師DotAI 認定講師

そうなんですよ。しかもLMArenaのマルチ画像編集部門でオープン模型1位ですからね。

総合でも11位で、トップ20に入っているオープン模型はこれだけという。単に「速い」だけの話じゃないんですよ。

MiniMax H3-Imageとは？何ができるモデルか

室谷代表取締役

まず基本の定義から整理しておきたいんですけど、H3-ImageはMiniMaxのH3ファミリーに連なる画像生成・編集モデルで、生成と編集が1つのチェックポイントに統合されているんですよね。公式のモデルカードでも「Generation and editing are unified in one checkpoint」と明記されています。

テキトー教師DotAI 認定講師

そこがまず重要なポイントです。従来は「生成モデル」と「編集モデル」を別々に用意するか、編集はプロプライエタリのAPIに頼るかという選択になりがちでした。

それが1つのモデルで、テキストからの生成（Text-to-Image）と、1枚〜複数の参照画像を使った編集（Image Editing）の両方を担う。講座でも受講生さんから「結局どれを土台にすればいいのか」という質問がよく出るんですが、こういう統合型が出てくると整理がしやすくなります。

室谷代表取締役

アーキテクチャの話も面白いんですよ。H3-Baseの設計から音声ブランチを外した構成で、テキストエンコーダはMiniMax-H3のQwen3-VLテキストエンコーダをそのまま使っている。

DiTは33.1Bパラメータの密な単一ストリームトランスフォーマーで50層。重みはBF16で、埋め込み・タイムステップ・出力層がFP32という構成です。

テキトー教師DotAI 認定講師

さらに蒸留でサンプリングステップを6回（6 NFEs）まで減らしていて、classifier-free guidanceも使わない設計になっています。APIのリクエストパラメータでもnum_inference_stepsは「省略または6」、guidance_scaleは「省略または1」以外を送るとHTTP 400が返る仕様です。

ここは実際にAPIを叩くときにハマりやすいポイントなので覚えておきたいところです。

室谷代表取締役

あと地味にすごいのが、参照画像が最大16枚という点で。モデルカードのShowcaseでは、空の部屋と9点の家具を合成して1つのリビングに仕上げる作例が紹介されています。

MYUUUでも商品画像の合成なんかで参照画像を複数使いたい場面があるので、16枚まで入るのは実務的に効いてきますね。

テキトー教師DotAI 認定講師

指示追従についても、公式ブログで「state-of-the-art prompt adherence among open-weight models」、つまりオープンウェイト模型の中では最先端だと主張しています。ここは主張ベースなので、実際の用途でどこまで効くかは検証したいところです。

MiniMax H3-Imageの生成速度と解像度――4K・約16MPを10秒で

室谷代表取締役

スペックの核心部分を数字で確認しておきましょう。公式ブログでは、4K（4096×4096）のフル解像度画像を10秒未満で生成し、主流の選択肢と比べて最大5倍速いとされています。

テキトー教師DotAI 認定講師

速度についてはモード別の数字も出ていて、Standardモードが主流比1.5〜2倍、Highspeedモードが3〜4倍。APIのドキュメントにも高速版のMiniMax-H3-Image-Highspeedが用意されていて、パラメータと制限は通常版と同じで、modelにHighspeedを指定する形です。

室谷代表取締役

解像度の設計がまた面白くて。出力は約16メガピクセルで、アスペクト比は4096×4096（1:1）から6272×2688（21:9）まで、アップスケーラーなしで直接生成するんですよね。

モデルカードには16MP級のサイズ表が載っていて、4:3なら4736×3552、16:9なら5472×3072、21:9なら6272×2688というラインナップです。

テキトー教師DotAI 認定講師

ここは整理しておきたいです。実効的なワークレンジは約4MPから20MPで、16MP前後が最も良い結果が出るとされています。

API側では出力サイズの指定方法が2通りあって、aspect_ratioとarea（1K/2K/4K）の組み合わせか、sizeにWIDTHxHEIGHTを直接書くか。両方を同時に指定すると400が返るので注意が必要です。

室谷代表取締役

面積の下限上限も決まっていて、655,360〜20,000,000ピクセルの範囲、アスペクト比は1:3〜3:1の範囲内でないと400になる。勝手にスケールしたり丸めたりはしない仕様なので、指定したサイズがそのまま返ってくるのは実務ではありがたいですね。

テキトー教師DotAI 認定講師

あとmin_generation_areaというパラメータもあって、デフォルトが4194304（2048×2048）です。これより小さいサイズを指定すると、同じアスペクト比の大きいキャンバスで生成してLANCZOSで縮小して返す仕組みになっています。

