『MiniMax-H3-Image:3つの主張、3つの証跡』という見出しの生成タイトルカード。サブ見出しは『ローンチ投稿が主張した内容』で、3枚の角丸カードがある:『測定値は0.87秒。ただし2048ピクセルのキャンバスでは、4台のH200で0.88秒』『Vera Rubin対応は動画モデル用レシピで、同日に未マージのままオープンされ、クローズされた』『オープンウェイト編集モデル第1位——主張は成立、Elo 1,138:総合12位で、8〜17位の順位帯内』。フッターには『レイテンシはvLLM-Omni H200レシピによる。リーダーボードの数値はArtificial Analysis、2026年11月13日』とある。実際のOrcaRouterロゴは、右下の追加ストリップに合成されている。
Engineering & Research

MiniMax-H3-Image:ローンチ記事が主張した内容と、vLLM-Omniが実際にリリースしたもの

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

MiniMax-H3-Imageとともに3つの主張が届いたが、背後にある申請・手続きの量が大きく異なるため、分けて考える価値がある。このモデルは33.1Bのシングルストリーム拡散トランスフォーマーで、約16メガピクセルで画像を生成・編集し、classifier-free guidanceなしで6サンプリングステップに蒸留されており、その重みは2026年11月10日14:50 UTCにHugging Faceで公開された。発表投稿では、このモデルがArtificial Analysisで画像編集向けオープンウェイトモデル第1位であること、MiniMax-H3-Image向けのNVIDIA Vera RubinサポートがvLLM-Omniに導入されつつあること、ネイティブ4K生成が0.87秒で実行されたことが述べられていた。最初の主張は成り立つが、それはオープンウェイトの集団内で、しかも順位幅10の信頼帯の中でのみ成り立つ。2番目は別のモデルを対象とした申請について述べており、その申請はマージされずにクローズされた。3番目は実測値ではあるが、その文が示唆するサイズの4分の1のキャンバスに紐づく数字だ。

そのどれもモデルを悪くするわけではない。発表内容を分かりにくくしているのだ。三つすべてを額面どおりに受け取った読者は、4メガピクセル向けの遅延値で4Kパイプラインを計画してしまうからだ。

0.87秒という数字はリポジトリ内にあり、それは2048ピクセルのキャンバスに紐付けられています

vLLM-Omni自身のMiniMax-H3-Image向けレシピには、8つのGPU構成にわたる実測レイテンシの表が掲載されており、その中でローンチ記事と照らし合わせても揺るがない値は次のとおりだ。H200を4基使い、その4基すべてでUlyssesシーケンス並列を適用した場合、2048×2048のテキストtoイメージリクエストは0.88秒、2048×2048の編集は1.35秒で完了する。これらは同時実行数1で1回のウォームアップ後に計測した3リクエストの中央値であり、シードを固定し、クライアント側でエンドツーエンドに測定したものだ。

同じ行は、著者らが試した最大のリクエスト——4736×3552、つまり16.8メガピクセルで、表の中で4Kプレートに最も近いもの——を3.84秒で測定している。したがって、速度に関する主張を正直に言い表すなら、4メガピクセル画像は4GPUノードで約0.9秒かかり、モデルが想定する16メガピクセル画像は約4秒かかる、ということになる。0.87という数値は0.88の測定ノイズの範囲内にある。変わったのはキャンバスであり、モデルではない。

これが単なる丸め誤差の不満にとどまらないのは、2048×2048未満のリクエストが実際には公称サイズで実行されないからです。配信経路では、それより小さいものは同じアスペクト比の少なくとも2048×2048のキャンバス上で生成され、その後オンデバイスのLanczosでダウンスケールされます。そのため1024×1024は0.77秒、2048×2048は0.88秒かかります — どちらも同じ作業量で、その後にかかるリサイズ量だけが異なります。このレシピは下限を次のように公開しています:min_generation_area。32²から4096²ピクセルまで調整可能で、本当に安価なサムネイルが必要なデプロイメントはそれらをオプトインしなければなりません。

表の残りの部分は、ハードウェアのサイジングを検討する人にとって役立つ部分です:

