H3 Image

H3 Image をローカルで動かす H3 Image のダウンロードと VRAM ガイド

Hugging Face にある H3 Image の全バージョンとサイズ、VRAM・ツール・ライセンスの注意点。

MiniMax H3 Image はオープンウェイトなので、H3 Image をローカルで動かせます。Hugging Face からダウンロードして ComfyUI、Diffusers、SGLang、vLLM-Omni で読み込むか、Mac ならコミュニティ版の MLX ビルドを使います。公式モデルは BF16 で 68.65 GB、別に 66.7 GB のテキストエンコーダーが必要です。コミュニティ版の GGUF や FP8 は小さめです。以下に各バージョンのサイズ、モデルが前提とする設定、ライセンス条件をまとめました。私たちはこれらのファイルを動かしていません。

  • 公式版は BF16 で 68.65 GB
  • H3 Image の GGUF・FP8・MLX 版
  • ComfyUI、Diffusers、SGLang、vLLM-Omni
  • ライセンスは米国・EU・英国・韓国が対象外
0
A woman lying on a sheepskin rug in warm afternoon window light
プロンプト

A casual phone photo of a woman in her mid-twenties lying back on a white sheepskin rug on a wooden floor beside a sunny window. Long dark hair spread out, one hand resting against her cheek, eyes half closed. She wears a short-sleeved floral summer dress and slouchy cream knit socks. Open paperback books and a few ripe apricots lie on the rug around her. Warm, hard late-afternoon sunlight falls across her in a sharp diagonal, with deep soft shadows. Shot from slightly above, natural skin texture with freckles, light film grain, faded warm colors. A small white serif caption along the bottom edge reads: "Sunday, somewhere around four."

早わかり

H3 Image を動かすのに必要なもの

H3 Image の動作要件を8行で。MiniMax のモデルカードと Hugging Face をもとに、2026年11月11日に確認しました。なお、これらのファイルを私たち自身のハードウェアで動かしたことはありません。

公式モデル
BF16 で 68.65 GB
パラメータ数は331億。MiniMaxAI/MiniMax-H3-Image で公開されています。
テキストエンコーダー
66.7 GB(別途ダウンロード)
MiniMaxAI/MiniMax-H3 の text_encoder フォルダーから入手します。
最低限のグラフィックボード
MiniMax の記載なし
vLLM-Omni 向けには NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350X を挙げています。
最小のコミュニティ版ファイル
6.9 GB(GGUF Q2_K)
枝刈り(プルーニング)したモデルをコミュニティが量子化したもの。テキストエンコーダーと VAE は別途必要です。
最小のコミュニティ版フルセット
約21 GB
Comfy-Org による ComfyUI 向け再パッケージ版で、W4A8 モデル(12.5 GB)、最小のテキストエンコーダー(7.3 GB)、VAE(1.2 GB)の組み合わせです。
対応ツール
ComfyUI、Diffusers、SGLang、vLLM-Omni
設定
6ステップ、ガイダンス1、ネガティブプロンプトなし
ライセンス
MiniMax-H3-Image Community License
米国・EU・英国・韓国では適用されません。

Hugging Face の MiniMax H3 Image モデルカード

H3 Image のダウンロード:必要な3つのパーツ

公式の H3 Image ダウンロードは画像モデル本体です。パラメータ数331億の拡散トランスフォーマーで、BF16 で合計 68.65 GB。Hugging Face にある MiniMax 公式の H3 Image リポジトリ MiniMaxAI/MiniMax-H3-Image で配布されています。ここには、プロンプトを読み取るテキストエンコーダーは含まれていません。H3 Image は MiniMax H3 の Qwen3-VL ベースのエンコーダーを使い、これは MiniMaxAI/MiniMax-H3 リポジトリの text_encoder フォルダーから別途ダウンロードします(66.7 GB)。つまり、フル精度の構成は合計で約135 GB になります。

3つ目のパーツは VAE で、モデルが出力した圧縮データを最終的な画像に変換します。H3 Image の VAE はダウンサンプリング率16倍で、コミュニティのバンドルに含まれている場合は約1.2 GB です。MiniMax はオプションのプロンプト拡張モデル MiniMax-H3-Image-PE(NVFP4 で 17.9 GB)も公開しています。短いプロンプトを、モデルが得意とする詳しい描写に書き直すものなので、自分で詳しく書くなら不要です。