完全にオフにしたいときは1024を渡す。小さいサイズの品質を保つための工夫なんですよね。

室谷代表取締役

生成速度の主張はLMArena側のスレッドにもあって、「2K画像編集でNano Banana 2.1より3倍速く、2K編集で10〜15秒」とラボが報告した形で紹介されています。速度と解像度と品質を同時に立ててきたのが今回の売りなんですよね。

LMArenaでオープン模型1位――編集・生成それぞれの評価

室谷代表取締役

ここが今回のニュースの客観的な裏付けになる部分です。LMArenaのスレッドによると、MiniMax H3-ImageはMulti-Image Edit Arenaでスコア1365、総合11位でオープン模型1位。

Nano Banana 2とNano Banana Proと同点で、トップ20に入っている唯一のオープン模型とされています。

テキトー教師DotAI 認定講師

部門ごとに見ていくと、Single-Image Editではスコア1359でオープン2位（Qwen-Image-2.1と同点）、Text-to-Imageではスコア1197でオープン3位（Ideogram 4.0と同点）という結果です。マルチ画像編集で特に強い、というのが現時点の評価なんですね。

室谷代表取締役

LMArenaのスレッドは「Open weights are starting to close the gap towards the frontier」、つまりオープンウェイトがフロンティアとの差を縮め始めている、という総括で締められています。これはMiniMax自身がブログで「オープンウェイト画像モデルと主要なプロプライエタリモデルの差を縮めたい」と書いているのと呼応していますね。

テキトー教師DotAI 認定講師

ただし注意点もあって、このリーダーボードはユーザー投票による比較評価です。ベンチマークのスコアがそのまま実務の品質を保証するわけではありません。

比較対象として名前が挙がっているモデルの詳細スペックは今回の資料には記載がないので、そこは数字で優劣を語らないようにしたいところです。

室谷代表取締役

そうなんですよね。あくまで「編集タスクでオープン勢がここまで来た」という事実として受け取るのが正確で。

総合11位というのは、上位にプロプライエタリが並ぶ中での位置づけだという理解でいいと思います。

MiniMax H3-Imageの使い方・始め方――API、Hailuo AI、Hugging Faceでの入手

室谷代表取締役

入手経路は大きく3つです。API、MiniMax Code、Hailuo AI。

それに加えてHugging Faceで重みが公開されていて、ローカル展開も可能になっています。

テキトー教師DotAI 認定講師

まずAPIですが、テキストからの生成がPOST /v1/images/generations、画像編集がPOST /v1/images/editsで、どちらも同期エンドポイントです。stream: trueを有効にすると、SSEで画像ができた順にプッシュされます。

このときresponse_formatはurlのみ対応で、どの画像かはimage_indexで識別する形です。

室谷代表取締役

編集のほうは参照画像をimages[].image_urlで渡すんですが、公開URL、mm_file://{file_id}、data:image/<format>;base64,<Base64>のデータURIが使える。OpenAI SDKのimages.editでmultipart/form-dataとして直接アップロードもできて、その場合はアップロード順がPicture番号になる仕組みです。

テキトー教師DotAI 認定講師

参照画像の制限も細かく決まっていて、フォーマットはJPG、JPEG、PNG、WEBP、HEIC、HEIF。1ファイル64MiB以下、幅と高さが128〜8192px、アスペクト比は長辺/短辺で4:1以下、枚数は1〜16枚。

リクエストボディ全体で64MiB以下という制約があります。Base64は元ファイルの約4/3になるので、超えそうなら公開URLかmm_file://を使うのが実務的です。

室谷代表取締役

プロンプト拡張の扱いも知っておきたいところです。テキストからの生成ではデフォルトでプロンプト拡張がかかって、disable_prompt_enhanced: trueでオフにできる。

オフにする場合は幅と高さ、または固定のaspect_ratioが必須になります。画像編集では常にプロンプト拡張がかかる仕様です。

テキトー教師DotAI 認定講師

実際に使われたプロンプトはdata[].revised_promptで返ってくるので、これを編集して新しいリクエストのプロンプトとして送り、disable_prompt_enhanced: trueを付ければ微調整ができる。あるいはH3-Image-Context-IRエンドポイントを単体で呼んで、画像生成なしで拡張済みプロンプトだけ取得することもできます。

このエンドポイントはMiniMax-H3-Imageのみ対応です。

室谷代表取締役

ローカルで動かす場合はHugging Faceから重みを取ってくる形で、推論フレームワークはSGLang、vLLM-Omni、diffusers、LightX2V、ComfyUIに対応しています。ComfyUIはT2IテンプレートとEditテンプレートが用意されているので、ワークフローに組み込みたい人はそこから始めるのが早いですね。

