MiniMax-H3-Imageは3つのサーフェスに登場：それぞれが実際に提供するもの

今週 MiniMax-H3-Image について最も短く本当のことを言えば、それは Hugging Face、MiniMax Code、MiniMax 自身の API の3か所で利用できるということだ。購入者が実際に必要とする文は、もっと狭い。その3つのうち2つはリクエストエンドポイントと料金表を渡してくるが、1つは135ギガバイトの重み、読むためのライセンス、そしてハードウェアの判断を渡してくる。これらは同じアクセスの3つの味ではなく、互換的に扱うと、1枚2セントで買えたはずのものに1週間の予算を組む羽目になる。

モデル自体は、再パッケージではなく本物のリリースだ。MiniMaxは2026年11月10日14:50 UTCにHugging FaceリポジトリMiniMaxAI/MiniMax-H3-Imageに重みを公開し、同日午後15:40にそのことを投稿した。リポジトリ自体の日付は11月3日で、つまり誰もダウンロードできるようになる前に、重みが非公開で1週間存在していたことになる。これは約16メガピクセルを生成する331億パラメータの拡散トランスフォーマーで、発表で「4K」と呼ばれているものに当たり、単一のチェックポイントからテキストから画像生成と参照ガイド付き編集を行う。以下では、発表が答えていない一つの問い、つまりどのサーフェスを選ぶべきかを中心に整理する。

3つの玄関口があり、そのうちダウンロードなのは1つだけだ

まず、それぞれのドアが何なのかから始めましょう。違いは見た目ではなく、構造的なものだからです。

そのAPIは従来の方法です。モデルはMiniMax-H3-Imageとして、高速版の兄弟モデルとともに、M​iniMaxの国際版および中国本土版プラットフォームで提供され、画像単位ではなく入出力の100万トークン単位で課金されます。このインターフェースは異例なほどに仕様が固く——サンプリングステップは6回、ガイダンススケールなし、ネガティブプロンプトなし——で、M​iniMax自身のリファレンスによると、それ以外を求めるリクエストはHTTP 400で返されます。あなたは、内部に固定レシピを備えた動作するエンドポイントを購入しているのです。

M​iniMax Code と Hailuo AI は製品サーフェスです。同じモデルがプロンプトボックスの背後にあり、サンプリングの決定はすでに下されていて、トークンごとの計算を自分で行う必要はありません。出力がどれだけ優れているかを評価するには役立ちますが、何かを構築するには役立ちません。構築の対象となるものが公開されていないからです。また、M​iniMax Code はコーディングエージェント製品なので、そこでの画像生成は主機能ではなく副次的な入口です。「M​iniMax Code で利用可能」を、コードラッパー付きの画像 API と読まないでください。

Hugging Faceは第3の扉であり、サービスではなく移譲という形を取る唯一のものです。リポジトリとライセンスファイル、そして自分で動かさなければならない重み一式が手に入ります。セルフホスティングは、ほとんどのチームがオープンウェイトの画像モデルをそもそも検討する理由です。同時に、そこでは計算の対象がモデルではなく自分のラックへと移ります。

このリポジトリは、見出しのパラメータ数から示唆されるよりも重い。

BF16で331億パラメータは、ほかに何も数えていない時点で約66 GBであり、その「ほかのもの」こそがこのリポジトリで人々が驚く点です。拡散トランスフォーマーだけで66.28 GBです。ダウンロード全体は68.65 GBで、これはトランスフォーマーにVAEと設定を加えたものです。テキストエンコーダーは含まれていません（その数値には）：MiniMax-H3-ImageはMiniMax-H3動画リポジトリのQwen3-VLテキストエンコーダーを再利用し、その第50層から読み取り、そのエンコーダーは別途66.7 GBのダウンロードが必要です。言い換えれば、最初の画像を生成する前に、ディスク上で約135 GBのアーティファクトを見込んでおく必要があり、しかもそれはどのフレームワーク自身のキャッシュを数える前の話です。

アーキテクチャは、このモデルが何であるかを教えてくれるので、1段落を割く価値がある。Transformer層が50、隠れサイズが5,376、アテンションヘッドが56、フィードフォワード幅が14,336で、3次元マルチモーダル回転位置埋め込みを備えている。VAEは畳み込みエンコーダーに、16倍の空間ダウンサンプリングと24個の潜在チャネルで動作する24層の2次元ViTデコーダーを組み合わせたものだ。このデコーダーの選択は、パイプラインの終端で単純な畳み込みデコーダーよりも多くの計算を要し、4Kでの細部の一部はここから来ている可能性が高い。この設計はモデルカードで「音声を除いたH3アーキテクチャ」と説明されており、妥当な要約だ。これは動画モデルの画像ブランチを単独で提供したものである。