• H200 4台、Ulysses SP 4 — GPUあたりのピーク81.3 GiB、2048²画像で0.88秒、4736×3552で3.84秒、2048²の編集で1.35秒。

H200を4台、DiTテンソル並列4 — GPUあたり36.2 GiB、1.00秒および4.01秒、編集結果はシーケンス並列の参照に対して38.3 dB PSNR以内に収まります。

• H200 を 4 台、TP 2 × SP 2 — GPU あたり 52.2 GiB、1.09 秒と 4.07 秒、同一のリファレンスに対して 37.1 dB。

• H200 2台、Ulysses SP 2 — GPUあたり94.6 GiB、1.48秒と6.82秒。これはカードのほぼ全体を必要とするレイアウトです。

• テキストエンコーダーをオフロードした H200 1 台 — 73.4 GiB、同じ 2 つのサイズで 3.18 秒と 12.39 秒。

• DiT とテキストエンコーダーの両方をレイヤー単位でオフロードする H200 1 台 — 14.7 GiB、8.30 秒、12.85 秒。

最後の2行は商業的に興味深いものです。単一のレンタルカードで得られる内容だからです。14.7 GiBではモデルは余裕を持って収まり、4 GPUノードが1秒未満で行う処理に8秒かかります。ハードウェアで約4対1の比率に対して、レイテンシはおよそ9対1の比率です。オフロードプロファイルはホストからデバイスへのコピーによって制限されるため、そのレイテンシは画像サイズによってほとんど増えません。単一GPUのDLOパスにおける2048²と16.8 MPのリクエストの差は、8.30秒対12.85秒です。ワークロードが大きな画像で、カードが1枚しかない場合、オフロードは生のレイテンシが示唆するほどの惨事ではありません。

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

なぜ最初の画像はモデルの重みが示すよりもコストがかかるのか

人がダウンロードするチェックポイントは、実際に動作するものではない。68.65 GB のリポジトリには BF16 の拡散トランスフォーマーが含まれているが、これを提供するには、MiniMax-H3 から取り出した完全な Qwen3-VL テキストエンコーダー(約 66.7 GB の第2のアーティファクト)に加えて 0.58B の VAE も必要であり、レシピ自体のパラメータ数ではこの3つを合計して 67B になる。これが、テキストエンコーダーを常駐させた単一 GPU の 73.4 GiB という数値の背景であり、カードあたり 94.6 GiB を必要とする 2 GPU 常駐構成の背景でもある。

その結果として、ローンチ当日の算数の問題が生じる。重みが2つの大容量ダウンロードとして届き、最安の高速デプロイがデータセンターGPU 4枚となる1600万画素画像モデルは、週末プロジェクトではない。初日サポートを謳うフレームワークは、パイプラインへのサポートを謳っているのであって、あなたの手元環境へのサポートを謳っているのではない。このレシピは、どのハードウェアが実際に測定され、どれが設定のみだったかを明示している。H200、2枚挿しと4枚挿しのRTX PRO 6000 Blackwell、MI325XおよびMI350Xは検証済みと記され、H100、B200、B300のレシピは設定のみとなっている。別個のsingle-RTX-4090レシピは存在し、ベンダー認定ではなくコミュニティデプロイとラベル付けされている。

Vera Rubinの主張は動画モデルを指しており、プルリクエストはクローズされました。

これが最も調査に手間のかかった主張です。というのも、作業自体は実在しますが、その内容は投稿で説明されていたものとは異なるからです。vLLM-Omni にはプルリクエスト番号 10108 があり、2026年11月10日 11:10 UTC に「[Doc] Add MiniMax-H3 Rubin recipe and inference results」というタイトルでオープンされました。これは4ファイルにわたり1,972行を追加し、aarch64ホスト上の、カードあたり286,524 MiBのNVIDIA VR NVL72ハードウェアでの4 GPUオフラインレシピを文書化し、実際の測定値を報告しています。1344×768、5秒、24 FPSのテキスト-to-ビデオ要求は、TRTLLM attentionとeager executionで中央値19.811秒でしたが、SDPAでは110.039秒でした。最初/最後のキーフレームおよび混合参照のバリアントは21.535秒と21.461秒でした。

