私的AI研究会 > ComfyUI14
#ref(): File not found: "image_hidream_o1_m.jpg" at page "ComfyUI14"
「ComfyUI」を使ってローカル環境でのAI画像生成を検証する
| 2026年5月 中国のAIスタートアップ「HiDream.ai」からオープンソースとして正式に発表・公開されされた画像生成モデル「HiDream-O1-Image」を検証してみる |
| モデル名 | 特徴 |
| HiDream-O1-Image full | 標準モデル 50 steps, guidance scale 5.0, shift 3.0 |
| HiDream-O1-Image dev | 蒸留モデル（dev）は 28 steps, guidance scale 0, shift 1.0 |
| ・ HiDream-O1-Image は、Qwen3-VL という 大規模言語モデルを拡張して 画像生成能力 を追加したモデル ・ 言葉と絵を同じ次元で理解して（UiT：Pixel-level Unified Transformer アーキテクチャ）、画像を生成する ・ 潜在空間は存在しないので生成過程を逐次確認 することができ、復号の必要がなく復号に伴う画質の劣化もない |
| 「AI が効率よく画像を生成するには、潜在空間が必要」というのが、画像生成 AI が公開されて以来 ４年間の常識だったが、HiDream-O1-Image が UiT アーキテクチャのもとに、前作の ３分の１の容量のモデル でこの常識を打ち破ってみせた |
| HiDream-O1-Image は、言語と画像を同じ次元で処理 することにより、今までより 画像編集を自然にこなす ことができる |
| AI は、大量の情報を流し込むことによって人間が望む機能を習得sするが、その詳細は ブラックボックスだが、言語と画像を同じ次元で処理して、潜在空間を使わないで人間から処理が見える HiDream-O1-Image モデルが登場したことにより、これから 画像生成 AI モデルそのものの解明 が進むことも期待できるかもしれない |
| HiDream-O1-Image は、Alibaba の Qwen3-VL モデルをベースに作られている Qwen シリーズは、その性能の高さとオープンなライセンスから、2026年5月現在、画像生成のテキストエンコーダーとしての標準 の地位を確立しつつある |
| HiDream-O1-Image モデルは、すでに パラメータ数を 200B 以上に拡張 した 高性能モデル が存在することも明らかになっている。HiDream-O1-Image の MIT ライセンス で公開された UiT アーキテクチャは、これからの画像生成の標準になり、現行の画像生成 AI は UiT アーキテクチャのもとに再編 されるかもしれない |
| このプロジェクトで作成するワークフローと関連データは下記にアップロードしている（更新されている場合は再度ダウンロードのこと） |
📂ComfyUI
├─📂input ← ワークフローに含まれる入力画像
└─📂user
└─📂default
└─📂workflows ← ワークフローの保存場所
:
├─📂~beta
├─📂HiDream-O1 ← この章で作成するワークフロー
:
・解凍してできる「ComfyUI/」フォルダを「StabilityMatrix/Data/Packages/ComfyUI」へ上書きコピーする| ワークフロー | 機 能 | モデル | CPU | CPU | |||||
| RTX 4070 | RTX 4060 | RTX 4060L | RTX 3050 | GTX 1050 | i7-1260P | i7-1185G7 | |||
| 7001_hidream_o1_full | full | 11:55.78 | 90:42.14 | ||||||
| 7002_hidream_o1_full_simple | full | 03:50.20 | 15:43.86 | ||||||
| 7101_hidream_o1_dev | dev | 06:16.78 | 15:12.13 | ||||||
| 7102_hidream_o1_dev_simple | dev | 02:18.97 | 05:39.67 | ||||||
| モデル名 | ファイル名（.safetensors） | 配置先（/StabilityMatrix/Data/） | ダウンロード URL | |
| checkpoints | hidream_o1_image_fp8_scaled | Models/ | StableDiffusion/ | hidream_o1_image_fp8_scaled.safetensors |
| hidream_o1_image_dev_fp8_scaled | hidream_o1_image_dev_fp8_scaled.safetensors | |||
| loras | Lora/ | |||
| text_encoders | gemma4_e4b_it_fp8_scaled | text_encoders | gemma4_e4b_it_fp8_scaled.safetensors | |
| テンプレート名 | モデル | ワークフロー | 保存ワークフロー名 | |
| ④ | HiDream O1 Full Image... | full 通常版 | image_hidream_o1.json | image_hidream_o1_org.json |
| ⑤ | HiDream O1 Dev | distilled 蒸留版 | image_hidream_o1_dev.json | image_hidream_o1_dev_org.json |
| テンプレートのオリジナル・ワークフローに対して「① モデルの変更, ② 入力画像の指定, ③ シード値を固定（同じ画像を再現できるように）」を変更する |
 image_hidream_o1_org.json |  SubGraph: プロンプト・エンハンサー |
| （参考）プロンプト・エンハンサーにより内部で生成されたプロンプト | |
| A hyper-detailed, photorealistic close-up portrait of a graceful Japanese woman showcasing sophisticated skincare. She has flawless, dewy skin with light nude makeup, emphasizing natural beauty and hydration. She is delicately holding an elegant, minimalist glass essence bottle, positioned slightly off-center in her hands. The background is a seamless, warm ivory color, providing a soft, luxurious canvas that complements her complexion. The lighting is exceptionally soft and diffused, mimicking early morning sunlight filtering through sheer fabric, creating gentle highlights on her skin and the glass bottle. The composition utilizes a shallow depth of field (bokeh effect) to keep the focus razor-sharp on her face and the product, while the background melts into a creamy blur. Shot with an 85mm prime lens, high resolution, editorial beauty photography style. | 洗練されたスキンケアを披露する、優雅な日本人女性を写した、超高精細でフォトリアリスティックなクローズアップポートレート。