MiniMax-H3-ImageのINT8版と軽量版を比較|RTX 5060 Ti 16GBで速度・メモリー・画質を同じシードで検証

前回の記事では、MiniMaxの画像生成AI「MiniMax-H3-Image」を、ComfyUIのポータブル版と、いちばん小さい「軽量版」のファイルで動かしました。

ComfyUIのテンプレートの初期設定では、軽量版ではなくもう少し大きいINT8のファイルが選ばれています。今回はこのINT8のファイルでも動かして、軽量版と速度、メモリーの使用量、画質を比べました。PCは前回と同じ、RTX 5060 Ti 16GB、メモリー64GBのWindows PCです。

同じプロンプトとシードで作った画像。左が軽量版、右がINT8版

比べた2つの組み合わせ

Hugging FaceのComfy-Org/MiniMax-H3-Imageで配布されているファイルのうち、次の2つの組み合わせを比べました。違うのは、画像を作る部分(DiT)と、文章を読み取る部分(テキストエンコーダー)の2つのファイルです。

役割 軽量版(前回の記事) 大きさ INT8版(今回) 大きさ
画像を作る部分(DiT) minimax_h3_image_pruned_w4a8.safetensors 12.55GB minimax_h3_image_pruned_int8_convrot.safetensors 20.98GB
文章を読み取る部分(テキストエンコーダー) qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors 15.69GB qwen3vl_32b_minimax_h3_int8_convrot.safetensors 27.14GB
画像に変換する部分(VAE) minimax_h3_image_vae_fp16.safetensors 1.17GB (同じ) 1.17GB
プロンプト拡張(PE) qwen3.5_9b_w4a8_gptq.safetensors 7.34GB (同じ) 7.34GB
合計 36.75GB 56.63GB

この記事ではDiTとテキストエンコーダーにINT8のファイルを使う組み合わせを「INT8版」と呼びます。ComfyUIのテンプレートを開いたときに最初から選ばれているのは、このINT8版のファイルです。

この記事で出てくる用語

用語 意味
INT8 量子化(モデルの数値を粗くしてファイルを小さくすること)の形式の1つ。数値を8ビットの整数で持ちます
W4A8、NVFP4 軽量版で使われている量子化の形式。INT8より数値をさらに粗くして、ファイルを小さくしています
VRAM グラフィックボード(GPU)に載っているメモリー
メインメモリー PCに載っているメモリー。タスクマネージャーの「メモリ」の欄に出るものです
PE(プロンプト拡張) 短いプロンプトを、別のAIが詳しい英語の説明文に書き直してくれる機能
シード 毎回の絵の違いを決める数値。同じモデルで、同じ設定とシードなら、同じ絵になります

試した環境

項目 内容
GPU NVIDIA GeForce RTX 5060 Ti 16GB(ドライバー621.24)
メモリー 64GB(Windowsから使えるのは61.7GB)
CPU AMD Ryzen 9 9900X
OS Windows 11 Pro
ComfyUI ポータブル版 v0.46.0

INT8版を使う方法

手順は前回の記事とほとんど同じです。違うのは次の2か所だけです。

  1. 前回の記事のSTEP 4で、DiTとテキストエンコーダーのファイルを、次のINT8のファイルに替えてダウンロードします。VAEとPEのファイルは同じものを使います
  2. 前回の記事のSTEP 9(使うファイルの切り替え)は必要ありません。テンプレートの初期設定のまま使えます
ファイル 大きさ 置く場所
minimax_h3_image_pruned_int8_convrot.safetensors 20.98GB ComfyUI\models\diffusion_models
qwen3vl_32b_minimax_h3_int8_convrot.safetensors 27.14GB ComfyUI\models\text_encoders

ダウンロードしたファイルが正しいかを確かめる場合は、前回の記事のSTEP 4と同じ方法でSHA256の値を比べます。今回ダウンロードしたファイルの値は次のとおりでした。

