Diffusers 0.43.0公開:MiniMax-H3-ImageやPAN 2など5モデル追加

Diffusers 0.43.0公開:MiniMax-H3-ImageやPAN 2など5モデル追加

基本情報

項目 内容
リポジトリ huggingface/diffusers
版 v0.43.0
公開日 2026-11-12
ライセンス Apache-2.0
出典の種類 公開元の一次情報(HuggingFace公式リポジトリのリリースノート)

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

huggingface/diffusersは、画像・動画・音声生成の拡散モデルをPyTorchで動かすためのPythonライブラリです(Apache-2.0)。そのDiffusers 0.43.0が公開されました。MiniMax-H3-Image、Pika H3 Flex、P-H3-Image、Kandinsky S2V 1.0、PAN 2の5モデルがmodularパイプラインとして追加されています。

利用者に最も影響が大きいのは、依存パッケージの最低バージョンが実際に強制されるようになった点です。torch>=2.6かtransformers>=4.41.2を満たさない環境では、該当パッケージが「利用不可」と扱われます。古い環境の方は、更新前に確認してください。

破壊的変更・非推奨

対象 旧 新
依存バージョン確認 最低バージョン未満でも通る場合があった 未満なら利用不可扱いとなり、アップグレードを促すメッセージが出ます
latent upscaler・condition embedder パイプラインのモジュールからimport diffusers.modelsへ移動。旧importは1.0.0で削除予定の非推奨です。from diffusers import LTX2TextConnectorsのように公開importを使います
modularの入力既定値 明示したNoneの扱いは資料に記載なし 明示したNoneは保持されます。省略した入力は、最初にそれを読むブロックの既定値になります
--max_grad_norm 一部のLoRA例で無効 有効になります
コンポーネントのimport リポジトリ設定から任意のライブラリをimport 対応ライブラリ外のカスタムモジュールは、呼び出し側で事前にimportが必要です

InputParamが必須かつ非Noneの既定値を持つ場合は、optional扱いになり警告が出ます。

既存チェックポイントは、移動後も読み込めるとされています。影響を受けるのは、旧importパスを使うコードと、古いtorch/transformersの環境です。

--max_grad_normは、train_text_to_image_lora.pyとtrain_lcm_distill_lora_sdxl.pyで、それまで効いていませんでした。既定値の1.0でも、勾配が大きい実行では学習結果が以前と変わります。

リモートコードを使うmodularのカスタムブロックは、要件処理の前に信頼性が確認されます。

主な変更点

新モデルの追加

MiniMax-H3-Imageは、テキストから画像を生成します。参照画像による編集もでき、6ステップ固定のスケジュールを使います。ModularPipeline.from_pretrained(...)で読み込み、load_components(...)を呼びます。Pika H3 FlexはMiniMax-H3を土台に、動画とステレオ音声を6ステップで生成します。MiniMax-H3の読み込み済みコンポーネントを、両パイプラインで共有する方法も文書化されています。

P-H3-Image(Pruna AI)は、最大8枚の入力画像による指示ベースの編集に対応し、8ステップで動きます。Kandinsky S2V 1.0は、参照画像と音声から人物を動かす動画を、5秒単位で生成します。LiteとProのチェックポイントがあり、蒸留版はPiflowSchedulerを使い、既定は16ステップです。

PAN 2は、29Bの生成シミュレーターです。text-to-videoとimage-to-videoに対応し、context parallelismと3種のキャッシュ(FirstBlockCache、MagCache、TaylorSeer)が使えます。安全チェックは既定で有効で、別パッケージpan2-guardrailが必要です。これらのモデルは、いずれも新規に追加されたものです。再変換などの作業はありません。

AMD RDNA4向けアテンション

新しいaiter_sage_hubバックエンドは、HubにあるSageAttentionカーネルをRDNA4 gfx1201のGPUで使えるようにします。非対応の入力形状は、標準のSDPAにフォールバックします。

