MiniMax-H3-Imageは、高解像度の画像生成と、複数の参照画像を組み合わせる編集を一つのモデルに統合したMiniMaxの画像モデルです。人物や商品の参照を使った構図づくりから写真・イラストの生成まで、ComfyUI上でローカル実行できます。

MiniMax-H3-Imageとは
MiniMax-H3-Imageは、動画モデルMiniMax H3を基盤に、音声処理の分岐を外して静止画の生成・編集に対応したモデルです。文章と参照画像の読み取りにはMiniMax H3と共通のQwen3-VLテキストエンコーダを使い、画像の圧縮・復元には専用の画像VAEを組み合わせます。
生成と編集は同じモデルで処理します。
6ステップで約1600万画素を直接生成
MiniMax-H3-Imageは、6ステップで生成するように蒸留されていて、約16MPの画像をアップスケーラーを挟まずに生成します。
有効な生成範囲は約4~20MPで、画質を重視した推奨値は約16MPです。正方形だけでなく、横長や縦長でも同程度の画素数を確保します。
ComfyUI 最新バージョン 0.45.0にテンプレートが追加されています。

最大16枚の参照を使った画像編集
画像編集では、1枚目を変更対象にし、後続の画像から人物・家具・小物・材質などを参照します。入力順に<Picture 1>、<Picture 2>と番号が付き、プロンプトでどの画像の要素を使うかを指定します。
参照画像は、Qwen3-VLによる内容の読み取りと、VAEによる画像情報の圧縮の両方を通して生成に反映されます。空間の構成を基準画像に、配置する物を別の画像に持たせるなど、各画像へ役割を割り当てる編集に対応しています。
短い指示を詳細な英語プロンプトへ拡張
プロンプト拡張(PE)は、短い依頼を画像全体の詳しい英語の説明へ書き換える処理です。MiniMax-H3-Imageは詳細な英語の画像説明を入力に使い、PEが人物・構図・材質・照明などを補います。
MiniMax公開のMiniMax-H3-Image-PEは、Qwen3.8-27Bを基に調整したFP4モデルです。文章から画像を生成するためのプロンプト拡張を担い、画像編集向けには、参照画像を読む言語モデルと組み合わせるプロンプトが公開されています。
ComfyUIの公式ワークフローでは、PEにQwen3.5 9Bを使用します。短い指示を展開するPEと、画像生成本体へ文章・参照画像を渡すQwen3-VLは、それぞれ役割が異なります。
ComfyUIのモデル構成と生成設定
Comfy-OrgがComfyUI向けのモデルファイルを配布しており、画像生成用と画像編集用の公式ワークフローがあります。
公式テンプレートのワークフローの基本構成は次の4ファイルです。
- 生成モデル本体、INT8版・約20.98GB
minimax_h3_image_pruned_int8_convrot.safetensors
画像生成と参照画像を使った編集を処理 - 文章・参照画像を読み取るテキストエンコーダ、約27.14GB
qwen3vl_32b_minimax_h3_int8_convrot.safetensors
動画版MiniMax H3と共通で、既存ファイルを再利用 - 画像の圧縮・復元を担うVAE、約1.17GB
minimax_h3_image_vae_fp16.safetensors
参照画像を圧縮し、生成した内部表現を画像へ復元 - 任意のプロンプト拡張モデル、約7.34GB
qwen3.5_9b_w4a8_gptq.safetensors
短い生成・編集指示を詳細な画像説明へ展開
生成モデル本体には、BF16版の約40.23GBと、W4A8版の約12.55GBもあります。
公式ワークフローのサンプリング設定は、stepsが6、CFGが1、samplerがeuler、schedulerがsimple、denoiseが1です。画像編集では、MiniMax H3 Image Conditioningに参照画像と画像VAEを接続する構成になっています。
生成してみた
RTX 4070 Ti SUPER VRAM16GB RAM64GB環境で生成しました。
テンプレートのワークフロー、4MP(2048×2048)
プロンプト拡張オフで生成時間は、初回56秒、2回目以降平均約9秒、
消費メモリは専有GPU15GB、共有25GBでした。

4MP(2048×2048):平均約9秒
8MP(2912×2912):平均約17秒
16MP(4096×4096):平均約37秒

16MPで生成、生成時間約51秒
20Pに縮小しています。
Tokyo Comfy Land イラストマップ

日本語はかなり綺麗に描画されています。
アニメ、近未来、戦う女性戦士、「MiniMax-H3-Image」の文字、ダイナミックなアングル

Image Editのテンプレートで生成
Replace the vintage yellow taxi in <Picture 1> with a pastel pink ice-cream truck with a scalloped awning and a glowing service window, sitting in the same side profile at the curb.


背景や人物はほとんど変わらず車だけが変更されています。
4MP 2720×1536
生成時間は約119秒でした。
10枚の画像参照と女性と壁のテキストを追加する指示。

4、8、16MPで生成してみました。
3画像とも720Pに縮小表示しています。
まとめ
ステップ数を6ステップに減らした分、高解像度でないと顔などが破綻してしまいます。
それでも半分の解像度のQwen Image Edite(25step)で同様のクオリティを求めるよりは1.5ほど速く生成できます。
モニターに表示するだけなら1600万画素も必要ないですが、家庭用のプリンタ(300dpi)なら、17MPでA3サイズ、12MPでA4の印刷が可能です。
高解像度が生成できることで利用の幅が広がると思います。
ライセンスと利用条件
MiniMax-H3-Imageには、専用の「MiniMax-H3-Image Community License Agreement」が適用されます。主な条件は次のとおりです。
- 日本を含む対象地域で、規約に従った利用・改変・再配布を許諾
- EU・英国・韓国・米国は対象地域から除外され、モデルと生成物の利用・配布にも地域制限を適用
- 本人または関連会社の年換算売上が100万米ドルを超える場合、MiniMaxの事前の書面許諾が必要
- 第三者向けのホスティングサービスを提供する場合、売上額にかかわらず事前の書面許諾が必要
- モデルを利用する商用製品・サービスの画面に「MiniMax-H3-Image」の名称表示が必要
参考URL






