Qwen-Image-2.1: компактная модель для генерации и редактирования изображений
Qwen выпустила Qwen-Image-2.1 — легковесную модель с 7B параметров для создания и редактирования изображений. Ключевые особенности: нативная поддержка прозрачности, до 10 референсных изображений, гибкое локальное редактирование и улучшенная детализация по
Команда Qwen представила модель Qwen-Image-2.1 с 7B параметров, объединяющую генерацию изображений по тексту и их редактирование в едином решении. Новая архитектура поддерживает нативную прозрачность, работу с до 10 референсами и локальные изменения с сохранением деталей.
Главные тезисы
- Модель Qwen-Image-2.1 имеет 7B параметров в компоненте визуальной генерации.
- Поддерживается работа с до 10 референсными изображениями одновременно.
- Реализована нативная генерация и редактирование изображений с прозрачностью.
- Используется архитектура внимания смешанной гранулярности для оптимизации инференса.
Компактная и эффективная архитектура
Qwen-Image-2.1 использует легковесную архитектуру, где компонент визуальной генерации состоит из 32 слоев Single-Stream DiT и содержит 7B параметров. Модель балансирует качество генерации с вычислительной эффективностью.
Для ускорения инференса, особенно при редактировании с несколькими входными изображениями, применяется архитектура внимания смешанной гранулярности. Текст, включая системный префикс и инструкции по редактированию, использует каузальную маску на уровне токенов, а генерация изображений — блочную маску. Повторное использование KV-кэша позволяет обрабатывать входные изображения и инструкции как статический контекст, вычисляемый на первом шаге, что снижает потребление памяти.
Нативная прозрачность и единый конвейер
Релиз интегрирует поддержку прозрачных изображений в единую модель, определяя тип вывода (обычное или с каналом прозрачности) на основе промпта. Модель способна генерировать сложные прозрачные композиции из нескольких элементов, редактировать прозрачные слои (например, менять выражение лица при сохранении фона) и извлекать объекты из реальных фотографий в формате RGBA.
Возможности редактирования
Qwen-Image-2.1 поддерживает работу с до 10 референсными изображениями, позволяя объединять несколько субъектов и активов в единую композицию. Это применимо к созданию групповых портретов, виртуальной примерке одежды и генерации интерьеров.
Локальное редактирование реализуется через круги, нарисованные аннотации или отдельные маски. Модель сохраняет оригинальное изображение, применяя изменения только к заданной области. Поддерживается последовательное создание контента, что позволяет собирать простые анимации из серии локальных правок.
Улучшена верность (fidelity): модель лучше сохраняет черты лица при редактировании портретов и текстуры, текст и форму при обработке продуктовых изображений.
Качество и эстетика
Модель демонстрирует улучшенную типографику, учитывающую стили шрифтов и верстку, а также реалистичное освещение и мелкие детали в портретах. Поддерживается генерация панорам, инфографики и раскадровок из различных входных данных, включая селфи и референсные изображения персонажей.
