MiniMax-H3-Image：10秒で16メガピクセルは主張であり、まだ測定値ではない

1600万画素の画像を10秒で生成するというのは、品質に関する主張ではない。それはモデルがどのようにスケジューリングされるかについての主張であり、MiniMax-H3-Imageの発表の中で、ユーザーが半日で確認できる唯一の部分だ。MiniMaxは2026年11月10日、まさにその数字を冒頭に掲げた短い投稿でモデルを発表した。4K出力、約1600万画素、最大16枚の参照画像、10秒、オープンウェイト、ベンダー自身のAPI、そして利用手段としてのMiniMax CodeとHailuoだ。だが発表には、レイテンシの測定値が一つも、品質ベンチマークが一つも、どのように実現したのかを説明するブログ記事へのリンクもない。データ本体は実在する。Hugging Face上の68.65 GBに加え、別のリポジトリから借りたテキストエンコーダもそうだ。価格表も実在する。10秒というのは約束だ。本稿で扱うのは、この約束が何に基づいて成り立っているのか、何がコストになるのか、そして自分のハードウェアでそれが守られるかを知るために何を実行する必要があるのかだ。

日付ははっきり記しておく価値がある。ロールアウトが異例だったからだ。MiniMax-H3-Image の Hugging Face リポジトリは2026年11月3日に作成され、空のままだった。重みが置かれたのは11月10日14:50 UTC。同じ日、MiniMax の API ドキュメントには「MiniMax H3 Image」と題したリリースノートカードが追加され、「主要なオープンウェイト画像モデル。アイデアから新しい世界へ」という一文——仕様を一切含まない文——が載った。そして同社自身のブログとニュース一覧には、この画像モデルについて今もまったく何も掲載されていない。つまりモデルは静かに出荷され、その後で発表された。この順序はほとんどのローンチとは逆であり、その発表が、すでにダウンロード可能だったチェックポイントに後付けされたマーケティングコピーのように読める理由でもある。

どこから10秒という数字がもっともらしく出てくるのか

説明の大半は投稿ではなくファイル一覧のほうにある。MiniMax-H3-Image は 33.1B の Dense 拡散トランスフォーマーであり、50 層、隠れサイズ 5,376、56 個のアテンションヘッド、FFN 幅 14,336、3D マルチモーダル RoPE を備え、蒸留されているのはClassifier-Free Guidance を一切使わない 6 サンプリングステップ。これは呼び出し側が調整できる既定値ではない。提供される API は、num_inference_steps=6 と guidance_scale=1 以外を HTTP 400 で拒否し、ネガティブプロンプトは完全に拒否する。別個の 12 MB ファイルである pdd_fused_heads.safetensors は、トランスフォーマーの出力層を置き換えるステップごとの出力ヘッドを保持しており、スケジュールは次に記載されている：pdd_config.json。

ガイドなしの6パスだからこそ、10秒という数字は荒唐無稽ではない。1600万画素でガイド付き30ステップのサンプラーを回すのはバッチジョブだが、同じ面積で6ステップならリクエストだ。それが10秒に収まるかどうかは、アクセラレータ、シーケンス並列化の構成、そして実際に要求する解像度に完全に左右される。そして、その3つのどれも発表には書かれていない。MiniMax自身のモデルカードには、生成時間がどこにも記載されていない。その数字が存在するのは1か所だけ、ローンチ投稿だ。

カードが投稿よりも詳しく明記しているのは、ジオメトリだ。出力はどのアスペクト比でも約16メガピクセルに達する — 1:1で4096×4096、4:3で4736×3552、3:2で5024×3360、16:9で5472×3072、21:9で6272×2688 — で、経路に別個のアップスケーラーを挟まない。APIは出力面積を20メガピクセルに制限しており、カードは実用的な動作範囲をおよそ4〜20メガピクセルと説明している。編集では最大16枚の参照画像を受け付け、プロンプト内では位置で <Picture 1>から<Picture 16>というアップロード順に指定される。プロンプトは提供APIで32,000文字までだが、実際に効果があるのは最初の約4,096トークンだけである。

主張と、それらについて存在する証拠を並べて

• 解像度 — 「1600万画素」と4K：投稿内で明記され、カードのサイズ表にも再掲されています。独立して測定されたものではありませんが、これは画像を生成してその寸法を読み取れば簡単に確認できます。

• 速度 — 「すべて10秒で」：ベンダーによる報告であり、ハードウェアの指定はなく、2026年11月11日時点で第三者による計測結果は公開されていません。カードには数値が一切記載されていません。

• プロンプト追従 — 「正確なプロンプト追従」：定性的な主張。カードのより強い表現は「オープンソースモデルの中で最も強い指示追従」であり、これは表が添付されていない比較である。

