「MiniMax-H3-Image」16メガピクセル出力の画像生成モデル:必要VRAM 4GB〜・ComfyUIの配置先

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | Comfy-Org/MiniMax-H3-Image |
| まとめページ | MiniMax-H3-Image のまとめ(記事1本) |
| 公開元のまとめ | MiniMax のモデルとライセンスのまとめ |
| 公開日 | 2026-11-09 |
| ライセンス | minimax-h3-community-license-agreement |
| 配布形式 | safetensors |
| 出典の種類 | 未確認(一次情報で裏付けできていない)(Comfy-Orgの再パッケージ版であり、MiniMax公式の一次情報ではない) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
ComfyUI向けに最適化・再パッケージされた画像生成モデル「Comfy-Org/MiniMax-H3-Image」が公開されたと報告されています。ただし、本ニュースは現時点で公式の確認が取れていない未確認情報である点にご注意ください。
本モデルは、MiniMax AIが開発したオープンウェイトモデル「MiniMax-H3-Image」をComfyUI環境で利用しやすく再構成したものです。テキストからの画像生成(text-to-image)機能に加え、1枚または複数枚の参照画像を入力として指定する画像編集(image editing / image-to-image)機能を統合した統一モデルとなっています。
スペック
本モデルのスペックおよび元モデル(MiniMaxAI/MiniMax-H3-Image)のアーキテクチャ仕様は以下の通りです。
- パラメータ数・アーキテクチャ:
- Diffusion Transformer(DiT): 33.1B(331億)パラメータの単一ストリーム(single-stream)構造を採用しています。全50レイヤー、隠れ層サイズ5376、アテンションヘッド数56、3D multimodal RoPEを備えています。重みはBF16精度で、埋め込み層・タイムステップ層・出力層はFP32精度です。 – テキストエンコーダー: Qwen3-VLのテキストエンコーダー(50層目の隠れ状態を使用)をそのまま採用しています。 – 画像VAE: CNNエンコーダーと24レイヤーの2D ViTデコーダーで構成され、16倍の空間ダウンサンプリングと24個のラテントチャンネルを持ちます。
- 出力仕様:
- アップスケーラーを使用することなく、約16メガピクセル(1600万画素)の高解像度画像を直接生成可能です。有効生成範囲は4メガピクセルから20メガピクセルとされています。 – 対応アスペクト比と生成解像度の例: – 1:1 比率: 4096×4096 – 4:3 / 3:4 比率: 4736×3552 / 3552×4736 – 3:2 / 2:3 比率: 5024×3360 / 3360×5024 – 16:9 / 9:16 比率: 5472×3072 / 3072×5472 – 21:9 比率: 6272×2688
- 推奨推論設定:
- 推論ステップ数(num_inference_steps): 蒸留により6ステップ(6 NFEs)での高速生成に対応しています。 – ガイダンススケール(guidance_scale): 1(CFG / Classifier-Free Guidance は使用しません)。 – ネガティブプロンプト(negative_prompt): サポートされていません。
- ライセンス条件:
- ComfyUI再パッケージ版は
minimax-h3-community-license-agreement、元モデルはminimax-h3-image-community-license-agreementのもとで提供されています。
性能・品質
元モデルのモデルカードでは、生成品質および性能に関して以下の3つの主要な特長がアピールされています。なお、他モデルとの定量的ベンチマーク数値の比較表は公開資料に含まれていません。
第一に、計算コストを抑えた16メガピクセル出力の実現です。一般的な1〜4メガピクセルの生成モデルと比較して極めて高精細な画像を生成できる一方で、計算量をコントロール可能な範囲に収めていると説明されています。
第二に、細部まで描き込む描写力とリアルさです。従来の生成画像に見られる特徴的な質感を超え、現実世界の複雑なディテールやニュアンスを再現した画像が得られるとされています。
第三に、強力な指示追従性と画像編集能力です。プロンプトへの忠実性が高く、最大16枚までの参照画像を入力して構図や要素を統合する高度な画像編集が可能であると主張されています。
また、ローカル推論フレームワーク「SGLang」を使用した実行スクリプトと、公式APIを直接呼び出した場合の出力結果を同一プロンプト・設定で比較するケーススタディが示されており、ローカル環境でも公式APIと同等の品質で出力可能であると報告されています。
得意なこと・想定用途
なお、本ニュースは公式の確認が取れていない未確認情報です。以下の性能や用途は、元モデル(MiniMaxAI/MiniMax-H3-Image)のモデルカードによる公開元自身の説明です。
- 高解像度の画像生成: 約16メガピクセル(4096×4096〜6272×2688)をアップスケーラー無しで直接出力するとされています。細部の描き込みが必要な用途に向きます。
- 写実的な表現: モデルカードは「Photorealistic photography」「Surreal editorial photography」の作例を挙げています。
- イラスト・コンセプトアート: 環境コンセプト、キャラクター・クリーチャー・小道具、絵画やイラスト調の作例が示されています。
- 文字入りの画像: 中国語・英語の論理パズルを盤面上で正しく解いた作例が紹介されています。
- 画像編集: 1枚の参照画像からの変換(3Dレンダリングから映画のワンシーン風へ、ゲームマップから一人称視点へ)や、参照画像10枚(空の部屋と家具9点)から1つのリビングへの合成が作例とされています。参照画像は最大16枚まで指定できるとされています。
プロンプトについて、モデルカードは「画像全体を詳細に記述した英語の説明文」を想定していると述べています。短い文を拡張する手段として、MiniMax APIのH3-Image-Context-IRと、ローカル用のMiniMax-H3-Image-PE(任意)が案内されています。
今回のComfy-Org版は、元モデルのファイルをComfyUI向けに再パッケージしたものです。カードに記載があるのはファイル名だけです。何を狙って変えたのか、画質への影響がどうかは、資料に記載がなく不明です。
動作環境
動作環境の目安(Local Model Watch 算出)
