HiDream-O1-Image の衝撃！ 汎用 AI が自由に絵を描く未来は近いのか？ 【画像生成 AI】
はじめに
こんにちは、きまま / Easygoing です。
今回は、2026年5月8日 に公開された新しい 画像生成 AI の HiDream-O1-Image についてご紹介します。
HiDream.ai は、中国の AI スタートアップ
HiDream.ai は、中国の北京に本拠を置く AI スタートアップ 企業です。
2025年4月に公開された HiDream-I1 モデルは、テキストエンコーダーを４つ 搭載 した高性能な 画像生成 AI モデル で、自由な開発や商用利用が可能な MIT ライセンス で公開されたため、世界に衝撃を与えました。
HiDream-I1 について
HiDream-I1 モデルは、プロンプトの理解力 は優れていたものの、ローカルで実行するには処理が重く、また全ての画像を JPEG に変換してから学習を行ったため JPEG ノイズを再現する欠点があり、残念ながら 一般にはあまり普及しませんでした。
しかし、2026年5月8日に登場した HiDream-O1-Image モデルは、前回の HiDream-I1 を超えるインパクト で登場した新しいモデルなので、その特徴についてこれから皆さんにご紹介したいと思います。
画像生成は、３つの AI が分業している
画像生成は、３つの AI が分業して作業しています。
Text Encoder：プロンプトを解析する
Unet / Transformer：画像を生成する
VAE：空間を圧縮する
まず、ユーザーから「絵を描いて」と指示を受けたとき、人間語（主に英語と中国語）を理解できる AI がこの指示を 機械語（ベクトル）に直します。
画像生成のワークフロー
そして、そのベクトルをもとに、絵を描く専門の AI が 12 倍の効率 で作業をできる 自分専用のスタジオ（潜在空間）に籠って、ひたすら絵を描き上げていきます。
出来上がった絵は、描いた AI にしか分からない形式（人間が見ると 砂嵐 に見える）なので、これを 復号（VAE decode）して人間が見える絵を完成させます。
これが、Stable Diffusion 1 の登場以降、全ての画像生成 AI で用いられてきた方法でした。
HiDream-O1-Image は、1人で全部やる！
それでは、HiDream-O1-Image がどのような処理を行っているのか見てみましょう。
HiDream-O1-Image は、Qwen3-VL という 大規模言語モデル（チャット AI）を拡張して 画像生成能力 を追加したモデルです。
HiDream-O1-Image のワークフロー
HiDream-O1-Image は、言葉と絵を同じ次元で理解（UiT：Pixel-level Unified Transformer アーキテクチャ）して、自分で絵を描きます。
HiDream-O1-Image は、自分専用のスタジオに籠ることがないので、どこを修正しているのか 人間が逐次確認 することができます。
また、人間が見える絵を直接描き上げるので復号の必要がなく、復号に伴う画質の劣化もありません。
VAE による画質の劣化について
HiDream-O1-Image は、汎用の AI がイラストを生成し、絵を描く専門の AI が必要ない ことを証明した、画期的な AI モデルなのです。
汎用 AI には、多くの利点がある
汎用の AI には、多くのメリットがあります。
ワークフローが単純になる
先ほどの図から分かる通り、汎用モデルを使うとワークフローが単純になります。
ワークフローが単純になれば、当然 処理も速く なりますし、AI が受け渡しをする情報に気を使う必要も無くなり、調整が簡単 になります。
また、最近は AI が利用するライブラリにマルウェアが混入するケース が相次いでいますが、利用するモデルが少なくなれば必要なライブラリも減るので、セキュリティ上のリスクも減らす ことができます。
![画像生成AIモデルのアーキテクチャと容量の比較（SDXL。Z-Image、HiDream-I1、Flux.2[dev]、HiDream-O1-Image](/https://assets.st-note.com/img/1778644650-hWCNR4OrycYBojApHZfGK8iX.png?width=1200)
Z-Image より軽い
「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 でしたが、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のは、まさに驚くべきことです。
言語と画像を同じ次元で処理する
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 ことができます。
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しますが、その詳細は ブラックボックス です。
今回、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ません。
これから何が起こるのか？
HiDream-O1-Image は、Alibaba の Qwen3-VL モデルをベースに作られています。
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ります。
画像生成 AI モデルのテキストエンコーダー
HiDream-O1-Image の技術は、当然ながら Qwen 本家に逆輸入することができるので、これから Qwen シリーズの画像認識・生成能力が飛躍的に高まる ことは間違いありません。
また、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ます。
今回、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 される未来が見えてきます。
そしてもし、UiT アーキテクチャ が ChatGPT や Gemini など 超大規模のクラウド AI に導入されたとき、一体どのようなことが可能になるのか、筆者には想像もできません。
HiDream-O1-Image の使い方！
それでは、ComfyUI で HiDream-O1-Image モデルを使う方法をご紹介します。
ComfyUI は 2026年5月13日に HiDream-O1-Image に正式対応 していますが、ComfyUI デフォルトのワークフローはかなり複雑なので、ここではシンプルに使える筆者のカスタムノードをご紹介します。
ComfyUI-uit-hidream-o1 カスタムノード
モデル
HiDream-O1-Image_clear (クリアーな出力に調整したモデル)
HiDream-O1-Image (公式)
HiDream-O1-Image-Dev (公式)
Text to Image
Image to Image
Image Edit
まとめ：汎用 AI が自在に絵を描く未来
HiDream-O1-Image は 汎用の UiT アーキテクチャ
人間から「作業が見える」
Qwen シリーズの性能が劇的に上がる可能性
今回は、HiDream-O1-Image モデルについてご紹介しました。
HiDream は、筆者の好きなモデルシリーズで、今回 画像生成 AI の命題に正面から挑戦 して、常識を打ち破る新モデル が公開されたことを嬉しく思います。
Alibaba の Qwen モデルはオープンライセンスでの公開から２年、そして HiDream モデルは公開から１年が経ちますが、筆者はこれまでの実績から 両社のオープンソースの理念を信頼 しています。
画像生成 AI の分野は、まだまだ 大変革の可能性 に満ちていて、これからどのような未来が待っているのか期待で胸が膨らみます。
最後までお読みいただきありがとうございます！
更新履歴
2026.5.31
内容を少し修正しました
2026.5.24
内容を少し修正しました
2026.5.20
カスタムノードを ComfyUI-uit-hidream-o1 に入れ替えました
2026.5.17
ComfyUI の HiDream-O1-Image への対応の部分を修正しました