Qwen-Image-2.1 erzeugt transparente Bilder und bearbeitet mit bis zu 10 Referenzen

Das Problem, das Transparenz löst

Stellen Sie sich ein kleines Team vor, das einen Sticker-Maker baut, ein Spiel mit generierten Sprites oder einen Shop, der Produkt-Freisteller braucht. Seit Monaten generiert es Bilder, und jedes hat am Ende der Pipeline dasselbe Problem: den Hintergrund. Das Modell zeichnet eine Person, einen Drachen oder einen Sneaker vor eine Kulisse, und jemand muss das Motiv ausschneiden. Dieser Schritt ist ein zweites Modell oder Handarbeit, und er scheitert an den Stellen, die am schlechtesten aussehen: Haare, Glas, weiche Schatten. Das ist ein anschauliches Szenario, keine Aussage über ein reales Unternehmen, aber wer an so einer Pipeline gearbeitet hat, erkennt es wieder.

Qwen-Image-2.1, Mitte September auf Hugging Face veröffentlicht, geht diese Naht direkt an. Die Karte beschreibt ein einheitliches Modell für Text-zu-Bild-Generierung und Bildbearbeitung, dessen visuelle Generierungskomponente 7B Parameter in 32 Single-Stream-DiT-Schichten hat. Von den vier aufgeführten Verbesserungen ist die zweite diejenige, die eine Pipeline verändert: native Transparenz. Laut Karte lassen sich aus Text normale oder transparente (RGBA) Bilder erzeugen, transparente Ebenen bearbeiten und Motive aus Fotos freistellen, alles in einem Modell.

Was die Karte zur Transparenz-Anfrage sagt

Der nützlichste Satz der Seite ist keine Werbung, sondern eine Prompt-Vorlage. Das Beispiel für transparente Bilder lautet: „This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent.“ Es wird als empfohlenes Prompt-Format für transparente Bilder beschrieben, und das Beispiel verlangt eine Ausgabe von 2048×2048 bei 40 Inferenzschritten. Praktisch heißt das: Das Modell wird nicht über einen Schalter umgestellt. Transparenz bestellen Sie in Worten, und der Eröffnungssatz des Prompts samt dem abschließenden Hinweis auf den Alphakanal gehören zum Vertrag.

Das ist eine Designentscheidung mit Folgen. Ein promptgesteuerter Schalter ist flexibel, weil dieselbe Pipeline beide Bildarten liefert, und er ist so fragil, wie Prompts immer sind: Ein Team, das Nutzer-Prompts umschreibt, Stil-Suffixe anhängt oder übersetzt, kann die Transparenz-Anfrage unbemerkt zerstören. Wer das Modell einsetzt, sollte die Vorlage als festes Präfix und Suffix behandeln und testen, was passiert, wenn die Formulierungen der Nutzer sie verdrängen.

Bearbeitung: Referenzen, Masken und Anmerkungen

Die zweite Hälfte des Versprechens ist die Bearbeitung. Laut Karte unterstützt das Modell bis zu 10 Referenzbilder, lokale Änderungen lassen sich über Kreise, gemalte Anmerkungen oder separate Masken festlegen, und die Identität von Personen und Produkten bleibt erhalten. Die Vitrine zeigt ein Gruppenfoto aus sechs Porträtreferenzen und ein natives transparentes Bild, und das Bearbeitungsbeispiel ist bewusst einfach: ein Eingabebild und der Prompt „Change the background to a sunset beach“ bei 40 Schritten.

Den Identitätserhalt würden wir am härtesten testen, und die Karte nennt dazu keine Messwerte. Man sagt leicht, ein Modell halte ein Gesicht oder ein Produkt konsistent, und es ist schwer, das über zehn Eingaben, drei Posen und einen anderen Hintergrund zu leisten. Wer Produktbilder braucht, sollte nach kleinen Fehlern suchen: ein Logo, das abdriftet, ein Etikett mit anderer Schreibweise, ein leicht falsches Nahtmuster. Solche Fehler bemerkt ein Kunde, in einer Vitrine sieht man sie nicht.

Auch die Eingabeverarbeitung zählt für die praktische Frage, wo bearbeitet wird. Der Bearbeitungscode der Karte wandelt die Eingabe in ein Bild um und übergibt es zusammen mit dem Prompt an dieselbe Pipeline, die auch generiert. Ein separates Bearbeitungsmodell muss nicht geladen werden. Für ein kleines Team ist das eine echte Vereinfachung: ein Checkpoint, eine Pipeline-Klasse, ein Speicherbudget.

Die Zahlen drumherum

Ein paar konkrete Werte sind festhaltenswert. Die unterstützten Seitenverhältnisse stehen als Voreinstellungen da: 1:1 bei 2048×2048, 4:3 bei 2400×1792, 3:4 bei 1792×2400, 3:2 bei 2528×1696, 2:3 bei 1696×2528, 16:9 bei 2752×1536 und 9:16 bei 1536×2752. Nach den Maßstäben früherer offener Modelle sind das große Bilder, und für knappere Speicherbudgets empfiehlt die Karte enable_model_cpu_offload. Einen VRAM-Wert nennt sie nicht; sicherer ist es daher, auf der Karte zu testen, auf der Sie deployen wollen, statt aus der Parameterzahl zu schließen. Der Checkpoint liegt in BF16 vor.