2026年11月11日時点

Hugging Face にある H3 Image の全バージョンとサイズ

2026年11月11日時点で Hugging Face にある公式版とコミュニティ版です。サイズは Hugging Face のファイル一覧によります。コミュニティ版は MiniMax ではなく個人やチームが独自にアップロードしたもので、品質は検証していません。「枝刈り(プルーニング)」は、モデルの一部を削って小さくしたものを指します。

MiniMaxAI/MiniMax-H3-ImageMiniMax 公式BF16 の H3 Image モデル(331億パラメータ)68.65 GBMiniMaxAI/MiniMax-H3 のテキストエンコーダー(66.7 GB)
MiniMax-H3-Image-PE公式のプロンプト拡張(任意)短いプロンプトを詳しく書き直すモデル(NVFP4)17.9 GB公式モデル(これはプロンプトを書き直すだけ)
Comfy-Org/MiniMax-H3-ImageComfyUI 向け再パッケージComfyUI 向け再パッケージ。枝刈りしたモデル(BF16/INT8/W4A8)、3種類から選べるテキストエンコーダー、VAEモデル 40.2 GB(BF16)· 21.0 GB(INT8)· 12.5 GB(W4A8)、テキストエンコーダー 27.1/15.7/7.3 GB、VAE 1.2 GB。最小構成なら約21 GBほかには不要。同じリポジトリから、モデル、テキストエンコーダー、VAE を1つずつ選ぶだけ
Abiray/MiniMax-H3-Image-GGUFコミュニティ版 GGUF枝刈りしたモデルの Q2_K、Q3_K_M、Q4_K_M、Q5_K_M6.9 GB(Q2_K)· 8.9 GB(Q3_K_M)· 11.6 GB(Q4_K_M)· 14.1 GB(Q5_K_M)テキストエンコーダーと VAE(ファイルは拡散モデル本体のみ)
unsloth/MiniMax-H3-Image-FP8コミュニティ版 FP8/INT8FP8 または INT8 のモデル各 20.3 GBテキストエンコーダーと VAE(リポジトリには拡散モデル本体のみ)
Woovee/MiniMax-H3-Image-LowVRAMコミュニティ版 低 VRAM バンドル枝刈りした W4A8 モデル、NVFP4 のテキストエンコーダー、VAE をひとまとめに合計 29.4 GB(12.5 + 15.7 + 1.2 GB)記載なし。3つのパーツがすべてバンドルに含まれる
cguldogan/MiniMax-H3-Image-MLX-4bit/-8bitコミュニティ版 Apple Silicon 向け MLXMLX 向けの 4bit 版と 8bit 版4bit 版は合計 31.4 GB · 8bit 版は合計 53.3 GBMLX が使える Apple Silicon 搭載の Mac
VisualInference/MiniMax-H3-Image-MLX-bf16コミュニティ版 MLX(フル精度)MLX 向けの bf16 版合計 94.2 GBMLX が使える Apple Silicon 搭載の Mac
その他の量子化版SD-Next SDNQ uint4、LSDJesus fp8-nvfp4、nativ-community、WaveCut OrbitQuantそのほかの量子化形式リポジトリによって異なるリポジトリによって異なる
akhaliq/minimax-h3-image-pdmd-2stepコミュニティ版 2ステップアダプター2ステップ版。LoRA、BF16 のフル重み、ComfyUI 用ファイルで提供リポジトリ全体で約110 GB。使うファイルだけをダウンロードすれば済みますLoRA の場合:読み込み先となるモデル本体

H3 Image の VRAM:ファイルサイズからわかること、わからないこと

ダウンロード容量が、そのまま H3 Image に必要な VRAM になるわけではありません。画像を作っている間は、モデル本体に加えてテキストエンコーダーと VAE もメモリを使います。さらに H3 Image はどの画像もいったん 2048 × 2048 以上で描いてから縮小するため、小さいサイズを指定してもこの描画は小さくなりません。VRAM が足りなくなったときにモデルの一部をシステム RAM に逃がせるツールもあり、大きなモデルを小さめのカードで動かせますが、1枚ごとの生成は遅くなります。

MiniMax は最低限のグラフィックボードを公表しておらず、挙げているハードウェアはデータセンター/ワークステーション級です。H3 Image を低 VRAM で動かしたいなら、コミュニティ版が候補になります。H3 Image の GGUF はモデル単体で 6.9 GB から、H3 Image の FP8 ファイルは 20.3 GB、Comfy-Org の ComfyUI 向け再パッケージ版で最小のフルセットは約21 GB、Woovee のバンドルは3つのパーツすべてで 29.4 GB です。いずれもダウンロード容量であって、そのサイズのカードで動くという保証ではありません。また、私たちが測っていない部分で、公式モデルと結果が異なる可能性もあります。

