MiniMaxが正式にH3生画像モデルをオープンソース化し、6ステップで1680万ピクセルを出力します。

MiniMax は H3-Image を正式にリリースし、モデルの重みをオープンソース化しました。このモデルは、追加の拡大なしに 4096×4096、約 1680 万ピクセルの画像を直接生成できます。公式データによれば、生成時間は 10 秒未満で、速度は主流製品の最大 5 倍に達します。文生図と画像編集は同じモデルに統合され、最大 16 枚の参考画像をサポートします。

H3-Image は H3 ビデオモデルのアーキテクチャを踏襲し、音声部分を削除し、元のテキストエンコーダーを保持し、画像用にデコーダーを再設計しました。コア画像生成ネットワークは 331 億パラメータを持ち、1 枚の画像を生成するのに 6 回のサンプリングが必要です。8 月 7 日、MiniMax の研究者 Kiro は Reddit AMA で、チームが H3 同源アーキテクチャに基づいて専用の画像モデルを開発しており、重みをオープンソース化する計画があることを明らかにし、最初に画像モデルで初フレームを生成し、その後 H3 に動画生成を任せるワークフローを提案しました。

11 月 3 日、Pruna AI はオープンソースの H3 ビデオモデルに基づいて P-H3-Image を発表し、生画像と修正画像をサポートし、生成ネットワークを 331 億から約 200 億パラメータに圧縮し、8 ステップのサンプリングで済むようにしました。最小量子化バージョンは約 20 GB で、800 万ピクセルの画像を生成する際のピークメモリは約 21 GB です。MiniMax の公式版は 331 億パラメータの生成ネットワークを保持し、サンプリングステップ数は 6 ステップで、より高い解像度とより多くの参考画像をサポートし、元の重みと再利用されたテキストエンコーダーを合わせて約 135 GB です。オープンソースのライセンスには地域制限があり、アメリカ、イギリス、EU、韓国はコミュニティライセンスの許可地域に含まれていません。企業の年収が 100 万ドルを超える場合や、第三者にモデルホスティングサービスを提供する場合は、事前に個別の許可を取得する必要があります。