MiniMax-H3のテンソル並列

トランスフォーマーを複数デバイスに分割できます。大きなmodulation projectionも対象です。テンソル並列での読み込み時に、複製パラメータのdtypeが保たれるようにもなりました。

アテンションバックエンドの修正

ModelMixin.set_attention_backend()が、プロセス全体のバックエンドを書き換えなくなりました。あるモデルで選んだバックエンドが、無関係なモデルへ波及する問題が直っています。また、FlashAttention-2は新しいHubカーネルでも動きます。バックエンド選択時にHubカーネルがダウンロードされるようにもなりました。複数モデルを同じプロセスで動かす方に関係します。

LoRAとチェックポイント保存

複数アダプターでのコンポーネント重み辞書のブロードキャストが修正されました。Kohya形式のtext-encoder LoRAは、モジュールごとのalpha値を保持します。save_pretrained()は、分割チェックポイントを単一ファイルに置き換えるとき、他のvariantのシャードを消さなくなりました。

modularキャッシュと学習例

statefulなキャッシュフックは、例外が出た呼び出しも含め、呼び出しごとにリセットされます。学習例では、FLUX量子化embeddingの準備スクリプトが最新のTransformersに対応しました。期限切れのdeprecationブロックが、--revision指定時の学習を落としていた問題も解消しています。

対応モデル・ハードウェア

今回の版では、次のモデルがmodularパイプラインとして使えるようになりました。

  • MiniMax-H3-Image:テキストからの画像生成と、1枚以上の参照画像を使った編集ができます。
  • Pika H3 Flex:テキスト、最初や最後のフレーム、マルチモーダル参照から、動画とステレオ音声を生成できます。LoRAアダプターの読み込みにも対応しています。
  • P-H3-Image:テキストからの画像生成と、最大8枚の入力画像による指示ベース編集ができます。プロンプトを詳細化するupsamplerも含まれます。
  • Kandinsky S2V 1.0:参照画像と音声から、人物の全身の動きを含む動画を生成できます。LiteとProのチェックポイントがあります。
  • PAN 2:29Bの生成シミュレーターを、text-to-videoとimage-to-videoで動かせます。context parallelismとキャッシュ3種に対応しています。別のreasoningモデルは統合の対象外で、モデルのドキュメントからリンクされています。

ハードウェアでは、AMD RDNA4(gfx1201)のGPUで、aiter_sage_hubバックエンド経由のSageAttentionが使えるようになりました。MiniMax-H3はテンソル並列にも対応しています。

メモリ要件は、モデルごとのドキュメントに記載があるとされています。たとえばKandinsky S2Vのドキュメントで確認できます。なお、各モデルの必要VRAMは、今回の資料には数値がありません。

アップデート方法

READMEでは、仮想環境にPyPIかCondaから入れることが推奨されています。資料にあるのは推奨のみで、具体的なコマンドは記載されていません。そのため、更新手順はv0.43.0のリリースページを確認してください。

更新前に、次の点を確認してください。

  • torch>=2.6とtransformers>=4.41.2を満たしているか。満たさない場合、該当パッケージは利用不可扱いになります。
  • 旧パスからlatent upscalerやcondition embedderをimportしていないか。
  • PAN 2を使う場合は、別途pan2-guardrailパッケージが必要です。

読み込みの基本形は、READMEの次の例のとおりです。

from diffusers import DiffusionPipeline
import torch

pipeline = DiffusionPipeline.from_pretrained("stable-diffusion-v1-5/stable-diffusion-v1-5", dtype=torch.float16)
pipeline.to("cuda")

新しい5モデルは、ModularPipeline.from_pretrained(...)で読み込み、load_components(...)を呼ぶ形です。詳細は各モデルのドキュメントを参照してください。

前回の記事からの更新履歴

当サイトがGitHubのリリース一覧から機械的にまとめた、この版と前回取り上げた版の間に出た版です(単独記事にはしていません)。 全ての版はエンジン別ページにあります。

版 公開日 リリースノート
v0.42.1 2026-10-27 GitHub

関連記事

次に読むなら

出典