अलीबाबा की टीम ने Qwen-Image-2.1 नामक एक ओपन मॉडल प्रस्तुत किया है, जो टेक्स्ट के आधार पर छवियों को उत्पन्न करने और संपादित करने के लिए एक एकीकृत उपकरण है। इस मॉडल का विज़ुअल जनरेटिव स्टैक लगभग 7 अरब मापदंडों का उपयोग करता है, जो एक स्ट्रीम के साथ 32 DiT परतों में वितरित होते हैं।
कंपनी इस रिलीज़ को एक कॉम्पैक्ट विकल्प के रूप में पेश करती है जो 2K क्लास के परिणाम प्राप्त कर सकता है, उच्च गुणवत्ता वाले टाइपोग्राफी और पोर्ट्रेट लाइटिंग को सुनिश्चित कर सकता है, और RTX 3090 जैसे उपभोक्ता ग्राफिक्स प्रोसेसिंग यूनिट पर कम्प्यूटेशनल लागत के संबंध में उच्च प्रदर्शन प्रदर्शित करता है।
मॉडल के वज़न और डेमो संस्करण Hugging Face, ModelScope और GitHub प्लेटफॉर्म पर उपलब्ध हैं। यह अलीबाबा के हालिया omnimodal भाषा Qwen3.8-Omni-Flash रिलीज़ से अलग है, जो पिक्सेल संश्लेषण के बजाय लंबी संदर्भ के साथ ऑडियोविज़ुअल चैट पर केंद्रित था।
चार प्रमुख घोषणाएँ मॉडल की क्षमताओं को परिभाषित करती हैं। RGBA प्रारूप के देशी समर्थन से एक ही कंट्रोल पॉइंट को पारदर्शी परतों को उत्पन्न या संपादित करने की अनुमति मिलती है, साथ ही बिना किसी अलग मास्किंग मॉडल का उपयोग किए तस्वीरों से वस्तुओं को निकालना भी संभव होता है। यह विशेष रूप से स्टिकर बनाने, कंपोजिटिंग और प्रिंट-तैयार कटआउट के लिए उपयोगी है।
संपादन कार्यक्षमता पहचान बनाए रखते हुए समूह रचनाओं, वर्चुअल ट्राई-ऑन और इंटीरियर परिवर्तन के लिए दस संदर्भ छवियों तक का समर्थन करती है। इसके अलावा, लगाए गए वृत्त, ब्रशस्ट्रोक या बाहरी मास्क परिवर्तनों को स्थानीयकृत करने की अनुमति देते हैं, जिससे वैश्विक रीस्टाइलिंग के दौरान अपरिवर्तित क्षेत्रों का पूरी तरह से मिटना रोका जा सकता है।
वास्तुकला में सुधार, जिसमें मिश्रित ग्रैन्युलैरिटी अटेंशन और KV-प्रीफिक्स कैश का पुन: उपयोग शामिल है, बहु-चरणीय संपादन की अन्तरक्रियाशीलता का समर्थन करने के लिए डिज़ाइन किए गए हैं, जिससे प्रत्येक पिछले फ्रेम को शून्य से फिर से एन्कोड करने की आवश्यकता समाप्त हो जाती है।
समर्थित पहलू अनुपात वर्ग प्रारूप 2048 से लेकर फोन के लिए अल्ट्रावाइड और वर्टिकल प्रारूपों तक भिन्न होते हैं।
Qwen टीम की लीडरबोर्ड के अनुसार, 7-बिलियन जनरेटिव मॉडल उन अधिकांश क्लोज्ड इमेज प्रोसेसिंग सिस्टम से बेहतर प्रदर्शन करता है जिनकी उसने तुलना की थी। हालांकि, स्वतंत्र सार्वजनिक बेंचमार्क अभी भी सीमित हैं और जब तक तीसरे पक्ष द्वारा उनका पुनरुत्पादन नहीं किया जाता, तब तक उन्हें विक्रेता के दावों के रूप में देखा जाना चाहिए।
व्यावहारिक कार्यान्वयन परीक्षण परिणामों जितना ही महत्वपूर्ण है। Diffusers पाइपलाइन 'टेक्स्ट टू इमेज', 'एडिटिंग' और 'RGBA स्टिकर स्टाइल' जैसे अनुरोधों को कवर करती हैं, और सीपी ऑफलोडिंग के लिए हुक की उपस्थिति अधिक सख्त वीडियो मेमोरी बजट प्रदान करती है, जबकि प्रारंभिक मान निर्दिष्ट करने की क्षमता वाले जेनरेटर कलात्मक इरादे की दिशा में पुनरुत्पादनीय परीक्षण करने की अनुमति देते हैं।
व्यावसायिक प्रतिबंध लाइसेंसिंग से संबंधित है: Qwen-Image-2.1 Qwen Research लाइसेंस एग्रीमेंट के तहत वितरित किया जाता है, जो वाणिज्यिक उपयोग पर रोक लगाता है। व्यवसाय को अनुदान के लिए अलग से आवेदन करना होगा।
हालांकि, शोधकर्ताओं, स्वतंत्र स्टूडियो और उत्साही लोगों के लिए, यह ओपन वेट्स का सेट एक कार्यात्मक मल्टीमॉडल इमेज स्टैक प्रस्तुत करता है, जो 7 बिलियन मापदंडों पर पारदर्शिता और बहु-चरणीय संपादन को एक पैकेज में जोड़ता है, बजाय इसके कि हर प्रयोग के लिए क्लाउड एपीआई की आवश्यकता हो।
