Alibaba-მ გამოსახულების ახალი მსუბუქი AI-მოდელი გამოუშვა

ეს მტკიცება კომპანიის შიდა შეფასებას ეფუძნება და საბოლოო დასკვნისთვის დამატებითი გამოცდაა საჭირო. თუმცა, პირველადი ცნობებით, მოდელს გამჭვირვალობის ბუნებრივი მხარდაჭერა აქვს და რამდენიმე საცნობარო გამოსახულებიდან ერთიანი სურათის შექმნა შეუძლია.

Qwen Image 2.1-ის სალიცენზიო შეთანხმებამ კითხვები გააჩინა. წინა ვერსიისგან განსხვავებით, ახალი პირობები მოდელის კომერციულ გადაყიდვას პირდაპირ კრძალავს. ამის მსურველმა შემქმნელისგან ცალკე ლიცენზია უნდა მიიღოს.

მოდელს გამჭვირვალე ფონის მქონე გამოსახულებების გენერირება შეუძლია. ეს შესაძლებლობა გამოსადეგია მხატვრებისთვის და მოთხოვნის შესაბამისად დასაბეჭდი პროდუქტების, მაგალითად, სტიკერების შესაქმნელად.

მოდელს გამოსახულების რედაქტირებისას მაქსიმუმ 10 საცნობარო სურათის გამოყენება შეუძლია. მაგალითად, შესაძლებელია ადამიანის ფოტოსა და ტანსაცმლის გამოსახულებების მიწოდება, შემდეგ კი მოდელი ამ ტანსაცმელში გამოწყობილი ადამიანის სურათს ქმნის. Qwen-ის გუნდი ადამიანებისა და პროდუქტების იერსახის თანმიმდევრულად შენარჩუნებას გვპირდება.

Qwen Image 2.1-ის მთავარი თავისებურება კომპაქტური ზომაა. ვიზუალური გენერაციის კომპონენტს 7 მილიარდი პარამეტრი აქვს. კომპანიის შედარებით გამოცდაში მხოლოდ Meituan-ის LongCat-Image იყო უფრო მცირე, 6 მილიარდი პარამეტრით. სხვა მოდელების უმეტესობა რამდენჯერმე უფრო დიდია ან დახურული წონები აქვს.

Qwen-ის შიდა შეფასებით, მოდელმა Qwen Image Benchmark-ში 60,2 ქულა მიიღო. OpenAI-ის GPT Image 2.5 Sunburst-მა 67 ქულა დააგროვა, Muse Image-მა 62,34, ხოლო Google-ის Nano Banana 2.0-მა 59,82.

AI Arena-ს პირველადი გამოცდის შედეგები ნაკლებად ხელსაყრელ პირობებში უფრო მოკრძალებული იყო. Qwen Image 2.1-მა 1228 ქულა მიიღო, Nano Banana 2-მა 1260, Musw Image-მა 1276, ხოლო პირველ ადგილზე მყოფმა GPT 65 Sunburst-მა 1423. გამოსახულების რედაქტირებაში AI Arena-მ ის ღია წონების მოდელებს შორის საუკეთესოდ შეაფასა.

ეს შედეგები ჯერ ადრეულია და Qwen-ის გუნდის მტკიცებების დასადასტურებლად ან უარსაყოფად მეტი გამოცდაა საჭირო. მიუხედავად ამისა, შედეგები მათ განცხადებებს საკმაოდ ახლოს ემთხვევა. უცნობია, რამდენ პარამეტრს იყენებენ საკუთრების უფლებით დაცული მოდელები უფრო მაღალი ქულებისთვის, თუმცა მსუბუქი Qwen Image 2.1 მათ ჩამორჩენას ამცირებს.

პირველი მომხმარებლების ცნობით, მოდელი სამომხმარებლო ვიდეოდაფებზე გამართულად მუშაობს. Hacker News-ის ფორუმის წევრმა Vunderba-მ, რომელიც GenAI Showdown-ს ქმნის, განაცხადა, რომ RTX 4090-ზე 1MP გამოსახულება დაახლოებით ხუთ წამში გარდაქმნა.

Stable Diffusion-ის subreddit-ის მომხმარებელმა cgs019283-მა მოდელის შესაძლებლობები შეაქო. მისი თქმით, RTX 5070-ისა და 5080-ის მსგავს თანამედროვე Nvidia 50-სერიის ვიდეოდაფებზე 1MP გამოსახულების გენერირებას დაახლოებით 25 წამი სჭირდება. ბევრი საცნობარო გამოსახულების გამოყენება პროცესს მნიშვნელოვნად ახანგრძლივებს, ხოლო მის გამოცდაში რედაქტირება ყველაზე ნელი ფუნქცია იყო.