MiniMax-H3-Image vs MiniMax-H3：一方は動画モデル、もう一方はその静止画版

MiniMax-H3-Image について最も正直に語っているのは、そのファイル一覧です。66 GB の拡散トランスフォーマー、2.34 GB の VAE、12 MB のステップごとのサンプリングヘッド——そして、リポジトリのどこにもテキストエンコーダーはありません。エンコーダーは欠けているのではありません。借用されているのです：model_index.json は、2026年7月31日に MiniMax がオープンソース化した 33B のオムニモーダル動画モデル MiniMax-H3 にアクセスし、text_encoder/をそこから変更なしで読み込みます。66.7 GB の Qwen3-VL です。MiniMax-H3 がすでにディスク上にあるなら、画像モデルでプロンプトをエンコードするのに追加コストはかかりません。なければ、最初の静止画に 135 GB のダウンロードが必要で、この比較の2番目のモデルは1番目のモデルのために実際に働いていることになります。

その1行の設定が2つのモデル間の関係を表しており、両者の実用上の違いの大半を説明しています。MiniMax-H3-Image は、MiniMax-H3 から音声ブランチを削除し、出力ヘッドを潜在動画から潜在画像へと向け直し、全体を6回のサンプリングステップまで蒸留したものです。テキスト側には何も変更がありません。DiT は同じエンコーダーから同じ50層目の隠れ状態を読み取るため、tokenizer フォルダーと processor フォルダーはバイト単位で同一であり、画像モデルはその経路で新たな学習を一切行わずに H3 の英語プロンプト処理を継承しています。

今これを書く価値があるのは、内容ではなくリリースのされ方だ。MiniMaxはこの画像モデルについてブログ記事を公開していない。同社のブログとニュース一覧には画像モデルに関する記載が一切なく、そこでの最新項目は10月19日のM3.1 Flashの投稿だ。モデルページでも依然としてH3が動画システムとして先頭に立っている。ベンダー側で確認できた唯一の言及は、APIドキュメントのモデルリリース一覧にある2026年11月10日付のカードで、「最先端の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」と書かれている。仕様もベンチマークも、それ自体の日付もない一文だ。Hugging Faceリポジトリは11月3日に作成され、重みは11月10日14:50 UTCに公開された。その後1時間以内にREADMEの改訂2件とvLLM-Omniデプロイガイドが続いた。これは静かな船出だ。成果物は実在しダウンロード可能だが、発表はそうではない。以下の内容はすべてリポジトリ、ライセンスファイル、MiniMax自身のドキュメントから読み取ったものであり、数値がベンダー自身による未再現の主張である場合はその旨を明記する。

2つのモデルを、それぞれが実際に売られている条件で

MiniMax-H3は汎用オムニモーダル生成器です。テキスト、画像、動画、音声を1つのパックされたコンテキストとして受け取り、24fpsで4～15秒の動画を、ネイティブ32kHzステレオ音声付き、ネイティブ768pで出力します。さらに、別個の再生成パスであるH3-Regenerate-2Kがあり、その結果と元のコンテキストをモデルに再入力して2Kに到達します。重要な入力バリアントは2つあります。H3-Base-FL2VAは0枚、1枚、または2枚の画像を最初/最後のフレームとして受け取り、H3-Base-Ref2VAは最大9枚の画像、3本の動画クリップ、3本の音声クリップを受け取り、全体で最大12ファイルに制限されます。H3-Context-IRと呼ばれるホスト型プリプロセッサが混在入力を解析し、構造化された形式に書き換えます。またMiniMaxは、いくつかのホスト型モデルに依存するため、これはオープンリリースには含まれないと明言しています。

MiniMax-H3-Imageはテキストと最大16枚の参照画像を受け取り、1枚の画像を出力します。拡散トランスフォーマーは331億パラメータの密な単一ストリーム設計で、50層、隠れサイズ5,376、アテンションヘッド56、FFN幅14,336、3DマルチモーダルRoPEを備え、重みはBF16、埋め込み・タイムステップ・出力層はFP32です。画像VAEはCNNエンコーダと24層のViTデコーダを組み合わせ、16倍の空間ダウンサンプリングと24個の潜在チャネルを持ちます。DiTはその潜在表現を2×2でパッチ化するため、トランスフォーマーの1トークンが32×32ピクセルのブロックをカバーします。API経由では最大20メガピクセルの出力が可能で、このカードの目玉となる主張は、あらゆるアスペクト比で約16メガピクセル——アップスケーラーなしで、1:1の4096×4096から21:9の6272×2688まで——というものです。

