Kisméretű modelljével törne az élre a kínai óriás, miközben a zárt technológiák határait feszegeti. Az Alibaba legújabb fejlesztése, a Qwen Image 2.1 mindössze 7 milliárd paraméterrel ígér kiemelkedő teljesítményt a képgenerálás terén. A rendszer érdekessége, meglepően alacsony erőforrás-igénye révén akár egyetlen otthoni NVIDIA GeForce RTX 3090 grafikus kártyán is futtatható. A fejlesztők saját méréseik alapján azt állítják, hogy a nyílt súlyú megoldás átlagos pontszámban megelőzi a Google Nano Banana 2.0 zárt modelljét.
Egyesített képgenerálás és szerkesztés
A megszokott architektúrákhoz képest az Alibaba csapata egyetlen modellbe integrálta a szövegalapú képgenerálást és az összetett képszerkesztési feladatokat. A korábbi generációk különálló komponenseket használtak a módosításokhoz, míg a Qwen Image 2.1 natív módon kezeli az átlátszó (RGBA) háttereket és a rétegek kinyerését. A rendszer képes akár 10 referenciafotót is feldolgozni egyszerre, így a megadott személyek vagy termékek stílusát és arcát megtartva készít új összetett kompozíciókat.
Hatékony figyelemkiosztás és sebesség
A gyors működés mögött egy kevert finomságú figyelemarchitektúra áll, amely a szöveges utasításokat és a referenciaképeket statikus kontextusként kezeli. Mivel a rendszer az első lépésben kiszámított kulcsokat és értékeket újrahasznosítja a finomítási fázisokban, a memóriahasználat jelentősen csökken. Ennek köszönhetően a több képből dolgozó szerkesztési műveletek jelentősen kevesebb időt vesznek igénybe, mint a jóval nagyobb méretű konkurens modellek esetében.
Megkötések a licencelési feltételekben
Noha a technológiai paraméterek szabadságot sugallnak, az Alibaba megváltoztatta a terjesztési feltételeket. Míg a korábbi verziók Apache 2.0 licenc alatt jelentek meg, a Qwen Image 2.1 kizárólag kutatási és értékelési célokra használható ingyenesen. Az üzleti célú felhasználáshoz külön kereskedelmi engedélyt kell kérni a fejlesztőktől, ami pontosabb tervezést igényel a piaci szereplők részéről.
