MiniMax（ミニマックス）、4K画像を10秒未満で作れるオープンウェイトの画像生成モデル「H3-Image」を公開参照画像16枚まで、API・MiniMax Code・Hailuo AIでも提供

MiniMax（ミニマックス）は、2026年11月10日（UTC）にオープンウェイトの画像生成モデル「MiniMax H3-Image」を公開した。公式ブログの公開日時は11月10日16時23分（UTC）で、日本時間では11月11日1時台にあたる。テキストからの生成、参照画像をもとにした生成、画像編集に対応し、4096×4096の4K画像を10秒未満で生成できると同社は説明している。重みはHugging Faceで公開され、MiniMax API Platform、MiniMax Code、Hailuo AIでも使える。

3行まとめ

1. MiniMaxが画像生成・編集モデル「H3-Image」の重みをHugging Faceで公開。4096×4096の画像を10秒未満で生成、参照画像は最大16枚と同社は説明
2. 速度は「主流の他社品の最大5倍」、価格は「同等の主流サービスの50〜70%」と同社が主張。発売週は4K以上のリクエストが標準価格の50%引き
3. ライセンスは独自のコミュニティライセンス。重みはDiTが68.65GB、別にMiniMax-H3のテキストエンコーダー66.7GBが必要

本記事の内容は、日本時間11月11日2時台に公式ページで確認したものです。

H3-Imageで何ができるのか

公式ブログによると、H3-ImageはMiniMaxのH3をもとにしたモデルで、次の3つに対応する。

• テキストから画像を作る（text-to-image）
• 参照画像をもとに画像を作る（reference-based generation）
• 画像を編集する（image editing）

Hugging Faceのモデルカードでは、生成と編集が「1つのチェックポイント」にまとまっていると書かれている。出力はアップスケーラーなしで約16メガピクセル。比率は1:1の4096×4096から21:9の6272×2688までが例として載っている。

（Hugging Faceのモデルカードに載っている「よく使う16MPサイズ」。同カードは、作業範囲はおよそ4〜20MPで、16MP前後が最も良い結果になりやすいと説明している）

公式ブログは、画質について「AI生成画像にありがちな、のっぺりした人工的な見た目にならない」と説明している。プロンプトへの忠実さについては「オープンウェイトモデルの中で最先端（state-of-the-art）」と書いている。これらはMiniMax自身の評価で、今回確認した3ページには、ベンチマークの点数や他モデルとの比較表は載っていなかった。

参照画像は16枚まで

参照画像の上限は、ブログでもAPIドキュメントでも16枚。APIの画像編集は、プロンプトと参照画像1〜16枚を POST /v1/images/edits に送る形だ。Hugging Faceのショーケースには、空の部屋と家具9点（参照画像10枚）から1つのリビングを組み立てる例が載っている。

APIドキュメントには、非対応のものも明記されている。

Not supported | Preview images, masked edits, transparent backgrounds

（非対応：プレビュー画像、マスクを使った編集、透過背景）

この記載どおりなら、範囲を指定して塗り直すような編集や、透過背景の画像の書き出しは、APIでは使えないことになる。

誰がいつから使えるのか、日本では

公式ブログは、次の4か所で使えると案内している。

モデルカードの案内では、APIはグローバル版が platform.minimax.io、中国版が platform.minimax.cn。Webアプリ（Hailuo AI）はグローバル版が hailuoai.video、中国版が hailuoai.com、デスクトップはグローバル版が agent.minimax.io、中国版が agent.minimax.cn と書かれている。

日本での提供について、今回確認したページに「日本」という語は出てこなかった。グローバル版のAPIやアプリが用意されていると読めるが、日本からの利用可否や日本語の案内があるかどうかは、これらのページからは分からない。

手元で動かす場合の中身

Hugging Faceのモデルカードによると、構成は次のとおり。

• 拡散トランスフォーマー（DiT）は33.1Bパラメータの単一ストリーム構成。重みはBF16で68.65GB
• 6ステップに蒸留されており、classifier-free guidanceは使わない
• テキストエンコーダーはMiniMax-H3のQwen3-VLのものをそのまま使い、別リポジトリ（MiniMaxAI/MiniMax-H3）から読み込む。サイズは66.7GB
• 任意のプロンプト拡張モデル「MiniMax-H3-Image-PE」（NVFP4、17.9GB）も公開されている

配備先として挙がっているのは SGLang、vLLM-Omni、diffusers、ComfyUI の4つ。vLLM-Omniの項には、NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350X などに対応すると書かれている。vLLM-OmniとSGLangの両方に、GPU1枚で起動するコマンドと、4枚に分けて速くする例が載っている。リクエストの設定にも決まりがあり、num_inference_steps は省略か6、guidance_scale は省略か1、これ以外は HTTP 400 が返る。negative_prompt は受け付けない。

