Prunaは動画モデルを画像モデルに変えた。面白いのは、何を捨てたかだ。

Pruna AIは11月3日にP-H3-Imageを公開しました。画像の生成と編集ができ、重みはオープンで、MiniMax-H3という動画モデルから作られています。
その一文が設計の主張そのものです。動画モデルは、物体がさまざまな角度からどう見えるか、カメラが動くときに光が素材の上でどう落ちるか、シーンがフレーム間でどう整合し続けるかを学ばなければなりません。一枚の写真は、その問題の退化した一例にすぎません。つまり理論上、画像生成でいちばん難しい部分はすでに支払い済みで、あとはモデルに1フレームをうまく描くように教えるだけだということになります。
実際には、動画モデルに1フレームを出力させると、柔らかくぼやけた画像になります。MiniMax自身のH3でもできますが、出来はよくありません。Prunaの貢献は、モデルを分解し、静止画の仕事のために各部品を組み直したことです。
4つのカット
テキストエンコーダは320億パラメータから40億パラメータになり、蒸留されたQwen3-VL-4Bを使っています。この一点だけで重みは67 GBから9 GBに減り、しかもリリースの中で最も目立たない部分です。

Transformerバックボーンは330億から200億パラメータに縮みました。主な外科的処置は、ブログによればTransformerのおよそ40パーセントを占めるタイムステップブロックを、ずっと小さなものに置き換えたことです。タイムステップの条件付けは、すべてのデノイジングステップでネットワーク全体を変調しなければならないため高コストです。動画には時間方向の細かい制御が要ります。静止画に必要なのは1つの数値だけです。
デコーダは、一連の動画フレームではなく、2〜16メガピクセルの範囲で鋭い1枚の画像を出力するように再学習されました。
サンプリングスケジュールはDMDで蒸留され、生成は50ステップから8ステップになりました。
手前には小さなプロンプト・アップサンプラーもあり、Qwen3.5-9Bをベースに、短いプロンプトをH3がよく反応する形に書き換えます。Diffusersパイプラインではデフォルトで有効になっており、bf16のメモリ数値がモデルの実態より悪く見えるのはこれが理由です。
数字にはベンダーのラベルが付いている
Prunaの測定値です。4 MPの画像はB200で2.6秒、MiniMax-H3では12.4秒。8 MPの画像は30.6秒ではなく5.8秒。4-bit重みのL40Sでは、4 MPが約6.3秒です。
ダウンロードはbf16で55 GB、4-bitで20 GB、H3は143 GBです。8 MP時のピークVRAMはbf16で約56 GB、4-bitで約21 GBです。
この21 GBという数字が、これを机で読んでいる人にとって重要な数字です。これは24 GBのカード、3090、4090、5090で、4-bitビルドをフル解像度で動かせるという意味です。16 GBのカードでは、解像度を下げるかオフロードすることになります。
見落としやすい警告が1つあります。プロンプト・アップサンプラー付きのDiffusersパイプラインをbf16・8 MPで動かすと、約100 GBのGPUメモリを要求します。誤植でもモデルのせいでもありません。ComfyUIではなくDiffusersを使うなら、量子化重みを使うか、アップサンプラーを切ってください。
ライセンスは最も使いそうな国を除外している
P-H3-ImageはMiniMax H3 Community Licenseを継承しています。実際には、重みはダウンロード可能だが、アメリカ合衆国、欧州連合、イギリス、韓国ではMiniMaxとの別途契約なしにデプロイできないという意味です。これを使って作った製品には「Powered by MiniMax H3」と表示する必要があります。
この形にはもう慣れました。この1年で、中国のラボはあるパターンに落ち着いています。寛容に聞こえる名前で重みを公開し、地域的な除外条項付きのコミュニティライセンスを付け、その除外を必要とする相手に売る。H3からはNvidia、Pika、Creatify、そして今回のPrunaが派生版を作っており、そのどれもが同じ条項の中をかいくぐっています。