Hugging Faceの基礎はHugging Faceとは？できること・料金・商用利用とNVIDIA買収の現在でも解説しています。

テキトー教師DotAI 認定講師

ダウンロードの中身も整理しておくと、transformerが66.28GB（BF16、埋め込み等はFP32）、VAEが2.34GB（FP32）、tokenizerとprocessorが23MB、pdd_fused_heads.safetensorsとpdd_config.jsonが12MB。テキストエンコーダはこのリポジトリには含まれておらず、MiniMaxAI/MiniMax-H3のtext_encoder/から読み込む形で66.7GB。

すでにMiniMax-H3を持っていれば再ダウンロードは不要です。

室谷代表取締役

モデル全体では68.65GBというサイズなので、ローカルで回すにはそれなりのGPU環境が要ります。vLLM-OmniのレシピではNVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xなどでの構成と実測レイテンシが公開されていて、シーケンスパラレル（Ulysses）で4GPUに分割する例も載っています。

テキトー教師DotAI 認定講師

プロンプト拡張用のMiniMax-H3-Image-PEというオプションモデルもあって、こちらはNVFP4で17.9GB。テキストからの生成用のプロンプト拡張をローカルで担う役割です。

ライセンスは本体と同じMiniMax-H3-Image Community License Agreementが適用されます。

室谷代表取締役

ライセンスは「MiniMax-H3-Image Community License Agreement」で、商用利用など個別の条件についてはライセンス本文の確認が必要です。第IV節に書かれた別途の書面による許諾は申請フォーム経由でリクエストする形になっています。

ここは導入前に必ず目を通しておきたいところですね。MiniMaxという会社全体についてはMiniMaxとは？会社概要から料金、H3の使い方とローカル実行まで解説でまとめています。

料金と提供範囲――API価格とローンチ週の半額キャンペーン

室谷代表取締役

料金の話をしておきましょう。公式ブログでは、価格は同等の主流製品の50〜70%とされています。

さらにローンチ週は4K以上の解像度の画像生成リクエストが標準価格から50%オフになるキャンペーンが実施されています。

テキトー教師DotAI 認定講師

ここは正確に整理したいんですけど、今回の資料で確認できるのは「同等の主流製品の50〜70%」という相対的な価格帯と、ローンチ週の4K以上半額という条件までです。入力トークン単価や出力トークン単価といった具体的な金額は、今回の資料には記載がありません。

詳細は公式の料金ページで確認する必要があります。

室谷代表取締役

そうですね。あくまで相対価格の主張として受け取って、実際のコストは自分のユースケースで試算するのが前提になります。

セルフホストの場合はAPI課金ではなくGPUコストになるので、比較の軸がそもそも変わるんですよね。

テキトー教師DotAI 認定講師

提供範囲としては、APIプラットフォーム、MiniMax Code、Hailuo AIの3経路。Hailuo AIはWebAppがグローバルと中国でそれぞれ用意されていて、MiniMax Codeはデスクトップ（macOS/Windows）とWeb、モバイル（iOS/Android）、CLIという展開です。

室谷代表取締役

一部の画像が失敗したときの挙動も決まっていて、リクエストは1枚でも成功すれば200が返る。失敗した画像やコンテンツ安全チェックで保留された画像はerrorだけを持つアイテムになり、成功数はusage.generated_imagesで確認できます。

全部失敗した場合は、安全チェック起因なら422、残高不足起因なら402、それ以外は500が返る仕様です。

テキトー教師DotAI 認定講師

ストリーミングのイベントも整理されていて、partial_succeeded、partial_failed、completed、errorの4種類。プレフィックスはテキストからの生成がimage_generation、画像編集がimage_editです。

全部失敗した場合は課金されず、usageの各フィールドは0になります。

室谷代表取締役

あと地味に大事なのが、OpenAI SDKを使うときのmax_retries=0。ドキュメントのサンプルにも「not idempotent: disable automatic retries to avoid duplicate generation and charges」と書かれていて、自動リトライを有効にすると二重生成・二重課金になる可能性があるんですよね。

ここは実装時に必ず押さえたいポイントです。

テキトー教師DotAI 認定講師

非対応の機能も明確にされています。プレビュー画像、マスク編集、透過背景はサポート外。

negative_promptもテキストからの生成・画像編集のどちらでも非対応で、送ると拒否されます。このあたりは事前に把握しておかないと設計が狂うので、講座でも先に伝えるようにしています。

オープンウェイト陣営はどこまで最先端に迫ったか

室谷代表取締役

今回の発表を業界文脈で見ると、オープンウェイト陣営が編集タスクでプロプライエタリに迫りつつある、というのが一番のメッセージなんですよね。LMArenaのスレッドもまさにその総括で終わっています。

テキトー教師DotAI 認定講師

背景として、これまでオープンウェイト模型は性能面でプロプライエタリの最先端に後れを取る傾向がありました。MiniMax自身もブログで「オープンウェイト画像モデルと主要なプロプライエタリモデルの差を縮めたい」と明言しています。