これらのタスクはすべて動画です。T2VA、FL2VA、Ref2VA は MiniMax-H3 のタスク名であり、MiniMax-H3-Image のものではありません。また、プルリクエスト自体の説明には、既存の MiniMax-H3 ガイドには要件を満たす Rubin 環境が欠けていたと書かれています。リポジトリのレシピ索引も同様です。MiniMax-H3-Image には H200、H100、B200、B300、RTX PRO 6000、MI325X、MI350X、Intel Arc Pro B70、Ascend Atlas、RTX 4090、MUSA 向けのレシピがあり、Rubin 向けはありません。

その後、プルリクエストはクローズされました。11月10日 11:10 UTC にオープンされ、同日 12:05 に、自動レビュアーが著者にセルフレビューコメントを求めた後、マージされることなくクローズされました。著者は説明自体の中で限界について率直に述べていました。テストした vLLM のナイトリービルドでは HTTP の起動に失敗し、レシピは HTTP サポートを謳うのではなくそうした失敗を記録しており、より新しいベースリビジョンでの推論は「未実行」に記載されていました。本日取得した main のディレクトリ一覧には、どちらの M​iniMax モデルについても Rubin レシピはありません。

正確に言えば、あるコントリビューターが動画モデル MiniMax-H3 向けの Rubin レシピを起草して測定したものの、その草案は採用されなかった、ということです。サポートが実現するとすれば、レシピ索引の下にマージされたファイルとして現れるでしょう。注目すべきはソーシャル投稿ではなく、まさにそれです。一方、MiniMax-H3-Image の「day one」フレームワークは、背後にマージコミットがあるものです。vLLM-Omni のモデルサポートのプルリクエストは 11月11日 07:32 UTC にマージされ、付随するレシピのプルリクエストは 10月? いや 11月10日 14:53 にマージされました。これは約17時間前であり、ドキュメントに「day one」がどれほど緩く適用されているかがわかります。

A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.

アリーナの主張は正しいが、その響きよりもずっと限定的だ

Artificial Analysisは関連する2つのボード、すなわちimage-arenaのテキストto画像リーダーボードと画像編集リーダーボードを運営しており、どちらもEloスコア、信頼区間、サンプル数を備えていて、MiniMax-H3-Imageはその両方に掲載されています。編集ボードAA-Image-Editing v2.1では、Elo 1,138で12位につけており、8位から17位にまたがる順位帯の中、約3,200サンプルを対象に、画像1,000枚あたり26.54ドルです。高速版のMiniMax-H3-Image Highspeedは1つ下の順位で、1,134、9位から20位の帯に入っています。このボード自体の解説では、同モデルがオープンウェイトのエントリーの中で最高位に位置すると特に取り上げられており、1,085のFibo 2.0と1,084のQwen-Image-2.1を上回っています。したがって、ローンチ投稿の主張は述べられているとおり正確です——画像編集におけるオープンウェイトモデルの中で1位——そしてその根拠となる数値は、実際に投票に基づき、公開されて検証可能なものです。

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

その文が省いているのは、差の大きさと区間の幅だ。そのボードの首位は GPT Image 2.6 Sunburst で、約6,400サンプルにおいて Elo 1,210、GPT Image 2.6 Flare が1,206、GPT Image 2.5 Sunburst が1,201 —— MiniMax-H3-Image よりおよそ70 Elo 高く、Elo の観点ではこれはノイズではなく、大きく、おそらく持続的な分離である。8位から17位の帯が物語のもう半分だ。このサンプル数では、そのモデルは8位か17位のどちらかである可能性が十分あり、そのモデル自身の Highspeed 変種も同じ重なりの中にある。「編集向けの最高のオープンウェイトモデル」と「最高の編集モデルに近い」は別の主張であり、支持されているのは最初のものだけだ。