その二つの段落を並べて読めば、分岐は明らかだ。動画モデルは容量を時間と第二のモダリティに費やす。画像モデルはそれを空間に費やす。同じ幹、異なる目的。

6ステップで classifier-free guidance なし——それが実際のエンジニアリングだ

MiniMax-H3-Image の単なる引き算ではない部分は蒸留であり、それは推奨ではなく強制されている。チェックポイントは、classifier-free guidance を一切使わずに、6回のサンプリングステップ——6 NFE——を実行する。提供される API は、これらをデフォルトとして扱わない：num_inference_steps は省略するか 6 でなければならず、guidance_scale は省略するか 1 でなければならず、それ以外の値は HTTP 400 を返す。ネガティブプロンプトは即座に拒否される。別ファイル 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、そのスケジュールは pdd_config.json にあり、つまり合計 68.65 GB のうち 12 MB が不相応に大きな仕事を担っている。

これは、インタラクティブな界面の背後に置けるモデルと、そうできないモデルの違いだ。16メガピクセルでのガイド付き30ステップ拡散モデルはバッチジョブである。同じ解像度でのガイドなし6ステップはリクエストだ。MiniMax自身の言い回し——「実用的な計算コストで16メガピクセル画像」——はピクセルあたりのFLOPsに関する主張であり、その主張を現金化する手段が6ステップのスケジュールだ。それがショーケース画像の示唆する品質レベルで成り立つかどうかは、第三者が誰も答えていない問いである。2026年11月10日時点で、どちらの画像ボードにもMiniMax-H3-ImageのArtificial Analysisエントリはなく、カードにもベンダー評価表はない。

ローカルでの提供に関して言えば、これほど新しいモデルとしてはフレームワーク面の状況が異例なほど整っています。SGLang はドキュメント化されたクックブックを備えたリファレンス経路です。vLLM-Omni はハードウェア別の構成と実測レイテンシを含むレシピを公開しており、NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350X を挙げています。diffusers と ComfyUI はどちらもサポートを提供しています。シーケンス並列化はフラグ一つ——--ulysses-degree を SGLang で、--usp を vLLM-Omni で——指定するだけで、始めるには単一 GPU で十分です。実際のメモリコストはテキストエンコーダーであり、しかもそれはこの動画モデルのテキストエンコーダーで、まさにこの比較全体の要点です。

メーターが2つあるが、どちらも目視で確認できるトークンカウンターではない

MiniMaxはこれら2つのモデルを互換性のない単位で課金しているため、「どちらが安いか」という問いには罠があります。H3は生成出力の秒単位で、解像度別に課金されます。768Pでは1秒あたり$0.08、2Kでは1秒あたり$0.13で、入力素材はさらに別途加算されます。最初の5枚の参照画像は無料で、それ以降はベースモデルでは1枚あたり$0.04、音声入力は無料、参照動画は出力解像度でのそれ自体の長さに応じて課金されます。10秒の2Kクリップは、参照素材を除いて出力だけで$1.30です。

MiniMax-H3-Imageは、画像出力レートに対してトークン単位で課金されます。標準ティアでは、公開されている料金表に100万入力テキストトークンあたり2.30ドル、100万入力画像トークンあたり1.50ドル、100万出力画像トークンあたり3.80ドルと記載されており、ベンダー自身の計算例ではこれが次のようになります。

• 1K（1024×1024）テキストから画像生成 — 画像1枚あたり$0.02179。

• 2K（2048×2048）テキストtoイメージ — 1枚あたり$0.02333

• 4K（4096×4096）テキスト画像生成 — 画像1枚あたり$0.06879、期間限定50%オフで$0.03439にて掲載中。

• 参照画像1枚を使用した1K編集 — $0.02654、2K — $0.02658、4K — $0.07312（割引後 $0.03656）。

• 参照3枚を使用した1K編集 — $0.03563、2K — $0.04177、4K — $0.07914、割引後 $0.03957。

その料金ラダーの形こそが興味深い点だ。ピクセル数が16倍になっても、費用は3倍強で済む。料金体系がトークン制で、トークン数が直感どおりには面積に対して線形に増えないからだ。高速版の 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 を請求する——同じ割引前で、1Kでは $0.03529、4Kでは $0.13001。割引は、納品される画像が少なくとも16,600,000ピクセルの場合に適用され、2026年11月17日16:00 UTCまで続く。これはリリース全体で唯一の日付が明記された商業的事実だ。

二つのメーターを横に並べると、分岐点に値段がつく。768P動画の1秒は0.08ドル、MiniMaxの最も安い静止画は約0.022ドル。4秒のクリップ——H3が生成できる最短の長さ——は、およそ1K画像15枚分のコストになる。これはどちらのモデルにとっても論拠ではない。「どちらが安いか」に答えが出ないのは、何を制作しているかを言うまで分からないからだ。

