AI が絵を描くのに、調べながら、コードを書きながら、描ける

これまでの画像生成モデルは、あなたの一言をそのまま一枚の絵に写像するだけで、途中に照合の工程がなかった。Muse Image は画像生成を agentic（自分でツールを呼び、段階を追ってタスクを片付ける）なプロセスにした——まず検索やコードのツールを呼び出し、調べ、計算し、照合してから、画像を組み立てる。

一つの例：会議ポスターに本当に読み取れる QR コードを描く

原文が挙げた場面はこうだ——韓国風マンガのタッチで、若い女性が ICML 2025 のポスターの前に立ち、meta.ai を指す QR コードを読み取る。モデルはこう一歩ずつ進めた：

左：初版、人物が QR コードを見つめる。右：モデルが自ら微調整した後、人物はスマホ画面を見る姿に変わり、タッチ・ポスター・QR コードのディテールはいずれもそのまま。出典：Meta AI Blog。

検索のオン・オフで、何が違うか

さらなる agentic の事例（クリックで開く）

• フラクタルポスター：まず Python で Julia 集合と Sierpinski 三角形を計算し、きれいなベース画像を合成、そこに中世スイス風のグリッドレイアウトをかぶせる。
• 格闘パラパラアニメ：パンチや回避のコマを一枚ずつ生成、背景の光や人物のデザインを最後まで一貫させる。
• ペット育成ミニゲーム：猫の幼年・少年・老年など六枚の画像を生成し、base64 に変換して HTML に直接埋め込み、外部ファイルに依存せず開けばすぐ遊べるウェブページを納品。
• 2026年夏コーデ：まずファッションのトレンドと商品カタログを検索、そのまま注文できるコーデ画像を出す。
• 月の形成インフォグラフィック：まずジャイアント・インパクト説の科学的な図解と事実を検索、六コマ縦並びのインフォグラフィックを描く。
• 中古家具で部屋を模様替え：アップした部屋の写真と住んでいる都市に合わせて、Facebook Marketplace で合う中古家具を探し、完成イメージを出す。

フラクタルポスターの事例：コードでフラクタルを計算し、スイス風グリッドレイアウトをかぶせる。出典：Meta AI Blog。

この「自分で直す」習慣は、AI が訓練の中で自ら会得したもの

Muse Image は自身の思考連鎖モデルが結果を出す前に、一歩ずつ書き出す推論の過程。下書き用紙のメモのようなもの。（chain of thought）の中で、自分の作品を見返して改善する。この自己修正には三つの形がある：

一つの例：雑誌レイアウトの中で、自ら数式の誤りに気づく

モデルが凝った雑誌ページを組んでいて、数学の証明・大見出し・人物写真をレイアウトに入れた後、見返した際に総和の数式で割り算の記号が抜けていることに気づき、こう訂正した：

左：初稿、見出しの下の数式が "S = n(n + 1) 2" となり、割り算記号が抜けて意味が通らない。右：モデルが自ら見返して問題に気づき、"S = n(n + 1) / 2" に直し、ついでにレイアウトのディテールも改めて確認した。出典：Meta AI Blog。

自己修正のオン・オフで、何が違うか

AI は考える時間が長いほど正確に描くが、効果はやがて頭打ちになる

言語モデルと同じく、Muse Image は画像を出す際に考えるほど、うまく描ける。テスト時の計算量モデルが実際に結果を出す前に、余分に費やすこの計算：多く推論し、多くツールを呼び、下書きを何度か直す。（test-time compute）を多く与えるほど、より多く推論し、より多くツールを呼び、より多く自己修正する。

Meta はこう観察した——推論の強度を上げると、人間評価の Elo スコアもそれに伴って上がり、両者はほぼ対数線形の関係になる。面白いのは、この計算量が二つのかなり異なる作業にまたがっている点だ。推論はテキストの token を使い、生成は画像の token を使うが、最終的な質は両者を合わせた総計算量で決まる。

この計算量をどう使うかも肝心だ。Best-of-N（一度に何枚も生成し、最良の一枚を選ぶ）は、伸びは速いがすぐ頭打ちになる。同じ計算量をじっくり考える推論に使えば、ずっと上がり続ける。推論にさらにツールを加えれば、効果はさらに積み上がる。ツールはモデルが本来知らないものに手を伸ばさせるからだ。たとえば足りない参考資料を検索したり、コードを書いてディテールを正確にしたり。

画像の修正は、指した箇所だけ直せるようになった

Muse Image は画像を直す際、あなたが指定した箇所だけをいじり、他はそのまま。原文はいくつかの指示を挙げていて、どれも具体的だ：

看板の文字まで正確に差し替えられる

ある指示は、看板を "$3.00 ALL DAY" に、"no free parking" を "FREE PARKING ON WEEKENDS" に、電話番号を 555-5555 に変える、というもの。変えるのは文字だけで、他のレイアウトはいじらない：

