Alibaba Qwen-Image-2.1: képgenerálás és szerkesztés egy modellben
Az Alibaba Qwen csapata nyílt súlyozású képmodellt adott ki, amely 7 milliárd paraméterrel képes képeket generálni és szerkeszteni, és helyi GPU-kon futtatható.
A Qwen-Image-2.1 modell a képgenerálási és képszerkesztési funkciókat egyetlen rendszerben egyesíti. A vizuális generálási komponens mindössze 7 milliárd paraméterből áll, és a Qwen saját benchmarkja szerint felülmúlja a legtöbb zárt forráskódú modellt. A viszonylag kompakt méret lehetővé teszi a futtatást erőteljes otthoni GPU-kon, például az Nvidia RTX 3090-en. Független benchmark-eredmények azonban még nem állnak rendelkezésre.
A modell központi újítása a transzparens képek (RGBA) natív generálása és szerkesztése, amely lehetővé teszi például objektumok kivágását vagy szöveg módosítását transzparens rétegeken. A Qwen-Image-2.1 egyszerre akár tíz referenciakép feldolgozására képes, csoportportrék, virtuális próbálkozások vagy térrendezés céljára. Az architektúra módosításai felgyorsítják a bemeneti képek feldolgozását, a helyi szerkesztéseket pedig körülrajzolás, maszkok vagy festett jelölések segítségével lehet vezérelni.
A modell a Hugging Face, a GitHub és a Model Scope platformokon érhető el, a Hugging Face-en pedig demo is rendelkezésre áll. A kutatási licenc azonban kizárja a kereskedelmi felhasználást; aki üzleti célra szeretné alkalmazni a modellt, külön licencet kell kérnie a Qwentől.
Forrás: The Decoder — „Alibabas Qwen-Image-2.1 vereint Bildgenerierung und -bearbeitung in einem einzigen Open-Weight-Modell, das lokal läuft - The Decoder”
Ez az összefoglaló a fenti forrás alapján, mesterséges intelligenciával készült. Szerkesztőségi ellenőrzésen nem esett át; a részletekért olvasd el az eredeti cikket.