fal.ai、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のために最適化した「H3 Max」をリリースしました。

人間の評価による比較において、H3 Max は主要な動画生成モデルに対し、総合的な品質、プロンプトの理解度、美しさのすべての項目で 1 位を獲得しています。しかも、5 秒間の動画を 3 秒未満で生成するスピードを実現しており、これは公式の MiniMax H3 エンドポイントよりも約 35 倍、同程度の品質を持つ他モデルよりも平均して 15 倍も高速です。

imageこれらの結果は、生成動画における「高品質と低速化はトレードオフである」という一般的な常識に挑戦するものです。

H3 Max は、この課題の両側面——モデル自体の性能向上と推論システムの最適化——を同時に追求した成果です。実世界でのパフォーマンス強化を図りつつ、リアルタイムを超える速度でも動作しうるよう、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で扱われる二つの能力が必要です。つまり、最先端のモデル研究と、深いレベルでの推論最適化やカーネル開発です。

H3 Max のポストトレーニング

ベースとなるオープンウェイト版の MiniMax H3 モデルから始め、ポストトレーニング段階で大幅な新規データを追加しました。特にプロンプトへの忠実度と視覚的な品質に重点を置いています。その結果、より高速で優れたモデルが完成し、基本機能は維持されたまま、極めて低いレイテンシを実現しています。

MiniMax H3 チームは、H3 Max に対する見解を共有しました。

H3 Max は、SOTA（State-of-the-Art）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させ、高品質な動画生成を実用的なものとして、より広範な実世界のアプリケーションで利用可能にします。私たちは初日から fal と緊密に連携し、生成 AI インフラストラクチャにおける彼らの専門知識や、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が、H3 Max にとって最適なパートナーであると考えています。

ポストトレーニング期間中、私たちは「全体的な品質」「プロンプトの理解度」「美的センス」という 3 つの次元にわたって、ヘッド・トゥ・ヘッドの選好調査を継続的に実施し、チェックポイントを評価しました。これらの次元を独立して評価することで、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フィードバックを得ることができました。

その結果、動画生成においてユーザーが実際に注目する品質——つまり「何を求めたかを理解しているか」「使用したいものを生み出しているか」——において、元の H3 に対し意味のある改善を遂げたモデルが完成しました。

推論エンジンの共同設計

「H3 Max」の開発では、研究と推論の両方が密接に連携しました。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ワークロード最適化に取り組んできました。H3 Max では、モデル開発中にこれらのシステム技術を適用し、トレーニングと推論スタックに関する意思決定が互いに影響し合う形を実現しました。H3 Max は NVIDIA GB200 NVL72 システム上で完全にトレーニングされ、提供されています。チップ単位で見ると、GB200 は前世代のアクセラレーターと比較して最大 2 倍のパフォーマンスを発揮します。

目標は単にモデルを高速化すること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注力しました。この方針が最適化プロセス全体を形作りました。

動画モデルを高速化する手法はいくつか存在します。精度の低下やサンプリングステップの削減、高負荷な演算の近似などです。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、出力品質が低下するリスクもあります。H3 Max では、内部評価で高い品質を維持できない最適化は採用されませんでした。

品質の評価方法

生成動画の品質評価は本質的に困難です。自動指標では、ある生成結果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、当社の主要な評価手法は人間による直接比較（ヘッド・トゥ・ヘッド）です。

H3 Max は、公式 MiniMax H3 エンドポイント、Gemini Omni Flash、Wan 3.0、Seedance 2.5、Kling 3、Veo 3.1 などを含む、主要な動画モデル 12 機種と比較ベンチマークを行いました。

評価者は、生成された動画の品質を以下の 3 つの観点から比較しました。

総合的な好み：どちらの動画を全体的により好ましいと感じるか

プロンプト理解度：どちらの生成結果が指示内容をより忠実に反映しているか

美的評価：どちらの動画が視覚的に優れているか

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

H3 Max はすべての次元で 1 位を獲得し、オリジナルの H3 を含むテストしたすべての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。

imageこの結果は、当社の評価枠組みの外でも裏付けられています。Artificial Analysis や Design Arena といった独立したベンチマークにおいても、H3 Max は他の動画生成モデルに対して 1 位を維持しています。

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

「MiniMax H3 Max by fal 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 倍以上の速度で提供します。これは、速度と好みのバランスにおいて新たなパラドックス（Pareto frontier）を確立するものです。」

image遅延とのトレードオフを伴わない高品質な生成

さらに興味深いのは、品質と速度の両方を同時に考慮した結果です。

H3 Max は、約 3 秒で 5 秒間の動画生成を実現します。これは公式の H3 エンドポイントの処理能力の約 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、最先端の技術では「速度」と「品質」の二者択一を迫られるのが常でした。高速なモデルが曲線の一方にあり、高品質なモデルが他方に位置するのです。

H3 Max はこの常識を覆します。

評価において最高レベルの人間による満足度スコアを達成しながら、同時に最高の処理能力も実現しました。

これは、モデル研究と推論最適化を同じ課題として捉えることの強みです。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実行効率を制御できます。両者を協調して設計することで、どちらかを犠牲にすることなく双方を向上させることが可能になります。

生成メディアにおいて、このアプローチはますます重要になっていきます。動画生成が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する一方で、モデル自体はより大規模化し、計算リソースの要求も高まっています。

単独でベンチマーク首位を占めるだけでは、実用モデルとしては不十分です。重要なのは、品質・レイテンシ・コストという 3 つの要素における総合的な最先端性です。

fal の目標は、この 3 つすべてを押し広げることです。

H3 Max を試す

H3 Max は今日より fal で利用可能です。Playground で試したり、fal Agent を経由して使ったり、API から呼び出すこともできます。

初週限定で、H3 Max の料金を 50% オフにしています。

ぜひお試しください:

テキストから動画へ

画像から動画へ