料金は

ここが今回の発表で数字が少ない部分だ。公式ブログに書かれているのは、次の3点。

• 価格は「同等の主流サービスの50〜70%」（同社の主張）
• 発売週（launch week）は、4K以上の画像生成リクエストが標準価格の50%引き
• Standardモードは主流の他社品の1.5〜2倍、Highspeedモードは3〜4倍の速さ

今回確認した3ページには、1枚あたりの金額（ドル建てなど）の記載がなかった。APIドキュメントには料金ページへのリンクがあるが、そのページは今回取得していない。発売週の終了日も、ブログには書かれていない。

高速版は、APIで model に MiniMax-H3-Image-Highspeed を指定すると使える。パラメータと制限は通常版と同じと書かれている。

前のモデルと何が違うのか

公式ブログは、H3の事前学習の能力をもとに、ポストトレーニング全体（データ、強化学習、サンプリングステップの削減、PE、配備の最適化）を改善したと説明している。「どれか1つの変更が決め手ではなく、合わさって速度・画質・プロンプトへの忠実さを同時に出せた」という書き方だ。

MiniMaxの旧画像モデルとの比較は、今回確認したページには載っていない。比べられているのは「主流の他社品」で、具体的な製品名は挙がっていない。「最大5倍」「1.5〜2倍」「3〜4倍」という速さの数字は、何と、どんな環境で測ったのかが分からないため、そのまま受け取ることはできない。

3ページを読み比べて気づいた3点

日本時間11月11日2時19分台にMiniMaxのブログとHugging Faceのモデルページ、APIドキュメントを取得して読み比べた。気づいた点は3つある。

• APIドキュメントのページ上部には「The next-generation image model MiniMax H3 Image is now available!」というバナーがあり、APIの入口でもH3-Imageが新モデルとして案内されていた
• Hugging Faceのモデルページの「Inference Providers」欄は、取得時点で「This model isn't deployed by any Inference Provider」だった。Hugging FaceのInference Providers経由では呼べず、自分で配備するか、MiniMaxのAPIを使う形になる
• ブログは「10秒未満」を大きく打ち出しているが、本文には測定したGPUの種類や台数がなく、モデルカードに「vLLM-Omniのレシピに実測レイテンシがある」と書かれている。つまり10秒の裏付けは、リンク先のレシピを見ないと分からない

製品を自分で試したわけではない。ここまでは、取得した3ページの記載を読んだ範囲の話だ。

数字は誰が測ったのか、ライセンスは何か

この記事に出てくる速度・価格・品質の主張は、すべてMiniMax自身の説明で、第三者の検証は今回確認できていない。

• 「10秒未満」「最大5倍」「1.5〜2倍」「3〜4倍」「価格50〜70%」は、比較相手と測定条件が書かれていない
• 「オープンソースモデルの中で指示への追従が最も強い」という趣旨の記述（モデルカードは「strongest instruction following among open-source models」）に、数字の裏付けは付いていない
• ライセンスはApache 2.0やMITのような既存の名前ではなく、「MiniMax-H3-Image Community License Agreement」。モデルカードには、ライセンスの第IV節にある別途の書面による許可は申請フォームから依頼すると書かれている。どんな場合に許可が要るのかは、今回取得したページには書かれておらず、確認できていない
• 4K前後を出す前提のモデルで、テキストエンコーダーまで含めると重みだけで合計130GB超（68.65GB＋66.7GB。DiTは66.28GBと別表記もあり、数字の足し合わせは概算）。モデルカードにはGPU1枚での起動コマンドがあるが、例に挙がるのはH200などのデータセンター向けGPUで、一般的なPC用GPU1枚で動かせるかどうかは、今回のページからは判断できない

MiniMaxの直近の発表としては、M3.1 Flashの提供開始や、MiniMax CodeのMini App追加を記事にしている。

出典と確認時刻

• MiniMax H3-Image: Bringing 4K Image Generation into the 10-Second Era（MiniMax公式ブログ） ── 日本時間2026年11月11日2時19分確認
• MiniMaxAI/MiniMax-H3-Image（Hugging Face） ── 同日2時19分確認
• Image Generation Guide（MiniMax API Docs） ── 同日2時19分確認

否定の記述（「日本」「ドル建ての価格」「ベンチマーク点数」が無いこと）は、上の3ページに限った確認で、料金ページなど他のページは見ていない。本記事は続報があり次第更新します。