MiniMax H3 をファインチューニングした別モデル、Pruna の P-H3-Image は、家庭用カードでの目安を公表しています。4bit 版の ComfyUI ファイルは約21 GB の VRAM で動作します。手元のマシンがこれらの数字に遠く及ばないなら、h3image.com の生成ツールで公式の H3 Image をブラウザから使えます。

対応ツール

H3 Image を動かせるツール

MiniMax は公式の重みを動かす4つの方法をドキュメントで案内していて、1つのジョブを複数の GPU に分ける方法も含まれます。コミュニティからは Mac 向けの版も出ています。

  • H3 Image の ComfyUI テンプレート

    ComfyUI には、テキストから画像と編集向けの MiniMax H3 Image 公式テンプレートがあり、docs.comfy.org に手順を追ったチュートリアルもあります。Comfy-Org は Hugging Face で ComfyUI 向けの再パッケージ版も公開しています。

  • Python で Diffusers

    Python スクリプトから、Diffusers の DiffusionPipeline で公式リポジトリ MiniMaxAI/MiniMax-H3-Image を読み込みます。Diffusers は Apple の mps バックエンドでも動きます。

  • SGLang サーバー

    sglang serve --model-path MiniMaxAI/MiniMax-H3-Image で、自前の API の裏側でモデルを動かせます。アプリやバッチ処理向けです。

  • vLLM-Omni サーバー

    vllm serve MiniMaxAI/MiniMax-H3-Image --omni で起動します。MiniMax が挙げているハードウェア(NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350X)は、この構成向けです。

  • Mac で MLX

    コミュニティの MLX 版を使えば、Apple Silicon で H3 Image を動かせます。一覧は下の Mac のセクションにあります。

セットアップ

H3 Image をローカルで導入する手順

H3 Image をローカルで動かす手順は、どのツールを使っても同じ4ステップです。

  1. 1

    まずメモリを確認

    VRAM と、ツールがオフロードに対応していればシステム RAM も、上の表と見比べてください。モデル、テキストエンコーダー、VAE のすべてに空きが必要です。

  2. 2

    モデルとテキストエンコーダーをダウンロード

    H3 Image の重みを MiniMaxAI/MiniMax-H3-Image かコミュニティ版から入手し、テキストエンコーダーは MiniMaxAI/MiniMax-H3 の text_encoder フォルダーから入手します(テキストエンコーダー同梱の版なら不要です)。

  3. 3

    ツールで読み込む

    ComfyUI の H3 Image テンプレート(テキストから画像、または編集)を開くか、Diffusers、SGLang、vLLM-Omni でリポジトリを指定します。

  4. 4

    6ステップ・ガイダンス1のまま使う

    ネガティブプロンプトは空にして、英語で詳しくプロンプトを書きます。思いどおりにならないときは、サンプラーではなくプロンプトを変えてください。

設定

どのツールでも守りたい H3 Image の設定

MiniMax は H3 Image を決まったレシピに合わせて蒸留しています。以下の値は、モデルカードと ComfyUI のチュートリアルによるものです。

サンプリングステップ
6
MiniMax のサーバーでは、これ以外のステップ数やガイダンス値は受け付けられません。
ガイダンス
1
ネガティブプロンプト
なし
避けたいものを並べる代わりに、画像に入れたいものを書きます。
プロンプト
英語で詳しく、最大4,096トークン
MiniMax の GitHub リポジトリには、プロンプトの書き方ガイド skills/h3-image-prompt-writing があります。
出力サイズ
どのアスペクト比でも約16メガピクセル
モデルは約4〜20メガピクセルの範囲で動作し、標準では 2048 × 2048 以上で描いてから縮小します。
参照画像
編集では最大16枚
モデルカードのサンプルコードでは、プロンプト内で <Picture 1>、<Picture 2> のように呼んでいます。

ComfyUI の MiniMax H3 Image チュートリアル

Mac で H3 Image を動かす:MLX 版と Diffusers

Mac で H3 Image を動かすなら、Apple Silicon 向けのコミュニティ版 MLX ビルドが候補です。cguldogan による 4bit 版と 8bit 版、VisualInference による bf16 版があります。4bit 版は合計 31.4 GB で、2026年11月11日時点で私たちが見つけた中では最小の Mac 向けフルセットです。収まるかどうかは Mac のメモリ次第で、どれも私たちは検証していません。Diffusers を使えば公式パイプラインを Apple の mps バックエンドで動かすこともできますが、フルサイズのモデルに 66.7 GB のテキストエンコーダーが加わります。これらのコミュニティ変換版は MiniMax のリリースではありません。Mac のメモリがダウンロード容量に足りない場合は、h3image.com のブラウザ版生成ツールで公式モデルを使えます。

