علی‌بابا مدل متن‌باز Qwen-Image-2.1 را برای تولید و ویرایش تصویر معرفی کرد

شرکت علی‌بابا مدل هوش مصنوعی Qwen-Image-2.1 را به‌صورت متن‌باز منتشر کرده است؛ مدلی با ۷ میلیارد پارامتر که قابلیت تولید تصویر از متن و ویرایش تصویر را در یک سامانه واحد ارائه می‌دهد.

یکی از قابلیت‌های اصلی Qwen-Image-2.1، پشتیبانی بومی از شفافیت و لایه‌های RGBA است. بر اساس اطلاعات منتشرشده، این مدل می‌تواند تصاویر دارای پس‌زمینه شفاف را تولید یا ویرایش کند و متن و عناصر مختلف چنین تصاویری را تغییر دهد یا با یکدیگر ترکیب کند.

این مدل همچنین امکان استفاده از حداکثر ۱۰ تصویر مرجع را فراهم می‌کند. کاربر می‌تواند بخش موردنظر تصویر را با ابزارهایی مانند دایره، طراحی دستی یا ماسک مشخص کند تا ویرایش دقیق‌تری در همان قسمت انجام شود.

علی‌بابا می‌گوید Qwen-Image-2.1 هنگام ویرایش پرتره‌ها و تصاویر محصولات، تلاش می‌کند ویژگی‌ها و جزئیات اصلی سوژه را حفظ کند. از کاربردهای اعلام‌شده این مدل می‌توان به تولید تصاویر پانوراما، اینفوگرافیک، استوری‌برد و تصاویر مرتبط با پرو مجازی لباس اشاره کرد.

در یکی از نمونه‌های ارائه‌شده، تصاویر یک شخصیت از سه زاویه مختلف به‌عنوان مرجع استفاده شده‌اند و مدل بر اساس آن‌ها یک استوری‌برد کامل تولید کرده است. بهبود در تولید بافت‌های واقع‌گرایانه و تایپوگرافی نیز از دیگر قابلیت‌های مطرح‌شده برای این مدل است.

Qwen-Image-2.1 از معماری Mixed-Granularity Attention استفاده می‌کند و با استفاده مجدد از KV Cache، در پی افزایش بهره‌وری فرایند استنتاج است. به گفته علی‌بابا، این معماری به‌ویژه هنگام پردازش چند تصویر ورودی می‌تواند هزینه محاسباتی را کاهش و سرعت را افزایش دهد.

وزن‌های Qwen-Image-2.1 اکنون به‌صورت متن‌باز در دسترس قرار گرفته‌اند تا توسعه‌دهندگان بتوانند از این مدل برای تولید و ویرایش تصویر در پروژه‌های خود استفاده کنند.