• 編集 — 「最大16枚の参照画像」：カードとAPIドキュメントで確認されているが、vLLM-Omniの初日のレシピでは1点だけ矛盾しており、その経路では1リクエストあたり最大9枚の画像と記載されている。16はモデルの上限、9はフレームワークのレシピが実際に試している枚数として扱う。

• オープンウェイト — 事実であり、しかも投稿が説明していない形で重要な点でもある。重みはOSI承認ライセンスではなく、地域および収益に関する条件付きのライセンスの下で公開されている。これについては後述する。

費用はいくらか、そして残り6日となった割引

商用条件は、このリリースで最も具体的な部分だ。課金は画像出力レートに基づくトークン制で、標準ティアでは入力テキスト100万トークンあたり2.30ドル、入力画像100万トークンあたり1.50ドル、出力画像100万トークンあたり3.80ドルとなる。MiniMax自身の計算例によれば、これは異例なほど平坦な料金段階に帰着する。計量単位がトークンであり、トークン数は直感が示すようには面積に比例して増えないからだ：

• 1K テキスト→画像生成 — 画像1枚あたり $0.02179。
• 2K テキスト→画像生成 — $0.02333。
• 4K テキスト→画像生成 — 定価 $0.06879、現在の割引適用中は $0.03439。
• 参照画像1枚での1K編集 — $0.02654、2K — $0.02658、4K — $0.07312、割引適用で $0.03656。
• 参照画像3枚での1K編集 — $0.03563、2K — $0.04177、4K — $0.07914、割引適用で $0.03957。

ピクセル数は16倍なのに料金は3倍強——この構図を覚えておくべきです。なぜなら、まさにここにこのモデルの真の差別化があるからです。4Kでは、オープンウェイトのチェックポイントは定価ベースでFLUX 3 Image 4Kのフレームのおよそ8分の1、Nano Banana 2.1の4Kフレームの約5分の1です。

割引は実在し、一時的なものです。50%の値引きは、納品される画像が少なくとも16,600,000ピクセルである場合にのみ適用され、リクエストの合計全体を対象とし、2026年11月17日 16:00 UTCに失効します——重みが公開されてから6日後です。$0.03439でパイプラインの予算を組むのは、プロモーションを前提にした予算組みです。$0.06879で価格を設定し、割引はマージンとして扱ってください。

2つ目の、より高速なティアがあります。MiniMax-H3-Image-Highspeedは同一のパラメータと制限を採用し、出力画像トークン100万個あたり$7.60を請求します。1Kでは$0.03529、2Kでは$0.03622、4Kでは$0.13001で、同じ割引により半額の$0.06501になります。10秒という主張が興味を持った理由なら、それが意味を持つためにはHighspeedこそが実際にそうでなければならないバリアントです。しかもMiniMaxは両者間のレイテンシ差を公表していません。

ここで「Open weight」とは、読む必要のあるライセンスという意味です。

重みはダウンロード可能で、アーキテクチャも文書化されている。これはほとんどのフロンティア画像モデルが提供する以上のことだ。問題はライセンスにある。「オープン」という言葉が人々の期待する役割を果たさなくなるのは、まさにそこだ。MiniMax-H3-Image は MiniMax-H3-Image Community License Agreement の下で提供されており、デプロイを左右する条件は脚注ではない。

• テリトリー。本ライセンスにおける除外テリトリーの定義は、欧州連合、英国、大韓民国、および米国を対象としており、これは商用画像モデルの市場の大部分を占めています。

• 規模。年換算売上高が100万米ドルを超える場合は、別途、事前の書面による承認が必要です。

• ホスティング。モデルをホスト型サービスとして提供する場合にも同じ認可要件が適用され、売上高の下限は一切ない——これはAPIリセラーモデルを真っ向から狙い撃ちした条項である。

• 帰属表示。本モデルを使用する商用インターフェースでは、「MiniMax-H3-Image」を目立つように表示する必要があります。

• ダウンストリーム。出力は他のモデルのトレーニングや改善に使用することはできません。

Hugging Face のページでは、これが次の1行として表示されるだけです：ライセンス: その他。これは技術的には正確ですが、実用上はほとんど役に立ちません。ノートブックではなく製品のためにモデルを評価しているなら、ライセンスファイルは最初に読むべきものであり、場合によっては評価を止める理由にもなります。

オープンウェイトモデルを実際に動かすにはいくらかかるのか

トランスフォーマーとVAEで68.65 GB、さらにリポジトリには含まれないテキストエンコーダー。model_index.jsonはMiniMax-H3動画モデル内を参照し、text_encoder/をそこから読み込みます — 変更されていないQwen3-VLの66.7 GBです。したがって初回のローカル生成では、2つのリポジトリから合計約135 GBをダウンロードすることになり、そのうちエンコーダーがより大きい半分を占めます。