Hugging Face の cguldogan による MLX 4bit 版

H3 Image のライセンス:使う前に確認したいこと

重みを自分で動かす場合の H3 Image のライセンスは、2026年11月10日付の MiniMax-H3-Image Community License です。ロイヤリティは不要ですが、それはライセンスが「Applicable Territory(適用地域)」と呼ぶ範囲の中だけです。EU、英国、韓国、米国は除外されていて、除外は重みを動かすことだけでなく、これらの地域で生成物を使うことにも及びます。

次の2つのケースでは、事前に MiniMax の書面による許可が必要です。年換算の売上が100万米ドルを超える企業と、モデルをホスティング型サービスとして第三者に提供する場合です。許可は platform.minimax.io/license から申請します。重みをもとにした商用製品には「MiniMax-H3-Image」という名称を表示する必要があり、モデルも生成物も、学習データにするなどして他の AI モデルの改良に使うことはできません。作った画像について MiniMax は権利を主張せず、ライセンスの準拠法は香港法です。

GitHub の MiniMax-H3-Image ライセンス

GPU なしで H3 Image を試せる場所

MiniMax は Hugging Face に公式の Space、MiniMaxAI/minimax-h3-image を用意しています。コミュニティの Space も2つあり、akhaliq の2ステップ版と multimodalart の MiniMax-H3-images でバリエーションを試せます。H3 Image は MiniMax の Hailuo アプリにも入っていて、開発者は MiniMax API から呼び出せます。

h3image.com の生成ツールは公式の MiniMax H3 Image で動いていて、テキストから画像に加え、参照写真を最大16枚使った編集もできます。2026年11月11日の私たちのテストでは、2K の画像が15〜19秒、4K が約22秒、編集が20〜24秒でした。新規アカウントなら 1K の画像を5枚無料で作れるので、135 GB をダウンロードする前に実際の結果を確かめられます。

Hugging Face にある MiniMax 公式の H3 Image Space

H3 Image をローカルで動かすの作例

  • H3 Image

    A bright phone snapshot of a smiling woman in her mid-twenties leaning on the tiled edge of a rooftop swimming pool, arms folded on the edge, one hand making a peace sign near her face. Wet dark hair in a loose braid over one shoulder, a pale yellow one-piece swimsuit, water droplets on her skin and a light sunburn blush on her cheeks. Behind her: blue pool water, white sun loungers, two palm trees and a hazy city skyline under a cloudy summer sky. Midday sun, slightly overexposed highlights, eye-level framing a little off center, natural skin texture, casual and happy.

  • H3 Image

    A mirror selfie in a minimal apartment hallway: a young woman in her twenties holds a pale blue phone in front of her face so her face is hidden, long straight black hair falling past her shoulders. She wears a fitted white long-sleeve cropped top, light blue striped pajama pants and a small cream teddy-bear bag on a thin gold chain over her shoulder. Soft daylight from a doorway on the left, a white wall and a dark wooden door frame behind her. Slightly tilted vertical framing, phone camera look, true-to-life colors.

  • H3 Image

    An ordinary phone photo taken by a friend across the table in a busy cafe: a woman in her late twenties with messy dark hair and a gray knit sweater, mid-laugh, holding a paper coffee cup. Eye level, slightly tilted framing, her face a little off center. Mixed light from the window and warm ceiling bulbs, a bit of motion blur on her hand, other customers soft in the background. No studio lighting, no retouching, visible skin texture.

  • H3 Image

    Character reference sheet of one young woman with short silver hair, a green bomber jacket, black cargo pants and white sneakers. Top row: full-body front view, side view and back view in the same neutral pose, evenly spaced on a plain light gray background. Bottom row: six head-and-shoulder close-ups with different expressions, labeled Happy, Angry, Surprised, Sad, Thinking and Laughing. Clean digital illustration, flat even lighting, the same proportions and colors in every view.

  • H3 Image

    Knolling photo shot from directly above: a vintage film camera taken apart into its body, lens, lens cap, strap, two film rolls, a cleaning brush and a small screwdriver, all laid out at right angles with even gaps on a pale oak table. Soft daylight from a window on the left, gentle shadows, every object fully visible and none overlapping. Sharp focus from edge to edge, natural colors.

よくある質問

H3 Image をローカルで動かす:よくある質問