Iris-3Bとは？
Iris-3BはSperidlabsのオープンウェイトのテキストから画像へのモデルで、2026年10月にHugging Faceで公開され、arXivの論文は10月7日に掲載されました。ほとんどの画像生成モデルと違い、VAEでデコードする圧縮された潜在空間では動作しません。30億パラメータの拡散トランスフォーマー（デュアルストリーム8ブロックとシングルストリーム16ブロック）が、小さなピクセルヘッドを通して生のRGBピクセルを出力します。テキストは凍結したQwen3-VL-4Bエンコーダーから得ます。256、512、そして1,024ピクセルの順にゼロから学習され、合計665,000ステップで、約1メガピクセルの画像を生成します。
リポジトリには、H100 1基で1,024×1,024の画像を約0.7秒で作る4ステップの蒸留版Iris-3B Turboと、同じバックボーンを単眼深度推定と4倍の画像復元およびアップスケーリング向けにファインチューンした2つのモデルも含まれています。
学習コードを含めてすべてApache 2.0で、Qwen3-VL-4BテキストエンコーダーもApache 2.0です。
Iris-3Bは使う価値があるか？
Iris-3Bの主張は、少ないもので多くをこなすことにあります。プロジェクト自身の表では、OneIG-Benchで0.540と、20BのQwen-Imageの0.539に並び、Z-Image 6Bの0.546にわずかに届きません。GenEvalでは0.798で、Qwen-Imageは0.87です。長い文字の描画ではさらに差が開き、LongText-Benchで0.857、Qwen-Imageは0.943、Z-Imageは0.935です。これらは公式の評価器を使い、プロンプトの書き換えなしで行ったSperidlabsの実行です。比較対象の数値は各モデルのレポートからの引用で、独立したアリーナによる評価はまだありません。
論文は珍しいほど率直です。VAEを省くと細部の多いビジョンタスクのためのより良い土台になることを示そうとしましたが、「有意な改善はない」と報告しています。深度推定向けにファインチューンしても、Iris-3B は潜在空間のFLUX.2 Kleinにようやく並ぶだけで、4倍の復元では潜在空間のFLUX.2 Kleinのファインチューンを上回りません。画像生成モデルがDINOv2のようなビジョンモデルを置き換えられるというプロジェクトページの一文は、論文よりも踏み込んでいます。
実用的なダウンロードはTurboです。ガイダンスを組み込んだ4ステップで、H100 1基で1枚約0.7秒です。GenEvalは0.820でベースモデルをわずかに上回りますが、シード間の多様性が下がり、長い文字の信頼性も落ちます（0.804）。フルモデルの既定は100ステップです。
パラメータ数から想像するより多くを求めます。CUDA対応のNVIDIA GPUとプロジェクト独自のコードが必要で、diffusersやComfyUIへの対応は文書化されていません。テキストから画像への重みだけでもfloat32で約12 GBあり、Turboはさらに6 GBです。研究者にとっては、公開されたレシピと学習コードが最大の魅力です。
真価を発揮する場面
大学の研究室のコンピュータビジョン研究者
モデルをゼロから学習せずにピクセル空間の拡散を研究する
重み、学習レシピ、蒸留の設定はすべてApache 2.0で公開されており、論文は失敗例も記録しています。Iris-3Bから始めれば665,000ステップの事前学習を省けます。深度推定のファインチューンは10,000ステップでした。
製品モックアップアプリを作る2人のスタジオ
ライセンス料なしに自社のGPUで下書き画像を生成する
TurboはH100で1,024ピクセルの画像を約0.7秒で生成し、1枚ごとの料金はなく、ライセンスはApache 2.0です。文字の多いレイアウトは目で確認してください。文字の描画は最も弱い部分です。
導入前に確認すること
- 導入
- speridlabs/iris-3bリポジトリをgit cloneし、pip install -e .（Python 3.11以降、PyTorch 2.7.1以降）を実行し、hf downloadで重みを取得してscripts/sample.pyを実行します。テキストエンコーダーは初回実行時にダウンロードされます。CUDA対応のNVIDIA GPUが必要です。
- 連携
- サンプリング、深度推定（scripts/depth.py）、アップスケーリング（scripts/upscale.py）用のコマンドラインスクリプトと、Hugging Face Spacesの2つのデモ。コミュニティ製の460 MBのLoRAで、より軽い4ステップ版が使えます。
- データとプライバシー
- ローカルで動作します。Apache 2.0は商用利用を認めています。モデルカードは、出力が不正確、偏っている、または安全でない場合があり、確認すべきだと警告しています。
- 大規模利用時のコスト
- API料金はありません。ダウンロードはテキストから画像へが約12 GB、深度推定とアップスケーラーがそれぞれ12 GB、Turboが6 GBです。Turboの0.7秒という数値は、バッチサイズ4のH100でのものです。
- 制限
- 1枚あたり約1メガピクセルです。正確な物体の数や画像内の長い文字は信頼できません。Turboは4ステップ固定で、CFGやネガティブプロンプトは使えず、シード間で似た画像になりがちです。
良い点
- OneIG-Benchで0.540と、20BのQwen-Imageに並びます（自己申告）
- Turbo：H100 1基で1,024 x 1,024を約0.7秒で生成します
- 重みと学習コード一式がApache 2.0です
- 深度推定と4倍アップスケーリングのファインチューンが同じリポジトリにあります
気になる点
- 長い文字の描画はQwen-ImageとZ-Imageに劣ります
- NVIDIA CUDA専用で、diffusersやComfyUIでの手順は文書化されていません
- 出力は最大で約1メガピクセルです
- 論文はピクセル空間の事前分布による明確な利点を見出していません
おすすめの人
ピクセル空間の拡散を研究する研究者や、寛容なライセンスでゼロから学習された、再学習できる画像モデルを求める開発者。
Iris-3Bの代替
Iris-3B：よくある質問
- Iris-3Bは使う価値があるか？
- 小さく完全にオープンなピクセル空間の生成モデルで、1つのベンチマークではQwen-Imageに並びます。ただし開発元自身の論文は、証明しようとしたピクセル空間の利点が現れなかったと報告しています。 評価は5点満点中3.7点です。
- Iris-3Bの料金は？
- 重みとコードはApache 2.0で無料です。Hugging Face Spacesに無料のデモがあります。有料APIはありません。
- Iris-3Bの欠点は？
- 長い文字の描画はQwen-ImageとZ-Imageに劣ります; NVIDIA CUDA専用で、diffusersやComfyUIでの手順は文書化されていません; 出力は最大で約1メガピクセルです; 論文はピクセル空間の事前分布による明確な利点を見出していません.
- Iris-3Bは誰に向いているか？
- ピクセル空間の拡散を研究する研究者や、寛容なライセンスでゼロから学習された、再学習できる画像モデルを求める開発者。
- チームや本番環境でIris-3Bを使うと費用はいくらか？
- API料金はありません。ダウンロードはテキストから画像へが約12 GB、深度推定とアップスケーラーがそれぞれ12 GB、Turboが6 GBです。Turboの0.7秒という数値は、バッチサイズ4のH100でのものです。
- Iris-3Bは企業データを扱っても安全か？
- ローカルで動作します。Apache 2.0は商用利用を認めています。モデルカードは、出力が不正確、偏っている、または安全でない場合があり、確認すべきだと警告しています。
- Iris-3Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はZ-Image-Turbo, FLUX 3 Image Klein 、 Qwen-Image-2.1です。
回答確認日：2026年10月31日