概要
Qwen-Image-2.1は、7Bという軽量なパラメータ数ながら、テキストからの画像生成、透過画像の直接作成、そして最大10枚の参照画像を用いた高度な編集機能を統合したマルチモーダル画像生成モデルです。
詳細内容
Qwen-Image-2.1は、生成品質、推論効率、コストのバランスを最適化した最新の画像生成モデルです。32層のSingle-Stream DiTを採用した7Bパラメータの軽量アーキテクチャにより、高い描画性能を維持しつつ低コストな運用を可能にしています。最大の特徴は「ネイティブ透過（RGBA）対応」と「生成・編集の統合」にあり、プロンプトだけで背景透過画像を生成したり、既存画像から被写体を切り抜いたり、透過レイヤー上のテキストのみを編集したりすることが可能です。また、混合粒度アテンションとKVキャッシュの再利用により、最大10枚の参照画像を扱う複雑な編集（バーチャル試着やインテリア配置など）も効率的に処理します。タイポグラフィの精度やポートレートの質感も向上しており、デザインやEC、ストーリーテリングなど幅広い実用シーンに対応しています。オープンソースとして、GitHub、Hugging Face、ModelScopeで公開されています。