二つの帰結が導かれる。第一に、16メガピクセルで動作する33Bクラスの拡散トランスフォーマーは、現代の言語モデルと並べたときにパラメータ数がどう聞こえようとも、ラップトップ向けモデルではない。活性化メモリは出力面積に比例して増大し、面積こそがこのリリースの主眼なのだ。第二に、テキストエンコーダーが動画モデルと共有されているため、すでにMiniMax-H3を運用しているショップなら、ダウンロードの大半はすでにディスク上にある。これは実質的な割引であり、「Hugging Faceで入手可能」という一文では伝わらない類のものだ。

4通りの提供方法、そして一致しない1つの数字

モデルカードには4つの経路が記載されています：SGLang、vLLM-Omni、diffusers、ComfyUI。vLLMのチームはリリース当日に、NVIDIAとAMDの両方のハードウェア向けの初日対応をvLLM-Omniで提供し、約16メガピクセルのネイティブ出力を実現しました。これはモデルの重みが存在すること以上に強いローンチのシグナルです — 発表から1時間も経たないうちに、M​iniMaxの外部の誰かがそれを稼働させていました。Diffusersはリファレンスパスをカバーし、ComfyUIはワークフローグラフを好む層をカバーしています。

この不一致は指摘する価値がある。なぜなら、いつか誰かが痛い目を見るからだ。モデルカードには、最大16枚の参照画像を使った編集が記載されており、アップロード順に<Picture 1>から<Picture 16>として位置で指定される。同じモデルに関するvLLM-Omniのリリースレシピでは、1リクエストあたり最大9枚の画像が記載されている。両方が同時に真であり得る — フレームワークのサービング上限とモデルが学習時に備えた容量は別の数値であり、サービングスタックのバッチ処理やメモリの制約が先に効くからだ — しかし、ワークフローで12枚の参照画像が必要なら、今日の正直な答えは、その能力は存在するものの、文書化されたサービング経路ではそれを扱えない可能性がある、というものだ。どちらの文書も信じるのではなく、自分のスタックでその数値を試してほしい。

同じ注意はプロンプトウィンドウにも当てはまります。カードは最大32,000文字を受け付けますが、そのうちモデルが実際に条件として使うのは最初の約4,096トークンだけです。長いプロンプトが拒否されるわけではなく、末尾が単に機能していないだけです。言語モデルの習慣から詳細なアートディレクション用プロンプトを持ち込む人は、それを高くつく形で知ることになるでしょう。

サンプラーは調整する設定ではなく、受け継ぐ制約です

6ステップ、分類器フリーガイダンスなし、ネガティブプロンプトなし。これは上振れの余地があるデフォルトではない。APIは他のステップ数やガイダンス値を一律に拒否する。モデルは6回のフォワードパスで実行できるよう蒸留されており、33Bトランスフォーマーが1600万画素の画像を実用的な速さで返せるのは、ひとえにその蒸留のおかげだ。

API 経由の場合はこれが見えず、問題もない。セルフホスト経由の場合、これは仕様表で最も有用な数字であり、しかも二つの意味でそうだ。画像あたりの計算量を、非蒸留モデルで必要になる25〜50回ではなく6回のTransformer評価に抑える。これが16メガピクセルを現実的にしている。さらに、セルフホスト時のいつもの調整ループ——ステップを増やす、ガイダンスを追加する、ネガティブプロンプトを追加する、反復する——はここには存在しない。出力品質に不満がある場合、調整の手段はサンプラーではなくプロンプトと参照画像だ。「モデルの調整」に1週間を割くチームは、代わりにプロンプト作業にその時間を割くべきだ。

各パスのコストを、実際に請求される単位で

API はトークン単位で課金され、カード自体に記載された計算例がそれを読み解く最も明確な方法です。1,024×1,024 のテキスト-to-画像リクエストは $0.02179 です。2,048×2,048 のリクエストは $0.02333 — ピクセル数は4倍なのに価格は1.07倍です。これはトークン数が面積よりもはるかに緩やかに増えるためです。4,096×4,096 のリクエストはリスト価格で $0.06879、2026年11月17日 16:00 UTC まで実施される期間限定50%割引では $0.03439 で、配信される画像が少なくとも16,600,000ピクセルであることが条件です。スタンダード階層の料金は、入力テキスト100万トークンあたり $2.30、入力画像100万トークンあたり $1.50、出力画像100万トークンあたり $3.80 です。Highspeed 階層は入力料金を据え置き、出力に対して $7.60 を請求します。

これら3つの数字をまとめて見ると、4Kを選ぶ価格上の根拠はほぼ消えてしまう。2Kの段階では、1.07倍の金額で4倍の画素が得られるのは破格だ。2Kから4Kへ進むと、同じ4倍の面積増に対して約3倍の費用がかかり、割引があってようやく2Kの料率近くまで戻る。用途上、片辺4,096ピクセルが必要ないなら、このモデルが安く済むのは2Kの階層だ。

