メインコンテンツへスキップ
見出し画像

新モデルMiniMax-H3-Image(GGUF)を検証する:4K画像ならIdeogram4に勝てるのか?いつもの11枚比較

    久々に新しい画像生成のオープンモデルがリリースされた。MiniMax-H3-Imageである。そこで、いつもの11枚で画像比較をしてみた。

    MiniMax-H3-Imageとは

    MiniMax-H3-Imageは、MiniMaxが2026年11月にオープンウェイトで公開した画像生成モデルである。公式ブログの日付は11月11日で、中国の独身の日に合わせたかのようなタイミングだった。同社の動画・マルチモーダルモデル「H3」をベースにしており、テキストからの画像生成(T2I)、参照画像を使った生成、画像編集に対応する。

    公式が打ち出している特徴は次の3つである。

    • 速度:4K(4096×4096)の画像を10秒未満で生成できるとしている。主流の他社モデルの最大5倍の速度をうたう。

    • 画質:AI画像にありがちな過度に滑らかで人工的な見た目を避け、細部の質感を豊かに出せるとしている。

    • プロンプト追従性:オープンウェイトモデルの中でトップクラスとしており、最大16枚の参照画像を扱える。

    公式ブログが推しているのは、通常の1K・2Kではなく、4K(約16MP)の高解像度出力を実用的な速さで出せる点である。のちの比較で4096x4096を使う理由もここにある。

    技術面では、報道各社の情報によると、H3の動画モデルから音声の部分を外し、テキストエンコーダにQwen3-VLを引き継いだ構成で、画像生成部は33.1Bパラメータ、6ステップのサンプリングで生成するとされる。重みはBF16で約68GBあり、テキストエンコーダを合わせると約135GBになる。

    ライセンスは独自のコミュニティライセンスで、米国・EU・英国・韓国は対象外と報じられている。使う場合は、各自でライセンス条項を確認してほしい。

    筆者が今回使うのは、公式の重みではなく、コミュニティ(Abiray氏)が公開している量子化GGUF版のQ4_K_Mである。

    導入でつまずいた話

    今回使ったのは量子化GGUF版のQ4_K_Mで、配布ページはこちら。

    https://huggingface.co/Abiray/MiniMax-H3-Image-GGUF

    同ページのワークフロー(image_minimax_h3_image_t2i_gguf.json)で生成しようとしたが、エラーになった。同じ配布ページにある minimax_h3_image_gguf_fix.py を custom_nodes ディレクトリに置かないと動かなかったので、同じところで詰まった人は試してほしい。あとComfyUIを最新にしないとこのワークフローのノードが使えなかった。

    いつもの1024x1280では酷い結果だった

    導入できたので、いつもの11枚をいつもの1024x1280で生成した。結果は酷く、全体的に低品質で、これまで見てきたモデルの中でも下位に位置する。

    ここで、生成した1024x1280の画像を1枚貼る。

    画像

    公式は「リッチで自然なディテール」をうたっているので、あまりの落差に驚き、ネットの情報を調べてみた。すると、コミュニティでも似た評価が出ているようだった。以下は筆者が裏取りした情報ではなく、ネット上の声をまとめたものである。

    • 画質、特に顔や肌の質感、細部のディテールが厳しいという声が多い。

    • 低解像度(1MP前後)では顔の描画が破綻しやすく、2MP以上の高解像度で生成すると改善するという指摘がある。

    • GGUFの4bit量子化(Q4など)では、画質の劣化が出やすいという見方がある。

    • 一方で、生成の速さと、複数画像を参照した編集は高く評価されている。

    このまま比較は中止しようと思ったが、モデルカードを読むと、4096x4096に対応していることがわかった。Q4では画質の劣化が出やすいという情報があったが、その上のQ5KMだと14.1GBありQ4KMでは11.6GBだったのでVRAM12GBでもモデル本体だけはVRAMにロードできそうなQ4KMを使用した。

    4096x4096で生成できた

    4096x4096で生成すると、VRAM 16GBでときどきOOMが起きるが、やり直せば生成できる。公式だと高速生成ができるとのことだが、筆者の環境の問題だろうか1枚5分ほどかかる。※ それでも、RTX5060TiのVRAM 16GBで4096x4096が生成できてしまうのは特筆に値する。

