چه اتفاقی افتاد؟#
تیم Qwen در علی‌بابا کلود حدود ۲۰ سپتامبر ۲۰۲۶ مدل Qwen-Image-2.1 را با وزن‌های باز منتشر کرد. این مدل تولید تصویر از متن و ویرایش تصویر را در یک چکپوینت واحد ترکیب میکند؛ یعنی دیگر لازم نیست برای ساخت و ویرایش، دو مدل جدا اجرا کنید.
مشخصات فنی#
بخش تولید تصویر این مدل ۷ میلیارد پارامتر دارد و صفحهٔ مدل در Hugging Face آن را با ۳۲ لایهٔ Single-Stream DiT توصیف میکند. خروجی پیشفرض ۲۰۴۸ در ۲۰۴۸ پیکسل گزارش شده و نسبت‌های تصویر از ۱:۱ تا ۱۶:۹ و ۹:۱۶ پشتیبانی میشود. گزارشها میگویند به‌خاطر توجه با دانه‌بندی مختلط و استفادهٔ مجدد از کش KV، مدل روی کارتهای مصرفی مانند RTX 3090 و RTX 5090 هم قابل اجراست.
شفافیت بومی و ویرایش با چند مرجع#
مهم‌ترین قابلیت کاربردی، خروجی RGBA بومی است. مدل مستقیماً تصویر با کانال آلفای واقعی میسازد، پس برای بریدن سوژه از پس‌زمینه به مرحلهٔ جداگانهٔ حذف پس‌زمینه نیاز نیست. در ویرایش هم تا ۱۰ تصویر مرجع را هم‌زمان میپذیرد. صفحهٔ مدل از ویرایش محلی با دایره، نقاشی روی تصویر یا ماسک جداگانه، حفظ هویت افراد و محصولات، و بهبود تایپوگرافی و نور پرتره سخن می‌گوید.