OrcaRouterはMiniMax-H3-Imageを提供していません。ここにはそのためのルートがなく、この記事のCTAは動画版のminimax/minimax-h3を指していますが、こちらは当社がルーティングしています。当社が実際に提供している内容は、そのルートが存在する日にとって重要です：プロバイダーの定価をそのまま反映した0%マークアップ。つまり、その4K割引のようなベンダー価格の変更は、ベンダーのページに反映された同じ日に請求にも反映され、プロバイダーの経路が劣化した場合には自動フェイルオーバーが行われます。それまでは、重要な比較はAPI支出対自社ハードウェアであり、ルーティングレイヤーがその算術を変えることはありません。

セルフホスティングを、正直な価格で。

GPU が何か分からない限り、画像1枚あたりのセルフホスト費用を誰も見積もれません。支配的な要因は、135 GB の重みがメモリに収まるのか、それともオフロードが必要なのかだからです。正確に言えるのは、6ステップのサンプラーで計算量が決まり、16メガピクセル出力でアクティベーション予算が決まり、そのどちらも大きいということです。80 GB カード1枚では transformer は載っても、transformer と Qwen3-VL エンコーダーをフル精度で一緒には載りません。したがって現実的な構成は、マルチGPU、エンコーダーのオフロード、または品質上の疑問が付きまとう量子化 transformer のいずれかです。電力も加わり、SGLang や vLLM-Omni を適切にサービングするためのエンジニア1人週も加わると、2K 画像1枚あたり $0.02333 に対する損益分岐点は、数十枚ではなく数十万枚台のボリュームになります。

これが、ほとんどの場合はAPIを選ぶ根拠であり、少数の場合は重みを選ぶ根拠になる。つまり、データ上の理由からモデルを自社の境界内に置く必要がある企業、すでにMiniMax-H3を運用してエンコーダーを保持している企業、固定費が償却されるほどの生成量がある企業だ。それ以外はまずAPIの価格を検討し、境界が本当に必要とする場合にのみセルフホストすべきだ。

ダウンロードする前にライセンスを読むこと、後ではなく

重みはMiniMax-H3-Image Community License Agreementの下で公開されており、Apache 2.0でもMITでもありません。「オープンウェイト」は正確ですが、チームをトラブルに巻き込む言葉は「オープンソース」であり、ここがプロセス上、ブログ記事ではなく実際のファイルを弁護士が読むべきポイントです——この記事も含めて。実務上の問題は大規模な商用利用と、ライセンスにあなたの製品に付随する条件があるかどうかであり、その問いへの答えはリポジトリの中にあり、要約では代わりになりません。

知っておく価値のある、もう一つ小さめのアーティファクトがあります。M​iniMax はこのモデル向けの Context-IR コンポーネントを提供しており、オプションのプロンプト拡張モデル MiniMax-H3-Image-PE も用意しています。この拡張モデルは、モデルが長く詳細なプロンプトを許容できる理由の一部を説明するものです。これはオプションで、68.65 GB とは別物であり、発表というよりリポジトリの一覧で見かける類のものです。

今週、自分のスタックで確認すべきこと

• リファレンス — ドキュメントを読むだけでなく実際のリクエストによって、お使いのサービング経路が16枚の画像を受け付けるのか、それとも vLLM-Omni のレシピに記載されている9枚なのかを確認してください。

• 実効領域 — このモデルは16メガピクセル未満で動作し、構成では最小生成領域がデフォルトで4,194,304ピクセルに公開されています。用途がサムネイルなら小さい側をテストしてください。このサイズのモデルは1Kでは安価な選択肢にならない可能性があるためです。

• メモリ — ハードウェアを購入する前に、4,096×4,096 でのピーク VRAM を測定しましょう。6 ステップの計算は安上がりですが、アクティベーションはそうではありません。

• 割引期限 — 4Kを予定しているなら、50%の割引率は2026年11月17日 16:00 UTCに終了します。APIを利用しているか、自前のハードウェアを使っているかによって、その期限が自分にとって重要かどうかが決まります。

• ライセンス — 必ず読んでください。ダウンロードは135 GBで、その判断はやり直せますが、ライセンスはやり直せません。

今回のリリースで興味深いのは、優れたオープン画像モデルが登場したことではない。しばらくぶりに、重み、フレームワークのレシピ、ホスト型エンドポイントがすべて同じ週に揃って登場したことだ。これはベンチマークのグラフよりも強いシグナルである。なぜなら、それが実際に動くことを意味するからだ。自分で動かすべきか、それとも呼び出すべきかは、3つのドアのどれを通るかでまったく変わる。そしてその3つのドアは、発表が聞こえさせるよりずっと遠く離れている。