    ※その後検証してCK-Attentionのノードを入れると2分30秒程度まで縮まった。2048x2048であれば40秒だった。

    画像

    比較相手はIdeogram4のNSFW版

    今回は複数モデルの比較ではなく、最近はAIエージェントのMCPに登録して画像の素材作りのメインで使っているIdeogram4.0のNSFW版(Fal_Ideo_4_NSFW-int8_convrot.safetensors)と比較する。

    このモデルはNSFWが目的ではない。Ideogramは、普通の画像を生成しても検閲に引っかかりやすいセンシティブなモデルである。JSONでかなり細かく指定すればなんとか生成できるレベルで、普通のプロンプトで確実に生成するために、構図の傾向が好きなこのモデルを使っている。ただし、後述のとおり、プロンプトに衣装の指定がない場合などに、意図しない露出が出る副作用がある。

    Ideogram4は筆者の環境では4096x4096を生成できないため、2048x2048で比較する。普通に考えれば縦横2倍のサイズで生成するMiniMaxが有利なはずだが、さてどうだろうか。

    以下、画像は2枚を連結して掲載する(左:MiniMax-H3-Image 4096x4096→2048x2048にスケールダウン、右:Ideogram4 2048x2048)。

    1番:情報過多な日本人美女

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    MiniMaxは、石灯籠、苔、岩、松、楓、竹、鯉の池、障子と、庭園の要素をほぼすべて拾った。鯉もはっきり判別できる。肌はそばかすや細かな質感が自然で、プラスチックのような平滑化もない。ただし、年齢は30代後半〜40代に見え、「20代半ば」の指定とはずれた。着物も上品ではあるが、刺繍の密度は控えめである。

    Ideogram4は、金糸刺繍、鶴、桜、松、楓まで描き込んだ着物の密度が圧倒的で、リムライトと浅い被写界深度の演出も見事だった。年齢も20代半ばらしい。一方、竹と鯉の池が抜け、肌のテカりも強い。

    プロンプトへの忠実さではMiniMaxが僅差で上、一枚絵のインパクトではIdeogram4という印象だった。

    2番:アニメ調のポストカード風イラスト

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    MiniMaxは「実写の背景、手で持ったポストカード、その中のアニメ調の少女」という二重構造を正確に再現した。キャラクターの要素も全部入っている。日本語は「こんんにちは!お元気ですか?♥」と「ん」が1つ多いミスがあったが、文章としては読める水準である。筆記体の指定は活字になり、文字が左下に寄って、親指に少し隠れた。

    Ideogram4は、ポストカードそのものが消え、少女を手でつまむ構図になった。文字も「こんこは」「こにくちは!」「お元気でか?」と崩れ、意味が通る形になっていない。1024x1280ではお手本のように綺麗に生成できていたので2kにした弊害だろうか。

    この画像はMiniMaxが優勢だった。

    3番:毎度の難しいポーズ

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    プロンプトに対する構図としてはMiniMaxが上である。体の構造に破綻がなく、衣装も指定どおりだった。ただし姿勢は横向きというよりほぼ仰向けで、何より画像が粗すぎる。肌がざらざらとした質感になり、粒子の粗い写真になっている。

    Ideogram4は、あぐらと片膝立ちを組み合わせたアクロバティックな姿勢を自分で補いながら、体の構造は破綻させなかった。肌もなめらかである。構図はプロンプトから外れているが、筆者としてはこちらのほうが好みである。

    構図の忠実さではMiniMaxが上だが、実際に使えるのはIdeogram4とする。

    4番:情報過多なサイバーパンク

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    人間の目で見る限り、どちらもいい出来である。

    MiniMaxは、写真的な質感を保ったまま、ホログラムのバイザー、エネルギーキューブ、ドローン、濡れた路面の反射を丁寧に拾った。不思議なことに、このプロンプトではMiniMaxの肌はツルツルに仕上がった。3番のような粗さは出ていない。ただし、時間帯が夜ではなく曇り空の昼に見え、右肩のそばに浮かぶはずのドローンも人物から離れている。

