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。

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."
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。
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。
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。
| バージョン | 内容 | ダウンロード容量 | 別途必要なもの |
|---|---|---|---|
| MiniMaxAI/MiniMax-H3-ImageMiniMax 公式 | BF16 の H3 Image モデル(331億パラメータ) | 68.65 GB | MiniMaxAI/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_M | 6.9 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/INT8 | FP8 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 MLX | MLX 向けの 4bit 版と 8bit 版 | 4bit 版は合計 31.4 GB · 8bit 版は合計 53.3 GB | MLX 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 GB | MLX 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。
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。
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
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
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
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
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。
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。
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。
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。
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。
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.
H3 Image をローカルで動かす:よくある質問
動かせます。重みは2026年11月11日から Hugging Face と GitHub で公開されていて、ComfyUI、Diffusers、SGLang、vLLM-Omni で動きます。H3 Image をフル精度でローカル実行するには、テキストエンコーダーを含めて約135 GB のファイルが必要です。コミュニティ版はずっと小さくなります。
MiniMax は H3 Image の VRAM の目安を公表しておらず、vLLM-Omni 向けに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。コミュニティ版のダウンロード容量は、最小の GGUF モデルファイルの 6.9 GB から、低 VRAM 向けフルバンドルの 29.4 GB まで。ただしダウンロード容量は VRAM ではありません。テキストエンコーダーと VAE もメモリを使います。
コミュニティによるアップロードがあります。Abiray/MiniMax-H3-Image-GGUF に、枝刈りしたモデルの Q2_K〜Q5_K_M のファイル(6.9〜14.1 GB)があり、中身は拡散モデル本体のみです。MiniMax が作ったものではなく、品質は私たちも検証していません。
ComfyUI の MiniMax H3 Image テンプレート(テキストから画像、または編集)を開きます。ComfyUI のドキュメントに、H3 Image を ComfyUI で使う手順を追ったチュートリアルがあります。設定は6ステップ、ガイダンス1、ネガティブプロンプトなしのままにしてください。
Apple Silicon 向けのコミュニティ版 MLX か、mps バックエンドの Diffusers で動かせます。私たちが見つけた最小の Mac 向けフルセットは cguldogan の 4bit MLX 版で、合計 31.4 GB です。こちらは検証していません。
Hugging Face の MiniMaxAI/MiniMax-H3-Image(68.65 GB)と、MiniMaxAI/MiniMax-H3 のテキストエンコーダーです。コードとライセンスは GitHub の MiniMax-AI/MiniMax-H3-Image にあります。
いいえ。P-H3-Image は、Pruna が MiniMax H3 をファインチューニングして作った別のオープンモデルです。2つの違いは「H3 Image と P-H3-Image の比較」ページで紹介しています。
1K と 2K の画像は 2 クレジット、4K の画像は 5 クレジットです。編集では参照画像1枚ごとに少しクレジットが加算され、必要なクレジットは生成前に生成ツールに表示されます。新規アカウントには 10 クレジットが無料で付与されます。h3image.com は独立したサイトで、MiniMax が運営しているものではありません。
H3 Image のガイドとツール
H3 Image と P-H3-Image を比べるか、生成ツールを開いてテキストから画像や写真の編集を試せます。


