2.8 KiB
Qwen-Image — це потужна базова мультимодальна модель (MMDiT) обсягом 20 мільярдів параметрів, розроблена командою Qwen (Alibaba Cloud). Вона встановлює нові стандарти у фотореалістичній генерації, роботі з текстом та точному редагуванні зображень.
Ключові можливості:
-
Професійна робота з текстом: Найсильнішою стороною моделі є рендеринг складного тексту. На відміну від багатьох аналогів, Qwen-Image бездоганно відтворює багаторядкові написи, складні макети та дрібні деталі. Вона підтримує як латиницю (англійську), так і логографічні мови (зокрема китайську), зберігаючи високу точність символів.
-
Точне редагування: Завдяки вдосконаленій багатозадачній парадигмі навчання, модель дозволяє змінювати окремі елементи зображення, зберігаючи загальну візуальну реалістичність та семантичний зміст.
-
Високий реалізм: Оновлені версії моделі (зокрема 2512) значно покращили генерацію людей: обличчя виглядають природно, зменшено ефект «AI-вигляду», додано деталізацію вікових особливостей та текстур шкіри.
-
Робота з шарами (Qwen-Image-Layered): Модель здатна розкладати растрове зображення на окремі RGBA-шари. Це дозволяє незалежно маніпулювати об'єктами (рухати, змінювати розмір без спотворень) на фоні.
Технічні переваги:
-
Продуктивність: Модель демонструє SOTA (State-of-the-Art) результати на бенчмарках GenEval, DPG та GEdit, перевершуючи більшість відкритих рішень.
-
Прискорення: Технологія LeMiCa дозволяє пришвидшити виведення (inference) майже у 3 рази без втрати якості.
-
Гнучкість: Підтримує різні співвідношення сторін та роздільну здатність 1024x1024 за замовчуванням.