Qwen-Image-2.1 は透過画像を生成でき、編集では最大 10 枚の参照画像を使える

透過が解決する問題

ステッカー作成ツール、生成したスプライトを使うゲーム、商品の切り抜きが必要なストアを作っている小さなチームを思い浮かべてください。何か月も画像を生成してきて、どの画像もパイプラインの終わりで同じ問題にぶつかります。背景です。モデルは人やドラゴンやスニーカーを背景の上に描き、誰かがそれを切り抜かなければなりません。その工程は二つ目のモデルか手作業で、髪、ガラス、柔らかい影といった、最も見栄えの悪い箇所で失敗します。これは説明のための想定で、実在の会社についての主張ではありませんが、こうしたパイプラインに携わった人なら見覚えがあるでしょう。

Qwen-Image-2.1 は 9 月中旬に Hugging Face で公開され、この継ぎ目をまっすぐ狙っています。カードの説明では、テキストからの画像生成と画像編集を統合したモデルで、視覚生成部分は 32 層のシングルストリーム DiT からなる 7B パラメータです。作者が挙げる四つの改良のうち、パイプラインを変えるのは二つ目のネイティブな透過です。カードによれば、テキストから通常の画像または透過（RGBA）画像を生成し、透過レイヤーを編集し、写真から被写体を抽出することを、一つのモデルで行えます。

透過を頼むときカードが書いていること

ページで最も役に立つ一文は、宣伝文句より、プロンプトのテンプレートです。カードの透過画像の例は次のとおりです。“This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent.” 透過画像の推奨プロンプト形式とされ、例では出力 2048×2048、推論 40 ステップを指定しています。実際には、モデルの切り替えにフラグは使われないということです。透過は言葉で依頼し、プロンプトの冒頭の文と、アルファチャンネルについて述べる末尾の文が、約束事の一部になります。

これは結果を伴う設計上の選択です。プロンプトで切り替える方式は、同じパイプラインでどちらの画像も作れるので柔軟ですが、プロンプトにつきものの脆さがあります。ユーザーのプロンプトを書き換えたり、スタイルの接尾辞を足したり、翻訳したりするチームは、気づかないうちに透過の依頼を壊してしまうかもしれません。このモデルを採用するなら、テンプレートは固定の接頭辞と接尾辞として扱い、ユーザー自身の言い回しがそれを押しのけたときに何が起こるかを試してください。

編集：参照画像、マスク、注釈

売り込みの後半は編集です。カードによれば、モデルは最大 10 枚の参照画像に対応し、局所編集は円、手描きの注釈、別のマスクで指定でき、人物や商品のアイデンティティが保たれます。ショーケースには、六枚のポートレート参照から生成した集合写真と、ネイティブな透過画像があります。編集の例はわざと単純で、入力画像と「Change the background to a sunset beach」というプロンプトを 40 ステップで渡します。

アイデンティティの保持は私たちが最も厳しく試したい主張で、カードはその測定を何も示していません。モデルが顔や商品を一貫して保てると言うのは簡単ですが、入力が 10 枚、ポーズが三通り、背景が別という条件で実現するのは難しいことです。用途が商品画像なら、探すべき失敗は小さなものです。ずれていくロゴ、綴りの変わったラベル、わずかに違う縫い目の模様。顧客が気づき、ショーケースには現れない誤りです。

入力の扱い方は、編集がどこで行われるかという実務的な問いにも関係します。カードの編集コードは入力を画像に変換し、プロンプトと一緒に、生成を扱うのと同じパイプラインに渡します。編集専用のモデルを別に読み込む必要はありません。小さなチームには実質的な簡素化です。チェックポイントが一つ、パイプラインのクラスが一つ、メモリの予算が一つで済みます。

周辺の数字

覚えておく価値のある具体的な数字がいくつかあります。対応するアスペクト比はプリセットとして一覧になっています。1:1 は 2048×2048、4:3 は 2400×1792、3:4 は 1792×2400、3:2 は 2528×1696、2:3 は 1696×2528、16:9 は 2752×1536、9:16 は 1536×2752 です。従来のオープンモデルの基準では大きな画像で、メモリに余裕がない場合、カードは enable_model_cpu_offload を勧めています。VRAM の数値は示されていないため、パラメータ数から推し量らず、展開先のカードで試すのが安全です。チェックポイントは BF16 で保存されています。

