Qwen-Image-2.1 : images transparentes et retouches avec jusqu’à 10 références

Le problème que résout la transparence

Imaginez une petite équipe qui construit un créateur d’autocollants, un jeu avec des sprites générés ou une boutique qui a besoin de détourages de produits. Elle génère des images depuis des mois, et chaque image pose le même problème en bout de chaîne : l’arrière-plan. Le modèle dessine une personne, un dragon ou une basket sur un décor, et quelqu’un doit la détourer. Cette étape est un second modèle, ou un travail manuel, et elle échoue là où le résultat est le plus laid : cheveux, verre, ombres douces. C’est un scénario illustratif, pas une affirmation sur une entreprise réelle, mais quiconque a travaillé sur une telle chaîne le reconnaîtra.

Qwen-Image-2.1, publié sur Hugging Face à la mi-septembre, s’attaque directement à cette couture. Sa fiche décrit un modèle unifié de génération d’images à partir de texte et d’édition d’images, avec un composant de génération visuelle de 7B paramètres construit à partir de 32 couches DiT à flux unique. Des quatre améliorations citées par les auteurs, la deuxième est celle qui change une chaîne : la transparence native. Selon la fiche, on peut générer des images ordinaires ou transparentes (RGBA) à partir de texte, retoucher des calques transparents et extraire des sujets de photographies, le tout dans un seul modèle.

Ce que dit la fiche sur la façon de demander la transparence

La phrase la plus utile de la page n’est pas du marketing. C’est un modèle de prompt. L’exemple d’image transparente de la fiche se lit : « This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent. » Il est présenté comme le format de prompt recommandé pour les images transparentes, et l’exemple demande une sortie en 2048×2048 avec 40 étapes d’inférence. En pratique, cela signifie que le modèle ne s’active pas par un paramètre. Vous demandez la transparence avec des mots, et la phrase d’ouverture du prompt comme son énoncé final sur le canal alpha font partie du contrat.

C’est un choix de conception qui a des conséquences. Un interrupteur piloté par le prompt est souple, puisque le même pipeline peut produire l’un ou l’autre type d’image, et il est fragile comme les prompts le sont toujours : une équipe qui réécrit les prompts des utilisateurs, ajoute des suffixes de style ou les traduit peut casser la demande de transparence sans s’en apercevoir. Si vous adoptez le modèle, traitez le gabarit comme un préfixe et un suffixe fixes, et testez ce qui se passe quand la formulation des utilisateurs l’envahit.

Édition : références, masques et annotations

L’autre moitié de l’argumentaire est l’édition. La fiche indique que le modèle accepte jusqu’à 10 images de référence, et que les retouches locales peuvent être définies par des cercles, des annotations peintes ou des masques séparés, avec préservation de l’identité des personnes et des produits. Sa vitrine inclut une photo de groupe générée à partir de six portraits de référence et une image transparente native, et l’exemple d’édition est volontairement simple : on passe une image d’entrée et le prompt « Change the background to a sunset beach », en 40 étapes.

La préservation de l’identité est l’affirmation que nous testerions le plus durement, et la fiche n’en donne aucune mesure. Il est facile de dire qu’un modèle garde un visage ou un produit cohérent, et difficile de le faire avec dix entrées, trois poses et un autre arrière-plan. Si votre cas d’usage est l’imagerie produit, l’échec à guetter est discret : un logo qui dérive, une étiquette dont l’orthographe change, un motif de couture légèrement faux. Ce sont les erreurs qu’un client remarque et qu’une vitrine ne montre pas.

La gestion des entrées compte aussi pour savoir où l’édition a lieu. Le code d’édition de la fiche convertit l’entrée en image et la passe avec le prompt, par le même pipeline que celui de la génération. Il n’y a pas de modèle d’édition séparé à charger. Pour une petite équipe, c’est une vraie simplification : un checkpoint, une classe de pipeline, un budget mémoire.

Les chiffres autour

Quelques chiffres concrets méritent d’être retenus. Les formats pris en charge sont listés sous forme de préréglages : 1:1 en 2048×2048, 4:3 en 2400×1792, 3:4 en 1792×2400, 3:2 en 2528×1696, 2:3 en 1696×2528, 16:9 en 2752×1536 et 9:16 en 1536×2752. Ce sont de grandes images au regard des modèles ouverts antérieurs, et la fiche recommande enable_model_cpu_offload pour les budgets mémoire serrés. Elle ne donne aucun chiffre de VRAM : le plan sûr est donc de tester sur la carte visée plutôt que de déduire du nombre de paramètres. Le checkpoint est stocké en BF16.