これほど新しいチェックポイントにしては、フレームワーク対応の状況は異例なほど良好で、しかも翌月にかけてではなく初日から揃っていました。SGLangは、ドキュメント化されたクックブックと単一GPUコマンドを備えたリファレンスパスです。シーケンス並列化はフラグです（--ulysses-degreeはSGLang用で、--uspはvLLM-Omni用です）。vLLM-Omniは、NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350Xを名指ししたハードウェア別レシピを公開しています。diffusersとComfyUIも両方とも対応しています。MiniMax自身のサービングガイダンスは、フル解像度で許容できるレイテンシにはマルチGPUを指し示しており、これは、10秒が定数ではなく設定値であることをベンダーが最も近い形で認めている発言です。

ほとんどのチームにとって、次の計算は心地よいものではありません。1K画像で0.02179ドル、4K画像で0.06879ドルなら、ホスト型APIは長期間にわたり、電気代と償却費よりも安く済みます。135GBを選ぶ理由は制御性です — 正確に再現できる固定6ステップのサンプラー、妥当性を判断できるライセンス、そしてスループットが必要な瞬間にベンダーのキューへ依存しないことです。

コミットする前に実行する価値のある3つのテスト

最初の方法は安上がりなものだ。{{1}}MiniMaxのAPI{{/1}}を通じて同じ4Kプロンプトを10回生成し、{{2}}リクエストごとの実時間{{/2}}と{{3}}各レスポンスのピクセル寸法{{/3}}を記録する。これで、{{4}}10秒{{/4}}と{{5}}1600万画素{{/5}}という見出しの両方の数字を、自分のネットワークと自分のプロンプト長のもとで、1時間以内に、1ドルをはるかに下回る費用で検証できる。

2つ目は同一性テストであり、16枚の参照画像が元を取れるかどうかがここで決まる。1人の被写体をさまざまな角度から撮影した8〜16フレームを入力し、新しいシーンを生成させて、顔、布地、ロゴが維持されるかを見る。位置スロットは型付き参照ほど構造化されていない。どの画像がキャラクターでどれがジャケットなのかをモデルに伝える方法がないため、位置だけでその意図を伝えられるかどうかが試される。

三つ目は、誰にも代わってもらえないものです。今使っているものと、自分のプロンプトで、ブラインドのA/B比較を行うことです。MiniMax-H3-Imageは、2026年11月11日時点でArtificial Analysisの画像ボードのどちらにも項目がありません——低いスコアですらない、まったくないのです——ベンダーの評価表もありません。GenEvalも、DPG-Benchも、人間の好みの数値もありません。モデルカードのショーケースグリッドが、存在する出力品質の唯一の証拠ですが、ショーケースグリッドはよく見えるように作られています。自分の比較を一週間行えば、ローンチ記事よりも多くのことが分かります。

この状況でローンチはどうなるのか

正直に要約すれば、MiniMax-H3-Image は実在するチェックポイントであり、異例なほど完全なデプロイの道筋を持ち、4K ではクローズドモデルを大きく下回る価格ラダーを備え、そして社外の誰も検証していない看板数値を掲げている。速度の主張はアーキテクチャ上の根拠からもっともらしい——ガイダンスなしの6ステップは、ガイダンス付き30ステップのサンプラーとは確かに別のコストクラスだ——が、もっともらしさは証拠ではない。

状況を変える材料は具体的で、おそらく数週間先だ。サンプル数を明記した画像リーダーボードでの独立した順位、第三者がハードウェア名を明示して4K経路を計測した結果、そして16個の位置参照が実際の同一性プレッシャー下でどう振る舞うかの検証——これらだ。それまでは、置き換えではなく候補ルートとして構えるのが有用だ。信頼しているモデルの隣で、固定のプロンプトセットに対して動かし、画像に判断を委ねよう。

OrcaRouterは現時点でMiniMax-H3-Imageを提供していません。当社のカタログにそのルートは存在せず、そうでないと言うのは、まさにこの記事が批判している種類の主張です。同じファミリーで当社が提供しているのは動画モデルminimax/minimax-h3、その価格はプロバイダー表示価格にマークアップ0%を上乗せせずそのまま適用——つまり、4Kディスカウントとその期限切れを含むMiniMaxの価格変更は、次回の請求マイグレーション時ではなく、変更が起きたその日にここへ反映されます。画像モデルがカタログに登場することになれば、同じ条件で登場します。それまでは、こちらについてはMiniMax自身のAPIか、お客様ご自身のGPUをご利用いただくことになります。