実際のデプロイでフォークが牙をむく場面

ベンチマークの問いよりも重要な3つの非対称性がある。

1つ目は入力処理です。H3-Imageは1回の編集で最大16枚の参照画像を受け取り、それらを次のように位置で参照します：<Picture 1>、<Picture 2>など、アップロード順に。リクエスト本文の合計は64 MiBまでに制限され、Base64はファイルを約3分の1膨らませるため、16枚の画像を含むリクエストではインラインデータではなくURLまたは事前アップロード済みのファイル参照を使う必要があります。H3の参照モードは別物です — 9枚の画像、3本の動画、3個の音声クリップ、12個のファイルを、時間的構造を持つ1つのシーケンスにすべて詰め込みます。どちらのモデルの参照処理も、もう一方のスーパーセットではありません。

2つ目はプロンプト長です。H3-Imageの提供APIは最大32,000文字を受け付けますが、プロンプト拡張を無効にすると、有効になるのはおおよそ最初の4,096トークンだけです。ローカルのSGLang経路では4,096トークンで完全に打ち切られます。詳細な指示追従を売りにするモデルにとって、これは大きな余裕とは言えず、併設のプロンプトエクスパンダーが存在する理由もそこにあります。すなわちMiniMax-H3-Image-PEで、これはQwen3.8-27Bの27B FP4ファインチューンであり、短いリクエストを長い説明とアスペクト比の推奨に書き換えるもので、11月8日に公開され、同じコミュニティライセンスの対象となっています。その編集側はプロンプトとしてのみ提供されており、編集側拡張用の重みはまだ開発中と説明されています。

第三はライセンスであり、両モデルにとって名前だけが同じライセンスだ。MiniMax-H3-Image Community License Agreementは、あなたまたはあなたの関連会社の年換算売上高が100万米ドルを超える場合、または第三者にホスト型サービスを提供する場合、MiniMaxからの別途の事前書面による許諾を必要とする。これを使用する商用製品のインターフェース上に「MiniMax-H3-Image」を目立つ形で表示することを求める。使用を定義されたApplicable Territoryに限定し、出力を他のAIモデルの改善に使用することを禁じ、出力自体について権利を主張しない。H3 video licenceは独自の条項を持つ別個の契約である。両方の上に製品を構築しているなら、あなたは1つではなく2つのライセンスを保有している。

どちらのモデルも行わないこと

MiniMax-H3-Imageは動画を生成できません。時間軸も音声ブランチも継続時間パラメータもなく、音声VAEはアーキテクチャから完全に消えています。出力はリクエストごとに1枚の潜在画像で、API経由では1回の呼び出しにつき最大10枚です。MiniMax-H3は1600万画素の静止画を生成できません。デフォルトでは768pを生成し、再生成パスによって2Kに到達します。4096×4096の単一フレームを要求することはサポートされていません。パイプラインで同じ視覚世界からメインの静止画と、同期した台詞付きの5秒ループが必要な場合、2つのモデルを呼び出すことになり、MiniMaxのプラットフォーム上では2つの異なるメーターで課金されます。

両者に共通する、見落としやすい点が一つあります。ネガティブプロンプトがありません。H3-Imageはこのフィールドを受け付けません。H3のプロンプトガイダンスは、除外ではなくポジティブな記述とContext-IRを通じて導きます。Stable Diffusionのワークフローをどちらかのモデルへ移植する人は、初日からこのレバーを失うことになります。

どちらに電話しますか

誠実な分業は成果物単位で行うものであり、品質単位ではない。成果物が静止画——製品レンダー、キーフレーム、判読可能なテキストが入った16メガピクセルのプレート——なら、MiniMax-H3-Image がそのモデルであり、6ステップのスケジュールのおかげで反復作業を行う余裕がある。成果物が動くなら、H3 がそのモデルであり、音声ブランチがあることが、静止画を繋ぎ合わせてシーケンスにするよりもこれを選ぶ理由になる。

ここでルーティング層がもたらす変化は、言葉から受ける印象より限定的で、率直に言っておく価値があります。OrcaRouter は MiniMax-H3-Image を提供していません。このモデルは11月10日に公開ウェイトが利用可能になり、当社のカタログにはルートがありません。そのため今日使いたい場合は、M​iniMax 自身の API から取得するか、68.65 GB のチェックアウトを自分で実行する必要があります。当社が実際に提供しているのは minimax/minimax-h3、動画モデルで、定価で秒単位に課金され、マークアップはありません — そして、2モデルのパイプラインにとって有用な特性は、H3 を呼び出すのと同じキーで、プラットフォーム上の他の200余りのモデルにもアクセスできることです。

注目すべきは、H3-Imageが優れているかどうかではない。MiniMaxがそれについて何か発信するかどうかだ。重み、ライセンス、料金表、4つのフレームワーク統合を提供しながら、ブログ記事もベンチマークも出していないモデルは、その主張が依然として完全にベンダー側にあるモデルだ。画像ボードへの最初の独立した掲載、あるいは同じ解像度でのクローズドモデルとの最初の直接対決は、ショーケースのグリッドよりも多くのことを教えてくれる。それまではリポジトリが記録であり、リポジトリはこう語っている。これは音を切ったH3だと。