テキストから画像への生成は、この主張がより揺らぐ領域だ。AA-Image-T2I v2.1では、このモデルは1,066 Eloで23位、Highspeedは1,070で22位となっており、一方Sunburst 2.6は5,282サンプル上で1,261で1位だ。これは200 Eloの差であり、同じオープンウェイトのリードも当てはまる——Qwen-Image-2.1は1,046、FLUX 3 Image Kleinは1,042で後塵を拝している——が、「画像編集におけるナンバーワンのオープンウェイトモデル」は画像品質に関する一般的な主張として読むべきではない。このモデルの編集力は本物であり、生成力は中位だ。

モデルカード自体の品質に関する文言は定性的で——オープンソースモデルの中で最も強い指示追従性、比較表は添付されていない——ベンダーが提供する唯一の出力証拠は、厳選されたショーケースのグリッドである。これはリリースから3日しか経っていないものとしては普通だった。とはいえ、このモデルを支持する根拠は今や、幅の広い区間を伴う測定スコアと、解像度および価格に基づく論拠であり、ローンチ投稿がそう見せかけたような主張ではない。

実際に何が出荷されているのか、そしてパイプラインを賭けずに試す方法

発表から飾りを削ぎ落とすと、中身は地味だが現実的だ。33.1Bの画像モデルは、6ステップのサンプラー、調整不要のガイダンススケールなし、16個の参照スロット、16メガピクセルのネイティブ出力を備え、オープンライセンスで登場した。H3動画モデルのDiTとテキストエンコーダーを再利用するvLLM-Omniパイプライン、8つの実測レイアウトを伴う公式H200レシピ、さまざまな認定段階にあるさらに4つのハードウェアレシピ、diffusersパス、ComfyUI統合も含まれる。APIはサンプラーを強制する:num_inference_stepsが6以外、またはguidance_scaleが1以外、あるいはネガティブプロンプトが含まれるリクエストは、HTTP 400として返される。

評価だけ行い本格導入までは踏み切らないチームにとって実用的な構成は、14.7 GiBでの単一GPUオフロード展開だ。遅いものの、カード上の他の何かと並べて収まるほど小さい。そして、出力品質がそのノードを正当化して初めて、4GPUのシーケンス並列レイアウトへ移行する。このモデルはM​iniMax自身のAPIからもトークン従量課金で利用でき、複数のサードパーティプラットフォームも提供している。OrcaRouterのカタログには含まれていない。

OrcaRouter が実際に取り扱っているのは、この画像チェックポイントの基盤となっている動画モデルです:minimax/minimax-h3は現在、プロバイダーの定価で、上乗せマークアップなしでルーティングできます。MiniMax-H3-Image に興味がある理由が、同じファミリーで既に動画を生成していて、2つの契約よりも1つのキーを保持したいということであれば、これは重要です。同じルーティングレイヤーの自動フェイルオーバーも、未測定のモデルを本番環境でテストする最も波風の立たない方法です — トラフィックの一部をそちらに向け、その背後に測定済みのフォールバックを維持し、まだ10ランクの幅があるリーダーボード上の位置ではなく、エラーに基づいてルーティングに判断させましょう。

何がそれを決着させるのか

全体像を大きく変える順に、3つの点を挙げます。編集ボード上の区間を狭めること——モデルは約3,200サンプルにわたる8〜17の帯域で1,138に位置しており、票が増えれば、それは範囲ではなく実際の順位になります。画像モデル向けのマージ済みRubinレシピ(動画モデル向けではない)があれば、ハードウェアに関する主張は、唯一意味を持つ場所であるレシピインデックスで事実になります。そして、16メガピクセルのレイテンシーについて2つ目の独立した測定があれば、0.87秒という見出しを、その実態どおりに言い直せるようになります。つまり、4台のH200上で4メガピクセルを約0.9秒で処理し、実際の4Kプレートはその4倍だ、というものです。

それまでは、擁護可能な要約は投稿よりも狭く、より有用だ。モデルは大多数の人が実際に生成するサイズでは高速で、16メガピクセルモードは4基のGPUを載せたノードで1秒未満ではなく4秒の処理であり、フレームワーク対応は背後にマージコミットがあるハードウェアについては実在し、リーダーボード順位は本物だが限定的だ——オープンウェイトでは1位、総合では12位、8位から17位の間のどこかで、投稿が打ち負かしたとほのめかしていたモデルより約70 Elo後れている。