PrunaAIが2026年11月3日、テキストから画像を生成し、既存の画像を編集するモデルを公開した。開発者が学習済みの重みをダウンロードして直接実行する方式で、同社の発表では従来の動画モデルより容量と生成時間を削減した。
1. 生成と編集を一つのモデルで
P-H3-ImageはMiniMax-H3動画モデルをベースにした画像生成・編集モデルだ。同社の発表では2~16メガピクセルの画像を生成し、写真のように写実的な場面や映画のような表現を得意とする。モデルカードはテキストからの生成には8メガピクセル、編集には4メガピクセルまたは8メガピクセルを推奨する。
複数の処理段階をつなぐ公開パイプラインでは、使い方や条件を記したモデルカードによると、編集用の入力は最大8枚だ。最初の画像を編集対象とし、残りは人物や小道具などを取り込む参考資料として使う。短い指示で複数の写真の要素を一つの場面にまとめる作業にも対応する。
2. 動画モデルを画像向けに変更
PrunaAIは、動画モデルが物体のさまざまな角度や材質に映る光を学ぶ点を画像モデルの出発点とした。同社は同じプロンプトと、ランダム生成の初期値であるシードで8メガピクセルの画像を比較し、大半のプロンプトで8ステップのモデルが元の50ステップのモデルに匹敵すると説明した。
テキストをモデルが読める信号に変えるエンコーダーは、大規模モデルの出力を小規模モデルが模倣して学ぶ蒸留により、学習中に調整される内部パラメーターを320億個から40億個に削減し、画像生成の計算を50ステップから8ステップに減らした。また、単一画像を鮮明に復元するデコーダーを学習し、重みの数値精度を下げる量子化を適用して8ビット・4ビット構成を作った。
3. 重みの小型化と生成の高速化
同社の発表では、最小の重みセットは元の143GBから20GBに縮小した。以下はブログが示したモデル・精度別のダウンロード容量で、生成時のGPUメモリ使用量とは別だ。
表：モデル・精度別の重みのダウンロード容量
条件：同社が示したMiniMax-H3の元モデルとP-H3-Imageのbf16・4ビット重みセットのダウンロードサイズ。
単位：GB
| 項目 | ダウンロード容量 |
|---|---|
| MiniMax-H3 | 143 |
| P-H3-Image bf16 | 55 |
| P-H3-Image 4ビット | 20 |
最小構成は保存・転送の負荷を減らす選択肢だ。速度は同社の発表によると、B200 1基・bf16で4メガピクセルの生成が12.4秒から2.6秒に、8メガピクセルは30.6秒から5.8秒に短縮した。追加の最適化なしで元の50ステップとP-H3-Imageの8ステップを比較した値だ。
実行コストは選ぶ構成により異なる。ブログの8メガピクセルでのピークGPUメモリはbf16が56GB、4ビットが21GBだが、モデルカードのdiffusersパイプラインでは同じ解像度・bf16でプロンプトアップサンプラーを有効にすると約101GB、無効にすると約83GBとなる。そのため、ダウンロード容量とともに、利用する実行経路のメモリ要件を確認する必要がある。
4. パイプラインとプロンプトの活用
モデルはdiffusersのModularPipelineで利用できる。自動CPUオフロードを設定すると、必要なときに構成要素をGPUへ移し、モデルカードによると80GB GPUでも8メガピクセルの処理を実行できる。
import torch
from diffusers import ComponentsManager, ModularPipeline
manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")
pipe = ModularPipeline.from_pretrained("PrunaAI/P-H3-Image", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)
image = pipe(prompt=prompt, height=3360, width=2496, output="images")[0]プロンプトアップサンプラーは標準で有効になっており、短い指示をモデルに適した詳細な指示に変える。指示を逐一調整する手間を減らす一方、モデルカードのB200 1基・bf16・バッチサイズ1・コンパイルとオフロードなしの条件では、生成時間が6~11秒増える。
自分でプロンプトを書く際は、求める画像の種類と一つの場面を先に説明し、画像に入れる文字は短く引用する方法を推奨する。編集指示には完成後の姿と、そのまま維持する要素を併記する。
ComfyUIもモデルを標準サポートし、別途カスタムノードを用意せずに利用できる。ブログはbf16・8ビット・4ビットの重みから選べる実行経路として紹介している。
5. ライセンスと活用範囲
P-H3-ImageはMiniMax H3 Community Licenseで公開された。ブログとモデルカードは、欧州連合・英国・大韓民国・米国ではMiniMaxの別途許可が必要で、派生製品には「Powered by MiniMax H3」の表示が必要だと案内する。
モデルカードは、低解像度では顔・手・小さな要素の不具合が増え、小さい文字や密集した文字がゆがむ可能性があると説明する。同社は4ビット構成では細部の描写や構図が変わる可能性があるとした。
P-H3-Imageは動画モデルの画像生成・編集能力をより小さく高速に移したもので、導入判断の基準はダウンロード容量だけでなく、実行構成と使用許可にもある。