H3 のウェイトを落としても、見ていた H3 は手に入らない

MiniMax H3 のウェイトは Hugging Face にあり、ダウンロードに制限はかかっていません。これは本当のことで、この品質帯の動画モデルとしては珍しいことです。そして、たいてい「H3 はオープンソース」と報じられます。そこから決まった形の落胆が生まれます。42 GB を ComfyUI に落とし、公式のテンプレートを回し、そして出てきたものが、あなたにこのモデルを欲しがらせたあの映像に似ていない。

設定が間違っているわけではありません。あなたの手元にあるのは、システムの 3 分の 1 です。

全体の形

サービスとしての H3 は、3 段で動いています。

あなたの入力（テキスト / 画像 / 動画 / 音声）
        ↓
① H3-Context-IR      ホスティング側・非公開
        ↓
② H3-Base            オープンウェイト  ← ダウンロードしたのはこれ
        ↓
③ H3-Regenerate-2K   ホスティング側・非公開
        ↓
   2K のファイル

② が生成モデルそのものです。これは本当に公開されていますし、本当に映像と同期したステレオ音声を出しますし、この問題のいちばん難しい部分でもあります。そして、手に入る段はこれだけです。

① Context-IR は、プロンプトをちゃんと読む段

Context-IR は、渡されたもの——一文、参照画像 9 枚、動画 3 本、音声サンプル——を受け取り、生成器が食べる構造化された中間表現へ書き直します。モダリティをまたいで指示を解決し、時間の前後を割り出し、あなたが書かなかった意味を埋めます。

出てくるのは、あなたの一文を整えたものではありません。フィールドを持つ、ショット単位の文書です。

• integrated_multimodal_description — ショットごとの映像の描写。At 00:04.500 のような時刻つき
• overall_soundscape — 環境音とフォーリー
• non_diegetic_music — 劇伴。あるなら

参照素材のタスクでは、これにさらに 3 つのフィールドが乗ります。素材ごとに、その参照をどれだけ厳密に守るべきかを述べた保持度の分析も含まれます。

公式の例に出ているトークン数を見ると、この段があなたの代わりにどれだけ書いているかが分かります。テキストから動画で約 8,600 トークン、画像から動画でおよそ 22,800、参照素材のタスクで 39,300 前後。これが、生成器が何かを見る前に、あなたの一行のプロンプトが化けている文書です。

オープンウェイトを回すと、これは一切起きません。あなたの一文は、あなたの一文のまま入ります。モデルは同じで、渡される指示書のほうが桁違いに小さいのです。

MiniMax 自身の案内は、抜け道を 2 つ明示しています。Context-IR の API を呼ぶか、公開されているプロンプト指針に沿って自前の文脈層を作るか。一文で足りる、という第 3 の選択肢はありません。

③ Regenerate-2K は高解像度化ではない

ここがいちばん理解する価値のある部分です。名前が、実際とは違うものを連想させるからです。

ふつうの高解像度化は、できあがった 768p のコマを受け取って、足りない画素が何であるべきかを推論します。ほかに手がかりがないので、細部——小さな文字、遠くの顔、質感——は捏造されます。

Regenerate-2K は、768p の結果と、元のマルチモーダルな文脈をまとめて H3 へ通し直し、2K であらためて生成します。あなたのプロンプトも参照素材もまだ手元にあるので、768p では小さすぎて解像しきれなかった細部を、「どう写ったか」から推測するのではなく「本来なんだったか」から組み立て直せます。

だからこれは後処理ではなく生成として値付けされていて（出力 1 秒あたり $0.05、素材は再課金）、だから「ローカルで高解像度化すればいい」は同じ取引にならないのです。

何をしたいかによって、意味が変わる

2 行目には見落としやすいひだがあります。ComfyUI 0.33.1 以降、Context-IR と Regenerate-2K のパートナーノードがあり、手元のグラフから 2K まで届きます。ただしそのノードは MiniMax のサーバー上で動きます。2K で終わるローカルのパイプラインは、あなたの 768p の結果と元素材をマシンの外へ送り出しています。 多くの人がそもそも自前で立てる理由を、それが掘り崩します。

「オープンウェイト」であって「オープンソース」ではない

ここでのこの区別は言葉の細かさの話ではありません。そして噛みついてくるのはライセンスです。

MiniMax H3 Community License は、利用を「Applicable Territory」に限定していて、そこから欧州連合・英国・大韓民国・アメリカ合衆国が除外されています。この制限は付録ではなく、契約の第一文に書かれています。そして出力にも及ぶので、許可された場所で生成して除外された場所で公開したクリップも、許諾の外側です。

これについて広く誤って伝えられていることが 2 つあります。

1. この契約は Hugging Face のリポジトリに紐づいています。 統べているのはチェックポイントです。ウェイトを一度もダウンロードせず、ホスティングされた API だけを呼んできた人は、この契約に入っていません。その人の関係先はサービス規約のほうです。ホスティングされた API は、世界中で利用可能と文書化されています。
2. 除外地域には正式な窓口があります。 MiniMax はそれらの地域からのライセンス申請を歓迎しており、この制限を方針ではなく規制上の慎重さとして位置づけています。「The current limitation means 'not yet', not 'not ever.'」

Open Source Definition に照らすと、このライセンスは 2 つの基準を満たしません。人・集団に対する差別と、利用分野に対する差別です。ウェイトは公開されています。ライセンスはオープンソースライセンスではありません。Hugging Face 自身のラベルも other なので、公開した側もそれ以上を主張してはいません。

これは要約であって、法的助言ではありません。判断がこれに依存するなら、 LICENSE と 公式の Q&A を読んでください。

498 GB を落とす前に

最後にひとつ実務的な注意を。最初の一歩でつまずく人が多いところです。リポジトリ全体は約 498.5 GB あります。生のチェックポイントと diffusers 変換版が隣り合わせで置かれているからです。ほぼ確実に、必要なのは一部だけです。

ダウンロードは、自分のフレームワークが必要とする範囲に絞ってください。それから、ComfyUI の手順書に従っているなら、それが対象にしているバージョンを確認してください。かなりの数がいまだに 0.30.0 と書いています。あれはノードは入っていますが、そのあとに続いた H3 向けの 9 件の修正が入っていません。0.32.0 以降を使ってください。 そのうち 2 件は、音声の破損とピークメモリに効きます。