Alibaba представи Qwen-Image-2.1 за генериране и редактиране на изображения
Екипът Qwen на Alibaba представи Qwen-Image-2.1 — унифициран модел за генериране на изображения от текст и за редактиране. Неговият компонент за визуална генерация има 7B параметъра и 32 еднопоточни слоя на diffusion transformer. Един и същ чекпойнт поддържа локални промени, работа с множество референтни изображения и естествена RGBA прозрачност. Пайплайнът използва и 8B енкодер Qwen3-VL, така че посочените 7B не обхващат цялата система.
Моделът приема до 10 референтни изображения, а редактирането на области може да се задава чрез нарисувани обозначения, кръгове или маски. Стандартният размер е 2048 × 2048 пиксела, като са поддържани седем съотношения на страните, включително до 2752 × 1536. Екипът посочва панорами, инфографики, сторибордове и виртуално пробване на дрехи сред възможните приложения. Prefix KV кешът изчислява текста и референтните изображения веднъж и използва резултата при следващите стъпки.
Още при пускането има поддръжка за Diffusers, ComfyUI, vLLM-Omni, SGLang и LightX2V, както и за AMD графични процесори чрез ROCm и осем чипови платформи чрез FlagOS. В Qwen-Image-Bench моделът получава 60.28 точки и изпреварва изброените модели с отворени тегла. Теглата са достъпни за изследвания и оценяване, а търговската употреба изисква отделен лиценз от Qwen.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.