    Ideogram4は、肩に寄り添うドローン、両手のグローブ、ケーブル、自販機まで、要素の網羅度と密度が一段上である。コンセプトアートとしての迫力があり、青いハイライトの髪も指定どおりだった。ただしイラスト寄りで画面が騒がしく、こちらも夜の雰囲気は薄い。

    「写真」の指定への忠実さならMiniMax、要素の密度ならIdeogram4で、好みが分かれる。

    5番:複数キャラクターの配置と対話の再現

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    日本語の吹き出しは、両モデルとも「今日はテストだよ」「マジか…」を正確に出せた。2番で苦戦した日本語が、この番号では両方とも通っている。

    差がついたのは絵そのものである。Ideogram4は、やや絵がイラストチックだが、ちゃんと漫画に見える。教室の背景、男の子の驚いた表情も描き込まれている。

    一方のMiniMaxは、作りかけ、もしくは薄くコピーしたような仕上げを忘れた漫画という印象だ。

    6番:濡れた生地の質感とSFWの維持

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    MiniMaxの土砂降り感は圧倒的で、縦に降る雨粒が画面全体を埋めている。濡れたシャツの肌への密着感もリアルで、SFWもしっかり守っている。ただ、顔に付く雨粒が多すぎて、肌が溶けたように見えなくもない。もっとも、これだけの土砂降りなら実際こうなるようにも思え、判断は難しい。

    Ideogram4も、シャツの密着感と石畳の街並みの雰囲気は見事である。しかし雨は控えめで、NSFWモデルを使っている都合上、SFWの指定は完全には守られなかった。この点はモデル本来の評価というより、使用モデルの事情として読んでほしい。

    7番:難しい指の造形

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    両モデルとも、指の造形に破綻はなかった。MiniMaxは右手の親指を隠して9本、Ideogram4は親指を交差させて10本という違いはあるが、難しい構図をどちらも成立させている。

    MiniMaxは遠近感の迫力と掌の細かな描き込みがあるものの、肌が荒れて見え、手だけがお婆さんのような印象になる。Ideogram4は肌がなめらかで自然で、指の隙間から顔がのぞくためポートレートとしても成立している。

    8番:疾走感のアニメーション

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    Ideogram4には、プロンプトに下半身の衣装の指定がなかったためか、意図しない描写が出た。これもNSFWモデルの副作用である。画像には黒マスクをかけ、比較もその部分を除外して行う。

    MiniMaxは、非常に長い髪とジャケットが後方になびき、線のきれいなアニメらしい仕上がりだった。ただし色調はやや地味で、前脚は伸びるより膝を曲げた形になっている。Ideogram4は、水平の流線と足元の砂煙で、スピード感と画面の迫力が一段上だった。

    この番号は、疾走感でIdeogram4がやや優勢である。

    9番:迫力のある女性ボクシングシーン

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。

    方向性がはっきり分かれた。

    MiniMaxは、パンチのモーションブラーと至近距離の撃ち合いで、「動」の迫力を前面に出している。肌の粗さはまた出てしまったが、「動」として迫力のある画像としては、肌の粗さも含めて出来がいい。ここは賛否が分かれるだろう。ただし照明は明るく、プロンプトの薄暗いアンダーグラウンドの雰囲気とは異なり、グローブの色も統一されていない。

    Ideogram4は、薄暗いボクシングシーンで「静」としての緊張感がある。暗闇に浮かぶ明暗の対比が美しく、画質もきれいである。ベルトやグローブの文字が意味のない文字列になっている点は残念だった。

    10番:カジキを釣り上げる女性、長文プロンプト

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。


    このプロンプトは、ギャフを打ってカジキを吊り上げる場面が書かれているが、まともにこのとおりに成功させたモデルは、今のところない。今回もMiniMaxとIdeogram4の両方が再現できなかった。

    MiniMaxは、女性が曲がった金属の棒を握り、魚を頭上に掲げる構図になった。ギャフと魚の接続は不明確だが、ローアングルで魚の高さを強調する躍動感があり、衣装も指定どおりのマリン風だった。

    Ideogram4は、ヨットの金具やデッキの描き込みが緻密で、魚の質感も写実的である。しかし、女性は立ったまま手を添えているだけで、「持ち上げる」動作にはなっていない。また、プロンプトで指定した衣装を着ていない。これもNSFWモデルの副作用である。この画像にも公開時には黒マスクをかけている。