彼女は、ナチュラルな美しさと潤いを強調する、軽やかなヌードメイクを施した、完璧でみずみずしい肌をしています。彼女は、エレガントでミニマルなガラス製のエッセンスボトルを、やや中心からずれた位置にそっと持っています。背景は継ぎ目のない温かみのあるアイボリーカラーで、彼女の肌の色を引き立てる、柔らかく贅沢なキャンバスとなっています。照明は非常に柔らかく拡散しており、薄手の布を通して差し込む早朝の太陽光を模倣し、彼女の肌とガラスボトルに柔らかなハイライトを生み出しています。構図は、浅い被写界深度（ボケ効果）を利用して、彼女の顔と製品にピントを合わせ、背景はクリーミーなぼかしで溶け込んでいます。85mm単焦点レンズを使用し、高解像度で、エディトリアルビューティーフォトグラフィースタイルで撮影されました。 |
 image_hidream_o1_dev_org.json | SubGraph: プロンプト・エンハンサー |
| （参考）プロンプト・エンハンサーにより内部で生成されたプロンプト | |
| A highly cinematic, photorealistic depiction of a dense, futuristic cityscape street scene at deep night. The entire background is transformed into a vibrant, rain-soaked neon metropolis. Heavy, continuous rain streaks down the frame, creating slick, highly reflective puddles on the wet asphalt ground. Blurry, saturated neon signs—emitting vivid cyan, magenta, and electric blue light—are reflected dramatically across the glossy, dark pavement, creating long, distorted streaks of color. The atmosphere is moody, cyberpunk, and intensely urban. Use a shallow depth of field to keep the immediate foreground slightly sharper while allowing the distant city lights to dissolve into beautiful bokeh spheres. Shot with an 85mm prime lens, low-key lighting, high contrast, and dramatic volumetric fog to enhance the feeling of damp, electric energy. | 真夜中の、未来的な都市の街並みを、映画のような写実的な描写で捉えた作品。背景全体が、雨に濡れた鮮やかなネオンの都会へと変貌する。激しく降り注ぐ雨が画面を流れ落ち、濡れたアスファルトの地面には、滑らかで反射率の高い水たまりができている。鮮やかなシアン、マゼンタ、エレクトリックブルーの光を放つ、ぼやけた彩度の高いネオンサインが、光沢のある暗い舗装路に劇的に反射し、長く歪んだ色の筋を作り出す。雰囲気は陰鬱で、サイバーパンク的で、都会的な雰囲気に満ちている。浅い被写界深度を用いることで、手前の被写体はややシャープに写し出しつつ、遠くの街の灯りは美しいボケ球へと溶け込む。85mm単焦点レンズ、ローキー照明、高コントラスト、そして湿った電気的なエネルギー感を高めるためのドラマチックなボリュームフォグを用いて撮影した。 |
| 7001 基本ワークフロー | 7001 SubGraph |
 |  |
| 「HiDream-O1/」7001_hidream_o1_full.json | |
| 7002 | |
 | |
| 「HiDream-O1/」7002_hidream_o1_full_simple.json | |
| 7101 基本ワークフロー | 7101 SubGraph |
 |  |
| 「HiDream-O1/」7101_hidream_o1_dev.json | |
| 7102 | |
 | |
| 「HiDream-O1/」7102_hidream_o1_dev_simple.json | |
| 画像ピクセル、テキストタグ、およびタスク条件を1つの共有連続空間に統合する、最先端の画像生成基盤モデル（例：HiDream-O1-Imageなど）のアーキテクチャ |
| AIモデルにおける「fp8」と「fp8_scaled」の主な違いは、量子化（データの圧縮）を行う際に「スケール係数」を用いて精度低下を防ぐ工夫がされているかどうか |
| 特徴 | FP8 | FP8_scaled |
| VRAM節約 | 大幅に節約可能 | 大幅に節約可能 |
| 生成品質・精度 | 誤差がやや出やすい | 品質劣化が抑えられ、より元のモデルに近い結果が出やすい |
| 処理速度 | 高速 | 高速（対応GPUでは最適化によりFP8より速い場合もある） |
| AIモデルにおける「FP8」と「MXFP8」の最大の違いは、数値データの拡大縮小（スケーリング）を行う範囲の細かさ。MXFP8はFP8の進化版であり、メモリ使用量を抑えつつ、モデルの推論・学習精度をより高く維持できる |
| 項目 | FP8 | MXFP8 |
| スケーリング（拡大縮小）の粒度 | テンソル（データのかたまり）全体に対して「1つの共通のスケール値」を適用する。そのため、非常に大きな値と小さな値が混在するデータでは、一部の精度が落ちることがある | データを 32個などの「小さなブロック」に分割し、ブロックごとに異なるスケール値を適用（マイクロスケーリング）する |
| 表現できる精度と範囲 | データ全体でスケールを合わせる必要があるため、精度を優先する形式（E4M3）と、表現できる数値の範囲を優先する形式（E5M2）を使い分ける必要がある | ブロックごとに細かくスケールを調整できるため、精度が高いE4M3形式をネットワーク全体で使いやすくなり、数値の表現力と安定性が向上しする |
| ハードウェアの対応 | NVIDIA の Hopperアーキテクチャ（H100など）や Ada Lovelace 世代などでサポートされている | NVIDIA の Blackwellアーキテクチャ以降で本格的にサポートされる最新のフォーマット |