オハイオ州の個人開発者にとっては、技術的にはダウンロードでき、法的には厄介、という意味になります。企業にとってはコンプライアンス審査です。シンガポールやブラジルのラボにとっては、本当に無料の高品質な画像モデルという意味で、これは能力の実質的な再分配であり、アメリカの報道ではあまり論じられません。
もう1つ層があります。ライセンスは重みに付いてくるので、自社製品のためにP-H3-Imageをファインチューンした企業も除外条項に縛られます。派生作品は条項を洗浄しません。
なぜ動画モデルを蒸留するのか
優れたオープン画像モデルはすでにあります。FLUX 3 Image Kleinは56億パラメータで、ホスト型APIでは1枚0.8セント。なぜ143 GBの動画スタックを持ってきて、工学の時間を費やして20 GBまで縮めるのでしょうか。
答えは、動画の学習データが何を教えるかにあります。クリップで学習したモデルは、同じ物体を変化する光と角度の下で見て、孤立した写真で学習したモデルより完全な内部表現を学びます。それが現れるのは特定の場所です。マルチリファレンス編集です。
P-H3-Imageは1つの構図で最大8〜9枚の参照画像を受け付けます。どの文書を読むかによります。キャラクターを製品写真、ポスター、UIモックの間で一貫させるのは、画像モデルがたいてい崩れるタスクであり、まさに動画に基づく表現が効くタスクです。
Pruna自身の説明では、動画モデルは連続するフレームの整合を保つ副産物として物理世界を学びます。静止画1枚には、その知識はほとんど無駄です。互いに一致する必要のある複数の静止画にとっては、それが要点です。
量子化ビルドは3つの別製品
ComfyUIユーザーは3つの完全な重みセットを手にします。bf16、8-bit、4-bitです。同じモデルのファイルサイズ違いではありません。
bf16では意図された出力が得られ、8 MPで56 GBのVRAMが必要です。つまりA100かH100クラスのカードです。4-bitなら4090で21 GBに収まり、量子化が細部に与えるコストはそのまま受け入れます。中間の層は、40 GBを持っていて解像度より品質を保ちたい人のためのものです。
そこから導かれる実用的な助言は、まず目標解像度を決め、次に収まる量子化を選び、それから結果が十分かどうかを判断する、という順序です。逆の順序、つまり一番小さいからという理由で4-bitビルドをダウンロードし、手がおかしいと文句を言うのは、妥協版をそれが調整されていない解像度で動かしておいてモデルがダメだと結論づけるやり方です。
得意でないこと
限界はPruna自身が述べています。細部、手、小さな文字や密な文字は不安定になりえます。同社はモデルを、フォトリアルおよびドキュメンタリー写真、フィルムスチール、アニメ、短いテキストを含むグラフィックで最も強いと位置づけています。本文が段落単位で入るポスターが仕事なら、これはその道具ではありません。
ベンチマークの状況も薄いです。独立した評価はまだありません。リリース内の速度と品質の数字はすべてベンダー測定で、比較対象はMiniMax-H3とPruna自身の以前のWan Imageの仕事であり、FLUX 3やNano Bananaではありません。
試し方
DiffusersパイプラインはHugging FaceのPrunaAI/P-H3-Imageにあります。別にComfyUIリポジトリがあり、3つの完全な重みセット、bf16、8-bit、4-bitと、カスタムノード不要のネイティブComfyUIサポートを備えています。1セットを選び、その中の4ファイルをすべてダウンロードして、リポジトリが指定するフォルダにそれぞれ置いてください。
24 GBのカードを持っているなら、4 MPの4-bitセット、アップサンプラーはオフから始めてください。ローンチギャラリーではなく、自分のプロンプト10個で、すでに使っているものと比べてください。面白い問いは、マルチリファレンス編集が自分の実際の素材で持ちこたえるかどうかです。単純な速度は1年ほど前に差別化要因ではなくなっていますから。