Die Installationshinweise haben dieselbe scharfe Kante wie beim schnelleren Geschwister. Die Karte verlangt torch 2.4.0 oder neuer, transformers 5.17 oder neuer, accelerate und pillow sowie Diffusers aus dem Quell-Repository. Wer einen Dienst baut, muss also einen Diffusers-Commit pinnen und beobachten, wann die Änderung in einem Release landet. Der schnellere Turbo-Checkpoint, den unser Beitrag zum Acht-Schritte-Plan behandelt, hat dieselbe Abhängigkeit.

Zur Verbreitung: Die Seite zeigt 100 Spaces, die das Modell nutzen, ein grobes Zeichen dafür, wie viele es ausprobiert haben, ohne Angabe, wie gut es für sie funktioniert hat.

Wie man die Vitrine liest

Die Vitrine der Karte hat genau zwei beschriftete Bilder: native transparente Bilderzeugung und ein Gruppenfoto aus sechs Porträtreferenzen. Beide sind so gewählt, dass sie die Hauptmerkmale zeigen, was der Zweck von Vitrinen ist, und beide sind Einzelergebnisse und keine Erfolgsquoten. Ein Gruppenfoto aus sechs Referenzen ist eine starke Demonstration von Multi-Referenz-Komposition, weil es sechs Identitäten in einem Bild verlangt, sagt aber nichts darüber, wie oft das Modell alle sechs richtig trifft. Nehmen Sie die Bilder als Existenzbeweis, dass die Funktion mindestens einmal klappt, und finden Sie mit einem eigenen Testsatz heraus, wie oft. Der Unterschied zwischen „kann“ und „tut es meistens“ trennt eine Demo von einer Abhängigkeit.

Noch einmal die Lizenz

Das Modell steht unter der Qwen Research License Agreement. Wir haben die Vereinbarung nicht zusammengefasst, weil wir ihre Bedingungen für kommerzielle Nutzung nicht ausgewertet haben, und der praktische Rat ist derselbe wie bei jedem forschungslizenzierten Modell: Lesen Sie sie, bevor Sie etwas verkaufen, das davon abhängt. „Die Gewichte sind herunterladbar“ und „Sie dürfen das in einem bezahlten Produkt ausliefern“ sind verschiedene Aussagen.

Was wir vor dem Vertrauen testen würden

Eine kurze Liste, geordnet danach, wie wahrscheinlich jeder Punkt wehtut. Erstens Kanten: Rendern Sie eine Reihe Motive mit Haaren, Fell, Glas und halbtransparenten Materialien auf transparentem Hintergrund und betrachten Sie sie vor dunklem, hellem und kräftig farbigem Hintergrund; Säume fallen sofort auf. Zweitens Identität über Bearbeitungen: Nehmen Sie ein Produkt- oder Porträtfoto, wenden Sie fünf verschiedene Bearbeitungen an und vergleichen Sie Details. Drittens Prompt-Robustheit: Umgeben Sie die Transparenz-Vorlage mit den Präfixen und Suffixen, die Ihr Produkt hinzufügt, und prüfen Sie, ob der Alphakanal übersteht. Viertens Speicher und Zeit auf Ihrer tatsächlichen Hardware in Ihrer tatsächlichen Auflösung, mit und ohne CPU-Offload. Keiner dieser Tests steht auf der Karte, und jeder beantwortet eine Frage, die die Karte nicht beantworten kann.

Unsere Einschätzung

Wer Design-Werkzeuge baut, für den ist natives Alpha plus maskenbasierte Bearbeitung die interessante Kombination, weil sie einen Schritt über mehrere Werkzeuge in einen zusammenzieht. Im Verzeichnis stehen dem am nächsten Werkzeuge, die eine Komposition inszenieren und dann ein Modell rendern lassen, etwa ArtCraft, und Design-Werkzeuge wie Figma, die weiter hinten sitzen, wo die Assets verwendet werden. Trotzdem ist eine Karte ein Versprechen und kein Test. Der schnellere Checkpoint tauscht Schritte gegen Tempo, das Basismodell Tempo gegen Detailtreue. Was Sie wollen, hängt davon ab, ob Ihre Nutzer auf das Bild warten oder aus vielen auswählen.

Die Sprachmodell-Linie neben diesem Bildmodell ist die Qwen-Modell-Zeitleiste.

Weiterlesen

Alle Beiträge, neueste zuerst, stehen im Front-Blog.

• Qwen Image 2.1 Turbo in acht Schritten: Wie Qwen Image 2.1 Turbo die Schrittzahl auf 8 senkt.
• Blender vs. Spline: Direktvergleich für 3D im Browser.
• Humanizer 12B: Die Aussagen im Check: Was von den Aussagen zum lokalen Modell Humanizer 12B durch Quellen gedeckt ist.
• Meta-Muse-Spark-Open-Zeitleiste: Der Release von Meta Muse Spark Open in zeitlicher Folge.
• Qwen-Modell-Zeitleiste: Qwen von Qwen-7B bis Qwen3-Coder, mit Lizenzen und Kontext.

Häufige Fragen

Quellen

• Qwen/Qwen-Image-2.1 model card
• Qwen/Qwen-Image-2.1-Turbo model card