  • minimax_h3_image_pruned_int8_convrot.safetensors:83eb140f1ff95c068f8a6886e6d3f3d0d4ab2e07bb2fe6d2ef992a51146ee622
  • qwen3vl_32b_minimax_h3_int8_convrot.safetensors:bc2ced0fbea64757fa9acddccfc0b3f4819d1dcf1da6c124d690d368be283923

軽量版のファイルがすでにある場合は、この2つを追加するだけで両方を使い分けられます。両方を置くと、モデルのファイルは合計約85GBになります。どちらを使うかは前回の記事のSTEP 9の unet_name と clip_name の欄で選びます。

速度の比較

前回と同じ計測用のスクリプトで計測しました。設定はテンプレートのまま(6ステップ)です。

文章から画像を作る(PEオフ)

条件 軽量版 INT8版
4MP、ComfyUIを起動して最初の1枚 36.5秒 40.7秒
4MP、同じプロンプトで2枚目以降 11.0〜11.4秒 11.3〜11.6秒
4MP、プロンプトを変えた1枚 12.7〜13.3秒 15.3〜17.2秒
16MP(5024×3360)、プロンプトを変えた1枚 52.0秒 64.0秒
16MP(5024×3360)、同じプロンプトで2枚目 48.7秒 58.0秒

4MPで同じプロンプトのまま絵だけを変える場合は、ほとんど差がありません。1ステップあたりの計算時間も同じくらいでした。

プロンプトを変えると、INT8版は約3秒長くなりました。文章を読み取る時間が約2秒から約4秒に延び、画像を作る時間も1秒ほど延びたためです。

16MPでは、INT8版は軽量版より約2割遅くなりました。1ステップあたりの時間が7.4秒から8.9秒に延びています。

INT8版のDiTのファイルは約21GBあり、VRAMの16GBに入りきりません。ComfyUIは入りきらない分をメインメモリーに置き、計算のたびにGPUへ送ります。16MPでは計算の途中のデータもVRAMを多く使うので、送る量が増えて遅くなったと考えられます。

最初の1枚の時間は、どちらもファイルをダウンロードした直後に計測しました。ファイルの一部がWindowsのキャッシュに残っていた可能性があるので、PCを再起動した直後などはもっと長くかかることがあります。

プロンプト拡張(PE)を使う場合

用途別のプロンプト6つをPEオンで生成しました(4MP)。

項目 軽量版 INT8版
1枚の時間 46.0〜69.8秒(平均58.1秒) 55.8〜69.1秒(平均64.5秒)
そのうちPEの時間 32.3〜56.5秒 38.4〜52.6秒

PEの時間は回によって大きく変わります。全体では、INT8版のほうが平均で約6秒長くなりました。

画像を編集する

前回の記事と同じ京都の画像を、同じ指示で編集しました(4MP)。

条件 軽量版 INT8版
PEオフ、1枚目 41.0秒 44.3秒
PEオフ、2枚目 24.6秒 25.4秒
PEオン(同じシード) 125.2秒 125.1秒

画像編集ではほとんど差がありませんでした。PEオンでは時間の大半がPEなので、同じ時間になりました。

メモリーの比較

メモリーの値はタスクマネージャーと同じ数え方(1GB=1,024MB)です。

項目 軽量版 INT8版
VRAMの使用量(最大) 15,203〜15,768MiB 15,472〜15,796MiB
ComfyUIが使ったメインメモリー 7.8〜10.4GB 23.0〜26.9GB
PC全体のメインメモリーの使用量 22.8〜27.5GB 41.7〜44.9GB

VRAMは、どちらもほぼ上限まで使いました。ComfyUIは空いているVRAMを目いっぱい使う仕組みなので、これで正常です。

違いが大きいのはメインメモリーです。INT8版ではComfyUIだけで最大26.9GBを使い、軽量版より約16GB多くなりました。ComfyUIはVRAMに入りきらないモデルをメインメモリーに置いておくため、ファイルが大きい分だけメインメモリーを多く使います。

