fal、動画生成モデル「H3 Max」を発表し高速化と高品質を両立

fal Research が開発し、fal の推論チームが最大速度を最適化した「H3 Max」を発表します。これは MiniMax H3 のポストトレーニング版です。

人間の評価によるベンチマークでは、H3 Max は主要な動画モデルと比較して、総合的な品質、プロンプト理解力、美観のすべての項目で第 1 位を獲得しました。しかも、生成にかかる時間は 5 秒の動画でも 3 秒未満。これは公式の MiniMax H3 エンドポイントよりも約 35 倍、同等の品質を持つ他モデルと比較しても平均して 15 倍高速です。

これらの結果は、生成動画における「高品質なら推論速度が遅くなる」という一般的なトレードオフに挑戦するものです。

H3 Max は、この課題の両側面——モデル自体と推論システム——を同時に最適化した成果です。実世界での性能向上を図りつつ、リアルタイム性（より速い処理）を維持できるような推論システムをモデルと共に設計しました。これには、通常は別々の領域にある「最先端のモデル研究」と「深い推論最適化やカーネル開発」の両方の能力が必要でした。

Post-training H3 Max

オープンウェイトの MiniMax H3 モデルをベースに、ポストトレーニングにおいて大幅な新データを追加しました。特にプロンプトへの忠実度とビジュアル品質の向上に注力しています。その結果、より高性能かつ高速なモデルを実現し、既存の基盤モデルのコア機能は維持されたまま、極めて低遅延での動作が可能になりました。

MiniMax H3 チームは H3 Max について以下のように述べています。

H3 Max は、SOTA（最先端）レベルの動画品質と、生成速度における飛躍的な向上を両立しました。これにより、より幅広い実世界のアプリケーションにおいて、高品質な動画生成が現実的なものとなっています。私たちは初日から fal と緊密に連携してきました。彼らは生成 AI インフラストラクチャの専門知識を持ち、最先端モデルを生産環境へ迅速かつ確実に導入する能力に長けています。そのため、H3 Max にとって最適なパートナーであることは間違いありません。

ポストトレーニング期間中、私たちはチェックポイントを継続的に評価しました。評価は「全体の品質」「プロンプト理解度」「美的センス」の 3 つの観点から、直接比較する形式（ヘッド・トゥ・ヘッド）で実施しています。これらの指標を個別に評価することで、単一の集約スコアに対して最適化するよりも、はるかに明確な改善方向性を把握できました。

その結果得られたモデルは、動画生成においてユーザーが実際に重視する品質——つまり「あなたの要求を正しく理解しているか」「使い物になる成果物を生み出せるか」——において、元の H3 モデルから意味のある進化を遂げています。

推論エンジンとの共設計

H3 Max では、研究開発と推論のワークが密接に連携しています。当社の推論チームは過去 4 年間、拡散モデルや生成メディアの負荷最適化に取り組んできました。H3 Max の開発においては、これらのシステム技術を適用しつつ、モデル自体の開発中もトレーニングと推論スタックに関する意思決定を互いに影響させ合うことで進めました。H3 Max は NVIDIA GB200 NVL72 システム 上で、トレーニングからサービス提供まで一貫して実行されています。チップ単位で見ると、GB200 は以前モデルのトレーニングや提供に使用していた前世代アクセラレーターと比較して、性能が最大 2 倍向上しています。

目標は単に高速なモデルを作るだけではありませんでした。チームは、ポストトレーニングによる品質向上を維持したままスループットを最大化することにも注力しました。この考え方が、全体の最適化プロセスの方向性を決定づけたのです。

動画モデルを高速化する手法はいくつか存在します。精度を下げる、サンプリングステップを減らす、高負荷な演算を近似するといった方法です。これらの中には劇的な速度向上をもたらすものもありますが、出力品質が低下してしまうケースもあります。H3 Max では、内部の品質評価で依然として高い位置を維持できる場合のみ、その最適化手法が採用されました。

品質の評価

生成動画の品質評価は本質的に困難です。自動指標では、ある生成物が他よりも優れている理由の一部しか捉えられません。そのため、当社の主要な評価方法は、人間による直接比較（ヘッド・トゥ・ヘッド）に基づくものです。

私たちは、H3 Max を公式の MiniMax H3 エンドポイントや Gemini Omni Flash、Wan 3.0、Seedance 2.5、Kling 3、Veo 3.1 などを含む主要な動画生成モデル 12 機種と比較ベンチマークしました。

評価者は以下の 3 つの観点から生成結果を比較しました。

• 総合的な好み：全体としてどちらの動画を好むか
• プロンプト理解度：指示に忠実に従った生成はどちらか
• 美的品質：視覚的にどちらが優れているか

これらの評価結果は、95% の信頼区間を持つベイズ型 Elo ラーティングを用いて集約しました。

H3 Max はすべての項目で 1 位を獲得し、オリジナルの H3 を含むテストした全モデルとの直接対決でも過半数の勝率を記録しています。

この結果は、当社の評価に限らず他社ベンチマークでも裏付けられています。Artificial Analysis や Design Arena による独立したベンチマークでも、H3 Max は他の動画モデルに対して 1 位を維持しています。

Design Arena は H3 Max について以下のように評価しています。

fal が提供する MiniMax H3 Max は、独立したベンチマークによると、MiniMax H3 と同等の品質を 50 倍以上の速度で実現しており、新たな速度と好みのパレートフロンティアを確立しました。

レイテンシとのトレードオフなしに高品質を

より興味深いのは、品質と速度の両面から見た結果です。

H3 Max は約 3 秒で 5 秒間の動画を生成します。これは公式 H3 エンドポイントのスループットのおよそ 35 倍であり、比較対象となった他のすべてのモデルよりも高速です。

通常、最先端のモデルでは、速度と品質のどちらかを選ばざるを得ないのが常でした。高速なモデルが曲線の一方に、高品質なモデルが他方に位置するのです。

H3 Max はその常識を覆します。

当社の評価において、人間による好意度スコアで最高位を達成すると同時に、スループットにおいても最高値を実現しました。

これは、モデル研究と推論最適化を同じ問題として捉えることの利点です。ポストトレーニングによりモデルの品質を制御でき、システム設計によってそのモデルがどの程度効率的に実行されるかを制御できます。両者を協調して設計することで、一方の改善が他方を犠牲にする必要はなくなります。

生成メディアにおいては、この考え方がますます重要になります。モデルはより大規模になり計算コストも増す一方で、動画生成はインタラクティブな用途や大量生産ワークロードへと移行しているからです。

モデルが単独でベンチマークの首位を占めていても、実用環境での価値は保証されません。重要なのは、品質・レイテンシ・コストという 3 つの要素における最前線です。

私たちの fal では、この 3 つの要素すべてを向上させることを目指しています。

H3 Max の体験

H3 Max は本日より fal で利用可能です。Playground や fal Agent を通じて試すか、API から呼び出すことができます。

初週は H3 Max が 50% オフでご利用いただけます。

今すぐお試しください：

• **テキストから動画へ**
• **画像から動画へ**

H3 Max は、開発者やチームが独自モデルを構築するために利用可能な fal Serverless 上でトレーニングされました。fal Serverless について詳しくはこちら。