Scribble at 2026-11-15 06:14:36 Last modified: 2026-11-15 13:49:57
Forge Neo で MiniMax-H3-Image に対応する拡張機能をリリースしてくれた人がいるので、オープン・ウェイトの画像拡散生成モデルとしては最新かつ最高性能と言ってもいい MiniMax-H3-Image を動かしてみることにした。既に ASCII のサイトで紹介されており、あいかわらずインドの女の子の写真を作って遊んでいるようだが、いくら日本人にたまたま似ないようにしてるとは言っても、あれでは使う気になれない人も多かろう。
もちろん、フルスペックだと僕のマシンでは動かせないため、Pruna AI がリリースしている "w4a8"(ウェイトを4ビットに圧縮し、活性化関数も8ビットにまで圧縮しているモデル)の DiT を使い、これに対応するテキスト・エンコーダと VAE を合わせてダウンロードした。これでも、総ファイル容量は 13.3 GB + 3.5 GB + 3.1 GB で、ほぼ 20 GB となるから、メイン・メモリへのオフロードは必至である。
そして、Pruna AI のモデルは8ステップのターボも効いているので、2,720 x 1,536 ピクセルの画像を1枚出すのに20秒ていどしかかからず、十分に実用的だ。なお、このクラスのモデルになると、最初から 4 MP か 8 MP の解像度で生成しないと細部が破綻したり描写が不足するらしいので、皮肉なことだが 4 MP で出してからアップ・スケーラーで逆に縮小するという手法も勧められている。まぁ個人の用途でタブレットに表示する壁紙ていどなら、4 MP の解像度で画像を持つのは無駄だろう。実際、JPEG ファイルとして生成すると、1枚あたり 1.5 MB にもなるので、おいそれと何千枚も作ってたらストレージが足りなくなる。これでは、せっかく生成する画像のフォーマットを PNG から JPEG に変更した意味がない。