شرکت علی‌بابا مدل هوش مصنوعی Qwen-Image-2.1 را به‌صورت متن‌باز منتشر کرده است. این مدل با تنها 7 میلیارد پارامتر، تولید تصویر از متن و ویرایش تصویر را در یک مدل واحد ترکیب کرده و از قابلیت تولید و ویرایش تصاویر با پس‌زمینه شفاف نیز پشتیبانی می‌کند.
یکی از قابلیت‌های مهم Qwen-Image-2.1، پشتیبانی بومی از شفافیت و لایه‌های RGBA است. به این ترتیب، مدل می‌تواند تصاویر دارای پس‌زمینه شفاف را تولید یا ویرایش کند و حتی در چنین تصاویری متن و عناصر مختلف را تغییر دهد یا با یکدیگر ترکیب کند.
Qwen-Image-2.1 همچنین امکان استفاده از حداکثر 10 تصویر مرجع را فراهم می‌کند. کاربر می‌تواند بخش موردنظر تصویر را با ابزارهایی مانند دایره، طراحی دستی یا ماسک مشخص کند تا ویرایش دقیق‌تری روی همان قسمت انجام شود.
حفظ جزئیات سوژه در ویرایش تصویر
به گفته علی‌بابا، مدل جدید در ویرایش پرتره و تصاویر محصولات تلاش می‌کند ویژگی‌ها و جزئیات اصلی سوژه را حفظ کند. این مدل برای کاربردهایی مانند تولید تصاویر پانوراما، اینفوگرافیک، استوری‌برد و تصاویر مرتبط با پرو مجازی لباس نیز توسعه یافته است.
یکی از نمونه‌های ارائه‌شده، استفاده از تصاویر یک شخصیت از 3 زاویه مختلف به‌عنوان مرجع است که Qwen-Image-2.1 بر اساس آن‌ها یک استوری‌برد کامل تولید می‌کند. بهبود تولید بافت‌های واقع‌گرایانه و تایپوگرافی نیز از دیگر قابلیت‌های مورد تأکید این مدل است.
معماری 7 میلیارد پارامتری برای استنتاج سریع‌تر
Qwen-Image-2.1 از معماری سبک‌تری با 7B پارامتر بهره می‌برد و علی‌بابا تلاش کرده میان کیفیت خروجی، سرعت و هزینه پردازش تعادل برقرار کند. این مدل در بخش معماری از Mixed-Granularity Attention استفاده می‌کند و با استفاده مجدد از KV Cache، بهره‌وری فرایند استنتاج را افزایش می‌دهد.
علی‌بابا می‌گوید این معماری به‌خصوص هنگام پردازش چند تصویر ورودی، به کاهش هزینه محاسباتی و افزایش سرعت کمک می‌کند. وزن‌های Qwen-Image-2.1 اکنون به‌صورت متن‌باز در دسترس قرار گرفته‌اند تا توسعه‌دهندگان بتوانند از این مدل برای تولید و ویرایش تصویر در پروژه‌های خود استفاده کنند.
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت