アリババ、絵を作るAIを公開

AlibabaのQwenチームは、統一されたテキストから画像生成および画像編集モデルであるQwen-Image-2.1をリリースしました。その視覚生成コンポーネントは、32のシングルストリームDiTレイヤーにわたって7Bパラメータを持っています。一つのチェックポイントで、テキストから画像、複数参照編集、ローカル編集、および透明なRGBA出力に対応します。展開可能でしょうか？はい、研究および評価用には可能です。リリース当初からDiffusers、ComfyUI、vLLM-Omni、SGLang、LightX2Vをサポートしています。商用展開にはQwenからの別途ライセンスが必要です。 20Bから7Bへ オリジナルのQwen-Imageは2025年8月にApache 2.0ライセンスの下で20Bモデルとして出荷されました。編集機能は別のQwen-Image-Editチェックポイントにありました。Qwen-Image-2.1は、両方の機能を約3分の1のサイズで一つのモデルに統合しました。Qwenチームは、これをQwen-Imageシリーズの中で最もバランスが取れていて費用対効果の高いモデルと呼んでいます。ここで容量計画のために注意すべき重要な点は、7Bという数字はdiffusion transformerのみをカバーしていることです。パイプラインは8BのQwen3-VLエンコーダーもロードします。 アーキテクチャ GitHubリポジトリには4つのコンポーネントがリストされています。 Transformer: 32層、7Bパラメータ、ブロック因果的アテンションを持つシングルストリーム設計。 Text encoder: Qwen3-VL 8B。テキスト指示と条件画像を一つの表現にエンコードします。 VAE: 16倍の空間圧縮とネイティブな透明度を持つ64チャンネルRGBAオートエンコーダー。 Scheduler: Euler離散スケジューリングと動的シフトを伴うFlow Matching。 速度はアテンションマスクから来ています。テキストトークンはトークンレベルの因果的マスクを使用します。画像トークンは各画像内でチャンクレベルの双方向マスクを使用します。Qwenはこれをmixed-granularity attentionと呼んでいます。条件プレフィックスはノイズのある潜在空間の前に位置するため、それにアテンションを向けることはありません。そのため、そのキーと値はノイズ除去ステップ全体で固定されたままになります。モデルはテキストと入力画像を最初のステップで一度だけ計算します。そのプレフィックスKVキャッシュを、残りのすべてのステップで再利用します。参照画像の数が増えるにつれて節約効果も増大し、これが複数画像での速度向上という主張を説明しています。 できること ネイティブな透明度: RGBA画像を生成します。