PC全体の使用量はComfyUIを起動する前の時点で約13GB(ブラウザーやエディターなど)でした。INT8版でPEを使ったときがいちばん多く44.9GBで、それでも残りは約17GBありました。

画質の比較

比べ方

前回の記事で使った10個のプロンプトを、軽量版と同じ大きさ、同じシードでINT8版でも生成し、18組の画像を比べました。画像編集だけは、前回の軽量版がシードを固定していなかったので、軽量版も同じシードで作り直しました。

軽量版で前回と同じプロンプトとシードを入力して、もう一度生成してみました。見た目では区別できない、ほぼ同じ画像になりました(画素の値の差は、0〜255のうち平均0.03)。同じモデルなら、同じシードで同じ絵が再現できます。

一方で、INT8版は同じシードでも構図から違う絵になりました。モデルの数値が少しずつ違うので、同じ絵の細部だけがきれいになるわけではありません。そのため、ここではそれぞれの画像が指示どおりになっているかを比べました。

以下の画像は、どれも左が軽量版、右がINT8版です。

結果の一覧

用途 PE 結果
京都の路地(4MP) オフ ほぼ同程度。赤い提灯は軽量版だけにある
京都の路地(16MP、等倍) オフ 同程度
アニメ調のイラスト オフ 同程度
商品写真 オフ INT8版のほうが良い
商品写真 オン 同程度
料理写真 オフ どちらも親子丼にならない
料理写真 オン INT8版のほうが良い
風景写真 オフ どちらも朝霧と朝日が出ない
風景写真 オン 同程度
プレゼン資料のスライド オフ INT8版のほうが良い
プレゼン資料のスライド オン INT8版のほうが良い
イベントのチラシ オフ 一長一短
イベントのチラシ オン 同程度(どちらも文字が正確)
ロゴ オフ どちらも店名が1文字違う
ロゴ オン 同程度(どちらも文字が正確)
ゲーム素材のドット絵 オフ 同程度
画像編集 オフ ほぼ同じ絵
画像編集 オン ほぼ同じ絵

主な組を画像で紹介します。プロンプトの全文は前回の記事に載せています。

京都の路地(4MP、PEオフ)

冒頭の画像です。番傘、着物、濡れた石畳、「抹茶」の看板と、どちらもプロンプトの内容がそろっています。プロンプトにある赤い提灯は、軽量版には描かれていますが、INT8版にはありませんでした。

京都の路地(16MP、PEオフ、等倍)

16MP(5024×3360)で生成した画像の同じ位置を、縮小せずに切り出しました。構図は違いますが、番傘の骨や瓦、電線の細かさは同じくらいです。16MPの細部の描き込みに、はっきりした差は見つかりませんでした。

16MPの画像の同じ位置を等倍で切り出したもの。左が軽量版、右がINT8版

商品写真(PEオフ)

「木製のハンドルが付いた手挽きのコーヒーミル」の商品写真です。軽量版はハンドルの付き方が不自然で、正面のラベルに意味のない英字が入りました。INT8版はハンドルの付き方が自然で、意味のない文字もありません。ただ、本体の正面の形は少し不自然です。

商品写真(PEオフ)。左が軽量版、右がINT8版

プレゼン資料のスライド(PEオフ/PEオン)

見出しと3つのステップを文字で入れるスライドです。PEオフでは、どちらもプロンプトの「16:9のプレゼンテーション資料のスライド。」という文が画像の上部に入り、説明の文は意味のない文字の並びになりました。違いは見出しとステップの文字です。軽量版は見出しに「、−見。」という余計な文字が付き、「モデルを選ぶ」が「モデルを述ぶ」になりました。INT8版は見出しと3つのステップが正確でした。