今回はそれを、速度・画質・指示追従の3つを同時に立てる形でやってきたのが特徴なんですよ。

室谷代表取締役

技術的には単一の変更ではなくて、データ、強化学習、サンプリングステップ削減、PE、デプロイ最適化まで、ポストトレーニングのパイプライン全体を改善したと書かれています。ブログでも「No single change made the difference」と明言されていて、積み上げ型の改善なんですよね。

テキトー教師DotAI 認定講師

実務的な意味では、16MP（4096×4096）のような高解像度は従来計算コストが大きくて実用的でなかったのが、これを日常の制作フローに乗せられるコストに抑えたという主張です。1〜4MPが主流だったところに16MPを持ち込むというのは、印刷物や大判のビジュアル、高精細な素材制作のワークフローに影響します。

室谷代表取締役

ローカル展開の対応フレームワークが広いのも、オープンウェイトとしての実用性を上げていますよね。SGLang、vLLM-Omni、diffusers、LightX2V、ComfyUIと主要どころが揃っている。

MYUUUでもComfyUIベースのワークフローを組むことが多いので、テンプレートが用意されているのは助かります。

テキトー教師DotAI 認定講師

一方で、オープンウェイトだからといって何でも自由に使えるわけではなく、ライセンスはMiniMax-H3-Image Community License Agreementです。商用利用の条件や別途許諾の要否はライセンス本文の確認が前提になります。

ここは「オープンだから大丈夫」と短絡しないようにしたいところですね。

室谷代表取締役

あと、モデルカードのダウンロード数が直近1か月で437,039、Fineetunesが23、Quantizationsが29、Spacesが15と、すでにコミュニティ側の動きが出ているのも注目です。この辺りの派生の広がり方は、追いかけていくと面白いと思います。

テキトー教師DotAI 認定講師

今回のH3-Imageの詳細スペックや16枚参照の編集についてはMiniMax H3-Imageとは？4K画像生成と16枚参照の編集を解説でも整理していますので、あわせてどうぞ。

よくある質問

室谷代表取締役

最後に、よく聞かれそうな点を整理しておきましょう。

テキトー教師DotAI 認定講師

まず「MiniMax H3-Imageとは何か」ですが、MiniMaxが2026年11月11日に公開したオープンウェイトの画像生成・編集モデルで、テキストからの生成と参照画像を使った編集を1つのチェックポイントで担います。4K（4096×4096、約16MP）を10秒未満で生成でき、最大16枚の参照画像に対応します。

室谷代表取締役

「料金はいくらか」については、公式ブログで同等の主流製品の50〜70%、ローンチ週は4K以上の生成が半額とされています。具体的なトークン単価は今回の資料には記載がないので、公式の料金ページで確認してください。

テキトー教師DotAI 認定講師

「無料で使えるか」については、Hugging Faceで重みが公開されているので、自前のGPU環境があればセルフホストで動かせます。APIやHailuo AI、MiniMax Code経由の利用はそれぞれの提供条件と料金体系に従う形です。

室谷代表取締役

「商用利用できるか」は、ライセンスがMiniMax-H3-Image Community License Agreementなので、条件はライセンス本文の確認が必要です。第IV節の別途書面による許諾は申請フォーム経由でリクエストする形になっています。

テキトー教師DotAI 認定講師

「どんな環境で動かせるか」は、SGLang、vLLM-Omni、diffusers、LightX2V、ComfyUIに対応しています。vLLM-OmniのレシピではNVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xなどの構成が紹介されています。

室谷代表取締役

「プロンプトは日本語でもいいか」については、APIが短いプロンプトをH3-Image-Context-IRで詳細な英語記述に変換する仕組みになっていて、モデルカードには「a short prompt in any language」と書かれています。ローカルで動かす場合はMiniMax-H3-Image-PEを自分でデプロイする形です。

テキトー教師DotAI 認定講師

「編集で使える参照画像の上限は」については、APIで1〜16枚、1ファイル64MiB以下、幅と高さが128〜8192px、アスペクト比が4:1以下という制限があります。リクエストボディ全体で64MiB以下という点も忘れずに。

室谷代表取締役

「ネガティブプロンプトは使えるか」については、テキストからの生成・画像編集のどちらでも非対応で、送ると拒否される仕様です。マスク編集や透過背景、プレビュー画像も非対応なので、そこは設計時に織り込んでおく必要があります。

テキトー教師DotAI 認定講師

「料金や提供条件の最新情報はどこで確認するか」は、公式ブログとAPIドキュメント、料金ページが一次情報になります。今回の記事で触れていない数値については、そちらで確認するのが確実です。