Metaの画像生成AI「Muse Image」、描く前に検索し描いた後に自分でダメ出し——Arena3部門で2位

「エージェント型」画像生成——描く前に調べ、描いた後に直す

Muse Imageの売りは画質そのものより「働き方」です。従来の画像生成は、プロンプトを入れたら1回で画像が出てくる一発勝負でした。Muse Imageはそこにエージェント（計画を立て、道具を使い、自分の仕事を確認しながら段階的に動くAI）の振る舞いを持ち込んでいます。

具体的には、まずプロンプトについて推論し、必要ならWeb検索やコード実行といったツールを呼び出します。たとえば実在の建物を正確に描くために検索で資料を集める、といった使い方です。そして下書きを生成したら、自分でその出来を批評し、部分修正か全面的な描き直しかを判断してから、最終的な画像を返します。言語モデルの世界で起きた「一発回答からエージェント的なループへ」という転換が、画像生成にも波及してきた形です。

Metaはさらに、この自己修正の癖は設計して入れたのではなく、強化学習（うまくいった振る舞いに報酬を与えて伸ばす訓練法）の途中で「自然に出現した」と説明しています。興味深い話ですが、これは訓練の内幕についての主張であり、外部から確かめる方法はありません。検索ツールの効果についても「知識が要る指示で精度が上がった」としていますが、根拠は数値の書かれていない社内アブレーション（機能を1つ外して効果を測る自社実験）の勝率グラフだけです。

Arena「3部門で2位」は確認できる——ただし全部門に「上」がいる

性能の裏づけとしてMetaが持ち出したのは、自社ベンチマークではなくArenaでした。Arenaは第三者が運営する人間評価のリーダーボードで、2つのモデルの出力を並べてどちらが良いか人間が投票し、その勝敗からElo（チェス由来のレーティング）を計算します。ここは独立に確認できる数字です。

この順位を読むときの注意点は2つあります。第一に、これは2026年7月5日という、Metaが選んだ時点のスナップショットです。Arenaの順位は投票が積み上がるにつれて動くので、記事を読む時点では変わっている可能性があります。第二に、2位という数字は「画像のどのカテゴリでも、少なくとも1つのモデルがMuse Imageより上にいる」という意味でもあります。発表文の華やかさに反して、Meta自身が引用したデータは「首位ではない」ことを示しているわけです。

それでも、第三者の人間評価で3部門そろって2位というのは、実際に触れるモデルとしては十分に強い結果です。「最先端の一角に食い込んだ」ことは事実、「最強」はどこにも書かれていない——それがこの順位の正確な読み方だと思います。

もし本当なら大きい——画質は「モデルの大きさ」だけでなく「考える時間」でも買える

発表の中で技術的にいちばん面白く、そして根拠が最も薄いのが、test-time compute（訓練時ではなく、使うときにモデルに費やさせる追加の思考量）の話です。先に言っておくと、ここから先はほぼMetaの自己申告です。Metaは、思考量を増やすほど画質がほぼ対数線形で伸び、しかもBest-of-N（候補を何枚も作って一番良いものを選ぶ力技）より、じっくり推論させるほうが効率よく伸びると主張しています。

これが本当なら、画質は「もっと大きいモデル」だけでなく「もっと長い思考時間」でも買えることになり、言語モデルで起きたスケーリングの転換が画像にも成立する話になります。ただし現時点では、根拠はすべて数値・基準・手法が非公開の社内実験です。主要な主張を出所つきで仕分けしておきます。

最後の行のContent Sealは、生成画像に目に見えない透かし（後からツールで検出できる隠し信号）を埋め込み、AI製かどうかを判別できるようにする仕組みです。切り抜きや圧縮、スクリーンショットにも耐えるとMetaは言いますが、検出ツール自体がまだプレビューで、頑健性を独立に確かめた人はいません。プラットフォーム規模での「AI製の出所証明」への賭けとして方向性は重要なだけに、ここは今後の検証待ちです。

試せるものと、まだ試せないもの

時間軸を整理すると、この発表の「実体」と「予告」の境目がはっきり見えます。

Muse Videoについては、Meta自身が音声と映像の同期、そして速い動きの物理的な正確さを現状の弱点として挙げています。ベンダーが自分から欠点を明記するのはフェアな態度ですが、モデルが未公開である以上、「exceptional visual fidelity（卓越した視覚的忠実度）」といった良い方の主張も含めて、外部からは何も検証できない段階です。