XNews

アリババ/Qwen、オープンソースモデル「Qwen-Image-2.1」をリリース

アリババ/Qwen、オープンソースモデル「Qwen-Image-2.1」をリリース

アリババのQwenは、画像生成、編集、透明画像出力を統合した7Bモデル「Qwen-Image-2.1」をオープンソース化した。最大10枚の参照画像を用いた編集、2K解像度、ネイティブRGBAに対応。GGUF量子化により、12GB VRAMのコンシューマーGPUで動作可能。

Key insights

シングルストリームDiTモデルが生成と編集タスクを統合

Qwen-Image-2.1は、32層のシングルストリームDiTとブロック単位の因果的注意機構を採用し、従来は別々のモデルが必要だったテキストから画像への生成と編集機能を統合。これにより、学習とデプロイのコストを削減する。また、プレフィックスKVキャッシュが条件埋め込みをノイズ除去ステップ間で再利用し、推論を高速化する。

64チャンネルVAEによるRGBA出力で真の透明生成を実現

本モデルは64チャンネルのRGBAオートエンコーダを使用し、後処理なしでアルファチャンネル付きの画像を直接生成する。これは、電子商取引用アセット、ステッカー、合成ワークフローに不可欠。また、透明テキストの編集や写真からの被写体抽出も可能。

アイデンティティ保持機能付きマルチ参照編集

本モデルは最大10枚の参照画像に対応し、円注釈、ペイントマーク、または個別マスクによるローカル制御を提供。ポートレートや商品のアイデンティティ保持に重点を置き、GPT-Imageのようなクローズドソース編集サービスと競合する。

12GB VRAMのコンシューマーGPU向け量子化版が利用可能

UnslothAIは、12〜16GB VRAM(Q4_K_M)またはオフロードにより6GB VRAMでも動作するGGUF量子化版をリリース。本モデルはCUDA Graph、FP8量子化、vLLMデプロイ向けのTP/Ulysses並列処理にも対応。AMD ROCmや国産アクセラレータを含む8種類のチッププラットフォームと互換性がある。

7Bパラメータ、Qwen3-VLテキストエンコーダ、2Kネイティブ解像度

本モデルはQwen3-VL 8Bをテキストエンコーダとして使用し、命令追従性能を向上。デフォルト解像度は2048×2048で、7種類のアスペクト比をサポート。テキストレンダリング、ポートレート照明、テクスチャのリアリズムが質的に改善された。

Source posts