インストールの手順には、より高速な兄弟モデルと同じ落とし穴があります。カードは torch 2.4.0 以降、transformers 5.17 以降、accelerate、pillow、そしてソースリポジトリからの Diffusers のインストールを求めています。サービスを作るなら、Diffusers のコミットを固定し、その変更がリリースに入るのを見守ることになります。より速い Turbo のチェックポイントについては、8 ステップのスケジュールについての記事で扱っており、同じ依存があります。

採用状況については、ページにこのモデルを使う Spaces が 100 件と表示されています。どれだけの人が試したかのおおよその目安にはなりますが、その人たちにとって出来がどうだったかは分かりません。

ショーケースの読み方

カードのショーケースにはキャプション付きの画像がちょうど二つあります。ネイティブな透過画像の生成と、六枚のポートレート参照から生成した集合写真です。どちらも目玉の機能を見せるために選ばれていて、ショーケースとはそういうものですが、どちらも一回の結果にすぎず、成功率は分かりません。六枚の参照からの集合写真は、一つのフレームに六人分のアイデンティティを求めるので、複数参照の合成を示す強力なデモですが、六人全員を正しく出せる頻度は何も教えてくれません。画像は、その機能が少なくとも一度は動くことの存在証明として受け取り、どのくらいの頻度で動くかは自分のテストセットで確かめてください。「できる」と「たいていできる」の違いこそが、デモと依存先の違いのすべてです。

ライセンスについて、もう一度

このモデルは Qwen Research License Agreement の下で公開されています。商用利用の条項を読み解いていないため、この契約の要約はしていません。実務上の助言は、研究用ライセンスのモデル全般と同じです。それに依存するものを売る前に読んでください。「重みをダウンロードできる」と「有料製品に載せてよい」は、別の話です。

信頼する前に試すこと

短い一覧で、害になりそうな順に並べます。第一に、縁です。髪、毛皮、ガラス、半透明の素材を持つ被写体を透過背景で描画し、暗い背景、明るい背景、彩度の高い色の背景の上で見ます。フリンジはすぐに現れます。第二に、編集をまたいだアイデンティティです。商品かポートレートの写真を一枚取り、五通りの編集を適用して細部を比べます。第三に、プロンプトの頑健さです。自社製品が付け足す接頭辞や接尾辞で透過テンプレートを包み、アルファチャンネルが残るかを見ます。第四に、実際のハードウェアと実際の解像度で、CPU オフロードの有無それぞれのメモリと時間を測ります。これらのテストはカードに一つもなく、どれもカードが答えられない問いに答えます。

私たちの見方

デザインツールを作るなら、ネイティブなアルファとマスクベースの編集の組み合わせが興味深いところです。複数のツールにまたがる工程が一つにまとまるからです。ディレクトリで考え方が近いのは、構図を組んでからモデルにレンダリングさせるツール、たとえば ArtCraft と、アセットが使われる下流に位置する Figma のようなデザインツールです。ただし、カードは約束事にすぎず、検証の代わりにはなりません。より速いチェックポイントはステップ数と引き換えに速度を得ており、ベースモデルは速度と引き換えに忠実度を得ています。どちらを選ぶかは、ユーザーが画像を待つのか、たくさんの中から選ぶのかによります。

この画像モデルの隣にある言語モデルの系列は、Qwen モデルのリリース時系列にある。

あわせて読みたい

全記事は新しい順に Front ブログ一覧 にあります。

• Qwen Image 2.1 Turbo の 8 ステップ: Qwen Image 2.1 Turbo がステップ数を 8 に減らした仕組み。
• Blender と Spline: ブラウザ上の 3D 向けの一対一の比較。
• Humanizer 12B：公表された主張を読む: ローカルモデル Humanizer 12B の主張のうち、出典で裏づけられるもの。
• Meta Muse Spark Open の時系列: Meta Muse Spark Open のリリースを日付順にまとめたもの。
• Qwen モデルのリリース時系列: Qwen を Qwen-7B から Qwen3-Coder まで、ライセンスとコンテキスト付きで。

よくある質問

出典

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