プレゼン資料のスライド(PEオフ)。左が軽量版、右がINT8版

PEオンでは、軽量版は「GPUを用意する」の「意」が別の字になりましたが、INT8版はすべての文字が正確でした。

プレゼン資料のスライド(PEオン)。左が軽量版、右がINT8版

料理写真(PEオフ/PEオン)

「湯気の立つ親子丼と味噌汁、小鉢の漬物」の写真です。PEオフでは、どちらも丼の中身がスープのようになり、親子丼になりませんでした。INT8版でも、料理の名前を理解させるにはPEが必要です。

料理写真(PEオフ)。左が軽量版、右がINT8版

PEオンでは、どちらも丼、味噌汁、漬物、箸がそろいました。INT8版のほうが、鶏肉と卵がはっきりした親子丼らしい見た目で、味噌汁にも豆腐とねぎが入っています。

料理写真(PEオン)。左が軽量版、右がINT8版

イベントのチラシ(PEオフ)

軽量版は場所の「みどり公園 中央広場」のあとに「かれいた」という余計な文字が入りました。INT8版は日時と場所が正確でしたが、屋台の看板は意味のない字の並びになりました。どちらが良いとは言いにくい結果です。PEオンでは、どちらも指定した文字がすべて正確に入りました。

イベントのチラシ(PEオフ)。左が軽量版、右がINT8版

アニメ調のイラスト(PEオフ)

どちらもヘッドホンをかけた少女、なびく髪とマフラー、夕焼けのグラデーションがそろっています。絵柄の質に差はありませんでした。ドット絵も同じく、どちらも指示どおりでした。

アニメ調のイラスト(PEオフ)。左が軽量版、右がINT8版

画像編集(PEオン)

番傘を水色に変えて、雪の降る夕方にする編集です。元の画像があるので、軽量版とINT8版でほとんど同じ絵になりました。PEオフでも同じでした。

画像編集(PEオン)。左が軽量版、右がINT8版

今回の結果から分かったこと

  • 半分以上の組は同程度で、軽量版でも十分な品質でした。軽量版のほうがはっきり良かった組はありませんでした
  • INT8版のほうが良かった4組のうち、2組はスライドの文字でした。大きな見出しのような文字は、INT8版のほうが正確な場面が多くありました。ただし、ロゴ(PEオフ)では、どちらも店名が1文字違いました
  • 料理の名前や、朝霧のような天気は、INT8版でもPEオフでは反映されませんでした。写真の用途でPEを使ったほうがよいのは、どちらでも同じです
  • 画像編集は、どちらもほぼ同じ絵になりました。編集が中心なら、メモリーの少ない軽量版で十分です
  • 同じシードでも絵が変わるので、「軽量版で気に入った絵を、INT8版で作り直してきれいにする」という使い方はできません

どちらを選ぶか

こんな場合 おすすめ
メインメモリーが32GB 軽量版。INT8版はComfyUIだけで約27GBを使うので、足りなくなる可能性が高いです(今回は試していません)
メインメモリーが64GB以上で、文字入りの画像や指示の正確さを重視する INT8版
16MPの画像をたくさん作る、速さを重視する 軽量版。16MPは約2割速くなります
画像編集が中心 軽量版。結果はほぼ同じで、メモリーの使用量が少なくなります
RTX 40シリーズ以前のGPU テキストエンコーダーはINT8のファイルが無難です。軽量版のテキストエンコーダーはRTX 50シリーズ向けの形式(NVFP4)です(今回は試していません)

注意点

  • 画質の比較は1つのプロンプトにつき1枚ずつです。シードを変えると結果も変わるので、傾向として見てください
  • 計測はこのPCだけで行いました。メモリーの量やストレージの速さが違うPCでは、特にINT8版の時間が変わる可能性があります
  • 画質の違いがDiTとテキストエンコーダーのどちらのファイルによるものかは確かめていません
  • ライセンスの条件はどちらのファイルでも同じです。前回の記事の「使うときの条件(ライセンス)」を確認してください

コメント

タイトルとURLをコピーしました