    指定への忠実さではMiniMaxが優位だった。

    11番:サービスショット、サービス、サービス

    画像
    PCはクリックで拡大、更にクリックで超拡大、スマホはタッチしてピンチインで広げてね。


    MiniMaxは、ストライプ入りの青い水着、白いファーのラグ、体を傾けたポーズまで、細部の指定を丁寧に拾っている。ただし、3番と同じく、顔がダメで全体的に粒子が粗い写真になっている。身体は、見ようによっては生々しい粗さに見える人もいるかもしれない。

    Ideogram4は、柔らかい拡散光となめらかな肌で、見た目の完成度が一段上である。ポーズの細部はずれたが、写真としての印象は良好だった。

    結果のまとめ

    番号 テーマ 優勢
    1 日本人美女 MiniMax (画の完成度はIdeogram4)
    2 ポストカード MiniMax
    3 難しいポーズ Ideogram4 (MiniMaxは構図は上だが粗すぎる)
    4 サイバーパンク 好み (写真ならMiniMax、密度ならIdeogram4)
    5 マンガ会話 Ideogram4
    6 濡れた生地 MiniMax (NSFWモデルの事情あり)
    7 指の造形 引き分け
    8 疾走感 Ideogram4 (やや優勢)
    9 ボクシング 好み (動ならMiniMax、静ならIdeogram4)
    10 カジキ MiniMax (ギャフは両者×)
    11 サービスショット Ideogram4(画質)。MiniMaxは衣装の再現度

    MiniMaxの肌の粗さについて

    今回、MiniMaxで目立ったのが肌の粗さである。3番、7番、9番、11番で出て、1番、4番、6番、10番では出なかった。

    出なかった番号は、プロンプトに肌や質感、光の描写が具体的に書かれている傾向があった。荒れた肌が出た番号は、そうした指定が薄い傾向があった。そこで何度か肌の描写と光の描写有り無しで生成して比較したところ、肌の描写と光の描写有りの方が一定の改善がされた肌になる。PEをオンにする(LLMでプロンプト補完)が前提のモデルのようだ。

    画像
    左が肌と光の描写有、右がなし

    総括:MiniMaxはどういう使い方が向いているか

    縦横2倍の解像度で生成したMiniMaxが、圧倒的に有利なはずだったが、結果はそうならなかった。プロンプトの細部への忠実さや、日本語テキストの再現(2番)では上回る場面があった一方、画質の面では、肌の粗さと、漫画の描画(5番)に弱点が出た。Ideogram4は、2048x2048でも画としての完成度が高い。なお、4096と2048の解像度差があるため、同じ条件の勝負とは言えない点は断っておく。

    そのうえで、MiniMaxの向いている使い方を整理する。

    • プロンプトの指定が細かいとき:衣装、背景、小物、ポーズの指定を忠実に拾う。肌や光の指定も具体的に書くと、粗さが出にくい傾向がある。

    • 4096x4096の高解像度で作りたいとき:VRAM 16GBでも生成できる。ただし、時間はかかるし、OOMのやり直しは覚悟する。但しコミュニティでは速度が出ているようなので、ここは筆者の環境がいろいろ弄りすぎて何か悪さをして遅いだけかもしれない。

    • 構図やキャラクターの一貫性を素早く確定したいとき:コミュニティでの評価のとおり、リファレンス編集や素材づくりの用途が本領と考えられる(ここは筆者は未検証)。

    • 後工程で仕上げる前提のとき:顔や肌の質感は、Face Detailerなどの修復ノードで差し替える使い方が現実的。

    • 向かない用途:漫画風の絵と、肌の指定が薄い人物の一発出し。低解像度での生成。

    「綺麗な1枚絵を一発で出すモデル」というより、構図の理解力と高解像度出力を生かして、素材づくりに使うモデルとして割り切るのがよさそうだ。

    毎度使用しているプロンプト

    関連記事

     
     
    旧「退職しよう」のAI記事だけこちらで書こうかなと。ローカルGPUで動くAIだけをいじっているので、オンラインサービスには疎いです。

    あなたへのおすすめ