Alibaba випустила Qwen-Image-2.1 для генерації та редагування зображень
Команда Qwen компанії Alibaba представила Qwen-Image-2.1 — єдину модель для створення зображень за текстовим описом і їх редагування. Її візуальний генеративний компонент має 7B параметрів і 32 однопотокові шари diffusion transformer. Один чекпойнт підтримує локальні зміни, роботу з кількома референсними зображеннями та нативну прозорість RGBA. До конвеєра також входить 8B-енкодер Qwen3-VL, тому показник 7B стосується лише дифузійного трансформера.
Модель приймає до 10 референсних зображень. Редагувати окремі ділянки можна за допомогою кіл, намальованих позначок або масок. Типовий розмір результату становить 2048 × 2048 пікселів; доступні сім співвідношень сторін, зокрема 2752 × 1536. Серед зазначених сценаріїв — панорами, інфографіка, розкадровки та віртуальна примірка одягу. Prefix KV cache обчислює текст і вхідні зображення на першому кроці та повторно використовує ці дані під час наступних кроків денойзингу.
Від початку доступна підтримка Diffusers, ComfyUI, vLLM-Omni, SGLang і LightX2V. Також заявлено роботу з графічними процесорами AMD через ROCm і вісьмома чиповими платформами через FlagOS. У внутрішньому тесті Qwen-Image-Bench модель набрала 60.28 бала — більше за перелічені моделі з відкритими вагами. Ваги доступні для досліджень і оцінювання, а комерційне використання потребує окремої ліцензії Qwen.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.