イメージ：原文の看板文字の編集指示を再現し、「指した箇所だけ直す」正確な差し替えを示す。

何ラウンドも続けて直しても、前後で辻褄が合う

Muse Image は一ラウンドずつ直し続けられ、途中で崩れない。原文には最初から最後まで直し続ける対話があり、各ステップが前の画像の上に積み上がっている：

同じ猫・犬・カフェの要素が、五ラウンドの編集を通じて終始辻褄が合う。

原文にはもう一組、似たマルチラウンドの例がある——「リビングを Japandi 風に → でも一枚目のスタンドライトと棚は戻して → 最後にビフォーアフターの比較画像を作って」。各ステップが前のステップの出力の上に積み上がっている：

三ラウンドの編集後に自動生成されたビフォーアフター比較：左が元のリビング、右が Japandi 風に変えつつ元のスタンドライトと棚を残したバージョン。出典：Meta AI Blog。

一言に何枚もの参照画像を詰め込んでも、AI は正しく組み合わせる

Muse Image は何枚もの参照画像の要素——人、物体、服、スタイル、シーン——からそれぞれ一部を取り、一枚の新しい画像に組み立てられる。プロンプトの中で文字と画像を交ぜて書くこともできる。たとえば：[この人]を[この自転車]に乗せ、[この服]を着せ、[公園のベンチ]を通り過ぎさせ、全体を[ある画像]のタッチにする。

プロンプトは「この人をこの自転車に乗せ、この服を着せ、公園のベンチを通り過ぎさせ、全体をある画像のタッチにする」。これは五枚の参照画像（人、自転車、服、シーン、タッチ）を組み合わせた実際の出力。出典：Meta AI Blog。

人間の評価者は何点をつけたか

このランキングは Arena によるもの。多数の実際の人が「この画像・この動画はどちらが良いか」を二つずつ比べて投票し、ランキングのスコア（Elo）を算出する。スコアが高いほど多くの人がその結果を支持しているということで、アルゴリズムは対戦ゲームのランク帯に近い。2026年7月5日時点で、Muse シリーズの位置はこうだ：

Meta 公式が示した完全ランキング（トップ10）：画像三項目の一位はいずれも OpenAI の GPT Image 2（1280〜1466点）、Muse Image がそれに続いて二位。動画部門の一位は Google の Gemini Omni Flash（1527点）、二位は ByteDance の Seedance 2.0、Muse Video は三位（1459点）。スコアが高いほど人間評価者に支持されている。出典：Arena AI Leaderboard、2026年7月5日時点。

Muse Video は今のところプレビュー版。Meta は、プロンプトへの忠実さ・画面の忠実度・時間的な一貫性で競争力があるとし、まだ補っている二つの弱点も名指しした：音と映像の同期、速い動きの物理的な正確さ。

今は誰が使えるか、そして画像が AI 製だとどう証明するか

Muse Image は本日すでに Meta AI App、meta.ai、米国の Instagram Stories、一部の国の WhatsApp で利用可能、Facebook もまもなく対応。Muse Video はまもなくクリエイターに公開され、Meta AI にも入り、ネイティブで音声生成に対応する。

画像が AI 製かどうかをどう調べるか：Content Seal

画像が AI 生成かどうかを判断できるよう、Muse Image には Content Seal という不可視の透かしシステムが組み込まれている。Meta AI App や meta.ai で Muse Image が生成した画像には、いずれも目に見えない来歴の印がつき、トリミング・圧縮・拡大縮小・スクリーンショットの後でも、この印は残る。Meta は、画像に Content Seal がついているか調べられる検出ツールもプレビューした。動画版の透かしもまもなく追随する予定だ。

Meta 自社製品に組み込まれると、何ができるか

Muse Image は Meta のソーシャルのエコシステムとつながっており、実装シーンはすでにいくつかある：

小規模店 @averyandme が Muse Image で直接生成したマーケティング広告素材。出典：Meta AI Blog。

Muse Image は画像生成を agentic（自分でツールを呼び、段階を追って作業を片付ける）なプロセスに変えた：まず調べ、コードを書いて計算し、間違いがないか照合してから、画像を出す。

では「調べながら直す」は具体的にどう動くのか？次の図を見てほしい。

Muse Image は生成の途中で自ら見返し、下書きを直す。これを「自己修正」と呼ぶ：細かい所が違えば部分的に直し、広く間違えば一から描き直し、あるいはやり方を変えて調べたりコードを書いたり。肝心なのは、この習慣がチームの設計ではなく、強化学習の訓練の中で自ら現れた点だ：モデルは下書きを直すと高得点が取れると気づき、自分で身につけた。考える時間を与えるほど、多く調べ、多く直し、正確に描くが、その効果はやがて頭打ちになる。

Arena は実際の人が二つずつ投票して算出するランキング（Elo スコア、高いほど多くの人がその結果を支持、アルゴリズムはゲームのランク帯に近い）。2026年7月5日時点で、Muse の動画モデルのテキストから動画ランキングでの位置はこうだ：

もう使えるのか？Muse Image はすでに Meta AI App、meta.ai、米国 Instagram Stories、一部の国の WhatsApp で利用可能、Facebook もまもなく対応。Muse Video はまもなくクリエイターに公開。これらの画像にはすべて Content Seal という目に見えない透かしがつき、トリミング・圧縮・拡大縮小・スクショの後でも残り、専用ツールで画像が Meta AI 製かどうかを調べられる。