Les instructions d’installation ont la même arête vive que son cadet plus rapide. La fiche demande torch 2.4.0 ou plus récent, transformers 5.17 ou plus récent, accelerate et pillow, et Diffusers installé depuis son dépôt source. Si vous construisez un service, cela signifie épingler un commit de Diffusers et surveiller l’arrivée de la modification dans une version publiée. Le checkpoint Turbo, plus rapide, traité dans notre note sur son calendrier à huit étapes, a la même dépendance.

Côté adoption, la page affiche 100 Spaces qui utilisent le modèle, signe approximatif du nombre de personnes qui l’ont essayé, sans indiquer si cela a bien fonctionné pour elles.

Comment lire la vitrine

La vitrine de la fiche compte exactement deux images légendées : la génération d’image transparente native et une photo de groupe générée à partir de six portraits de référence. Toutes deux sont choisies pour démontrer les fonctions phares, ce qui est le rôle d’une vitrine, et ce sont des résultats isolés, non des taux de réussite. Une photo de groupe à partir de six références est une démonstration solide de composition multi-références, puisqu’elle demande six identités dans un même cadre, mais elle ne dit rien de la fréquence à laquelle le modèle réussit les six. Voyez les images comme une preuve d’existence : la fonction marche au moins une fois ; votre propre jeu de test dira à quelle fréquence. Cette distinction entre « peut » et « le fait en général » sépare une démo d’une dépendance.

La licence, encore

Le modèle est sous licence Qwen Research License Agreement. Nous n’avons pas résumé l’accord, faute d’avoir analysé ses termes pour l’usage commercial, et le conseil pratique est le même que pour tout modèle sous licence de recherche : lisez-le avant de vendre quoi que ce soit qui en dépende. « Les poids sont téléchargeables » et « vous pouvez le livrer dans un produit payant » sont deux énoncés différents.

Ce que nous testerions avant de lui faire confiance

Une courte liste, par ordre de risque décroissant. D’abord les bords : rendez une série de sujets avec cheveux, fourrure, verre et matières semi-transparentes sur fond transparent, et regardez-les sur un fond sombre, un fond clair et un fond de couleur saturée ; les franges apparaissent tout de suite. Ensuite l’identité d’une retouche à l’autre : prenez une photo de produit ou de portrait, appliquez cinq retouches différentes et comparez les détails. Troisièmement la robustesse au prompt : entourez le gabarit de transparence des préfixes et suffixes que votre produit ajoute, et voyez si le canal alpha survit. Quatrièmement la mémoire et le temps sur votre matériel réel à votre résolution réelle, avec et sans CPU offload. Aucun de ces tests ne figure dans la fiche, et chacun répond à une question qu’elle ne peut pas traiter.

Notre avis

Si vous construisez des outils de design, l’alpha natif combiné à l’édition par masque est l’association intéressante, car elle fusionne en une seule plusieurs étapes d’outils. Les fiches du répertoire les plus proches dans l’esprit sont des outils qui mettent en scène une composition puis laissent un modèle la rendre, comme ArtCraft, et des outils de design comme Figma, situés en aval là où les assets sont utilisés. Reste qu’une fiche est une promesse, pas un test. Le checkpoint plus rapide échange des étapes contre de la vitesse, et le modèle de base échange de la vitesse contre de la fidélité. Lequel vous voulez dépend du fait que vos utilisateurs attendent l’image ou choisissent parmi beaucoup.

La ligne de modèles de langage à côté de ce modèle d’image est la chronologie des modèles Qwen.

Pour continuer la lecture

Tous les articles, du plus récent au plus ancien, sont sur l’index du blog Front.

• Qwen Image 2.1 Turbo en huit étapes: Comment Qwen Image 2.1 Turbo ramène le nombre d’étapes à 8.
• Blender ou Spline: Comparaison directe pour la 3D dans le navigateur.
• Humanizer 12B : les affirmations passées au crible: Ce que les sources étayent des affirmations sur le modèle local Humanizer 12B.
• Chronologie de Meta Muse Spark Open: La publication de Meta Muse Spark Open, dans l’ordre du temps.
• Chronologie des modèles Qwen: Qwen de Qwen-7B à Qwen3-Coder, avec licences et contexte.

Questions fréquentes

Sources

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