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| 4GB(ノートPCの内蔵GPU・スマートフォンなど) | そのままの精度 | 0.0GB | 0.0GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は safetensors です。
ライセンス minimax-h3-community-license-agreement(商用利用不可): MiniMax の MiniMax H3 Community License です。ウェイトの利用を認める地域が EU・英国・韓国・米国に限られ、日本は対象外です(第II条・第V条4)。対象外の地域では個別の許諾が必要です。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルのライセンス(minimax-h3-community-license-agreement)は商用利用を認めていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
配布ファイル
Comfy-Org/MiniMax-H3-Image で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ | ComfyUIの配置先 |
|---|---|---|
diffusion_models/minimax_h3_image_pruned_bf16.safetensors |
40.23GB | models/diffusion_models/ |
diffusion_models/minimax_h3_image_pruned_int8_convrot.safetensors |
20.98GB | models/diffusion_models/ |
diffusion_models/minimax_h3_image_pruned_w4a8.safetensors |
12.55GB | models/diffusion_models/ |
text_encoders/qwen3.5_9b_w4a8_gptq.safetensors |
7.34GB | models/text_encoders/ |
vae/minimax_h3_image_vae_fp16.safetensors |
1.17GB | models/vae/ |
ComfyUIの配置先は、リポジトリのフォルダ構成が ComfyUI の models/ と対応している場合にだけ示しています。
入手方法
配布形式はsafetensorsです。Comfy-Org/MiniMax-H3-Imageのカードによると、ComfyUIには次の3ファイルを配置します。
ComfyUI/models/diffusion_models/minimax_h3_image_pruned_int8_convrot.safetensors
ComfyUI/models/text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
ComfyUI/models/vae/minimax_h3_image_vae_fp16.safetensors
テキストエンコーダーはMiniMax H3と共通です。Comfy-Org/MiniMax-H3のtext_encodersフォルダから入手できます。入手にライセンス同意は求められません(gatedはfalse)。ただし、ライセンスは独自のコミュニティライセンスです。商用利用などの条件は、各リポジトリのライセンス本文で確認してください。
元モデルのモデルカードは、ComfyUIのほかにSGLang、vLLM、diffusersを推奨しています。ComfyUIのT2I/Editテンプレートも案内されていますが、リンク先は資料から読み取れません。元モデルを使う場合のコマンドは次のとおりです。
hf download MiniMaxAI/MiniMax-H3-Image
hf download MiniMaxAI/MiniMax-H3 --include "text_encoder/*"
# optional prompt expander
hf download MiniMaxAI/MiniMax-H3-Image-PE
SGLangでは、1GPUなら次のコマンドで起動します。
sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off
複数GPUで1リクエストを分割するには、--num-gpus 4 --ulysses-degree 4のように指定します。
リクエストで注意する点は次のとおりです。
num_inference_stepsは省略か6のみ、guidance_scaleは省略か1のみ許可されます。他の値はHTTP 400になります。negative_promptは拒否されます。- 再現性のため、
seedの指定とgenerator_deviceをcpuにすることが推奨されています。 min_generation_areaの既定は4194304(2048×2048)です。これより小さいsizeは、大きなキャンバスで生成してからリサイズされます。
上記のAPI仕様はSGLang経由の利用についての記載です。ComfyUIで同じ制約が適用されるかは、資料からは確認できません。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-11-14 | unsloth | GGUF | unsloth/MiniMax-H3-Image-GGUF | そのままの精度 0.0GB(4GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- unsloth/MiniMax-H3-Image-GGUF の量子化: そのままの精度 0.0GB
このほか、上記以外の投稿者による変換版が 5 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
関連記事
- 「Ming-Image」UIデザイン特化の画像生成モデル:ComfyUIの配置先
- 「WeVisOne-VL」視覚言語モデル:必要VRAM 8GB〜
- 「MiniMax-H3-Image-Character-Swap」画像編集モデル:必要VRAM 4GB〜
- 「PAN2」物理変化を予測するワールドモデル:ComfyUIの配置先
次に読むなら
- GPUのVRAMから探す(このモデルは4GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- 同じモデル系統を調べる → MiniMax-H3-Image 系統のまとめ(記事1本・変換版1件)
- このモデルを動かすエンジンを調べる → ComfyUI
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル
- 公開元について調べる → MiniMax のモデル・ライセンス・記事のまとめ
出典
この記事は未確認情報を含みます。 公式の一次情報で裏が取れ次第、更新履歴を追記して反映します。

