Qwen-Image-2.1: co umí obrazový model od Alibaby a kde naráží na licenci

Qwen-Image-2.1 od týmu Qwen společnosti Alibaba umí v jednom modelu vytvářet obrázky podle textového zadání i upravovat ty stávající. Pro experimentování jsou zajímavé zejména výstupy s průhledností a úpravy podle několika předloh. Stažitelné váhy ale nejsou povolením k libovolnému použití: licence modelu omezuje použití na nekomerční účely. 141518

Co lze vytvářet a upravovat

Model podporuje nativní výstup v rozlišení třídy 2K v různých poměrech stran. Dokáže také generovat a upravovat obrázky RGBA — tedy včetně alfa kanálu, který nese informaci o průhlednosti. Průhledný prvek tak lze vložit do další grafiky bez samostatného odstraňování pozadí. Je to schopnost, kterou má smysl vyzkoušet například při přípravě ilustrací, samolepek nebo prvků uživatelského rozhraní. 1214157

Při úpravách lze v jednom zadání použít až deset referenčních obrázků. Změnu v konkrétní části obrazu je možné vyznačit kruhem, malovanou poznámkou nebo samostatnou maskou, místo aby ji uživatel popisoval jen textem. To dává větší kontrolu při zkoušení kompozic a dílčích oprav; výsledek je ale stále potřeba vizuálně zkontrolovat. 2414

Co znamená údaj „7 miliard parametrů“

Sedm miliard parametrů má obrazová generovací část, kterou podle repozitáře Qwen tvoří 32 vrstev difuzního transformátoru typu single-stream. Nejde o počet parametrů všech součástí potřebných ke spuštění celého systému, a proto z něj nelze přímo odvodit požadavky na počítač. Qwen uvádí, že smíšeně granulární mechanismus pozornosti a opětovné využití prefixové KV cache mají zefektivnit generování. Skutečná rychlost i nároky na paměť však závisí na postupu a použitém hardwaru. 1526

Díky stažitelným vahám lze model zkoumat lokálně a začlenit do vlastních pracovních postupů. Uváděná podpora zahrnuje mimo jiné nástroje Diffusers a ComfyUI. To usnadňuje testování, nemění to však licenční podmínky. 2718

Jak číst výsledek benchmarku

V publikovaném srovnání založeném na vlastním benchmarku Qwen získal Qwen-Image-2.1 celkové skóre 60,28 a umístil se před ostatními modely se stažitelnými vahami. Některé uzavřené modely byly v témže srovnání výše. Jde o vykázaný výsledek testu, nikoli o nezávislý důkaz, že Qwen-Image-2.1 předčí alternativy při každém zadání, rozlišení či typu úpravy. 12328

Rozhodující omezení: licence

Qwen Research License v repozitáři povoluje používání materiálů pouze pro nekomerční účely; ke komerčnímu použití je potřeba samostatná licence. Samotné stažení vah ani spuštění přes Diffusers tedy neopravňuje k nasazení modelu do komerčního produktu nebo pracovního postupu. Pro výzkum je kombinace lokálního přístupu, průhledných výstupů a úprav podle více předloh lákavá. Pro firmu je prvním krokem vyjasnění licence. 18215