Alibaba-এর Qwen টিম Qwen-Image-2.1 প্রকাশ করেছে, ইমেজ তৈরি এবং সম্পাদনার জন্য একটি নতুন ওপেন-ওয়েট মডেল যা কোম্পানি বলেছে যে এটির আকারের অনেক উপরে পাঞ্চ। Qwen টিমের মতে, মডেলের ভিজ্যুয়াল জেনারেশন কম্পোনেন্টে মাত্র 7 বিলিয়ন প্যারামিটার রয়েছে, তবুও এটি Qwen-এর নিজস্ব অভ্যন্তরীণ বেঞ্চমার্কে বেশিরভাগ বন্ধ মডেলকে হার মানায় - একটি দাবি যে, যদি এটি স্বাধীন মূল্যায়নের অধীনে থাকে, তাহলে উন্মুক্ত এবং মালিকানাধীন ইমেজ তৈরির মধ্যে ভারসাম্যের একটি উল্লেখযোগ্য পরিবর্তন চিহ্নিত করবে।
ফ্ল্যাগশিপ উচ্চাকাঙ্ক্ষা সহ একটি 7 বিলিয়ন প্যারামিটার মডেল
আলিবাবা থেকে শিরোনাম দাবি আকর্ষণীয়: শুধুমাত্র 7 বিলিয়ন প্যারামিটারের একটি ভিজ্যুয়াল জেনারেশন উপাদান যা বেশিরভাগ বন্ধ মডেলকে ছাড়িয়ে যায়। এটির সাথে থাকা সতর্কতার উপর জোর দেওয়া মূল্যবান — তুলনাটি কুয়েনের নিজস্ব বেঞ্চমার্ক থেকে এসেছে এবং স্বাধীন বেঞ্চমার্কের ফলাফল এখনও মুলতুবি রয়েছে। প্রযুক্তি প্রকাশনা দ্য ডিকোডার, যা রিলিজটি কভার করেছে, এই পার্থক্যটি সরাসরি উল্লেখ করেছে, এবং হ্যাকার নিউজের ওপেন-সোর্স সম্প্রদায়, যেখানে লঞ্চ কয়েক ঘন্টার মধ্যে শত শত আপভোট পেয়েছে, একইভাবে তার প্রাথমিক প্রতিক্রিয়াগুলিতে পরিমাপ করা হয়েছে।
যেটি বিতর্কের মধ্যে নেই তা হল সিস্টেমের দক্ষতা। Qwen-Image-2.1 কে NVIDIA RTX 3090 এর মতো অ্যাক্সেসযোগ্য GPU সহ সক্ষম ভোক্তা হার্ডওয়্যারে চালানোর জন্য ডিজাইন করা হয়েছে। নির্মাতা এবং ডেভেলপারদের জন্য যারা ফ্রন্টিয়ার ইমেজ মডেলগুলি API এবং ডেটা-সেন্টার অবকাঠামোর পিছনে প্রবাহিত হতে দেখেছেন, এমন একটি মডেল যা স্থানীয়ভাবে ছবি তৈরি এবং সম্পাদনা করতে পারে যার অর্থ একটি তিন বছরের পুরনো বিকাশ কার্ডে।
স্বচ্ছ ছবি এবং মাল্টি-রেফারেন্স রচনা
কাঁচা প্রজন্মের মানের বাইরে, Qwen-Image-2.1 এমন ক্ষমতার পরিচয় দেয় যেগুলি Qwen টিম বলেছে যে মডেলটি পরবর্তীতে বোল্ট করার পরিবর্তে। এর মধ্যে সবচেয়ে আকর্ষণীয় হল RGBA-এর জন্য নেটিভ সাপোর্ট — স্বচ্ছ ব্যাকগ্রাউন্ড সহ ছবি — প্রজন্ম এবং সম্পাদনা উভয় ক্ষেত্রেই। ব্যবহারকারীরা তাদের ব্যাকগ্রাউন্ড থেকে বস্তু বিচ্ছিন্ন করতে পারে বা একটি পৃথক ব্যাকগ্রাউন্ড-রিমুভাল টুলের মাধ্যমে রাউন্ড-ট্রিপিং ছাড়াই স্বচ্ছ স্তরগুলিতে পাঠ্য পরিবর্তন করতে পারে।
মডেলটি একটি একক কাজের মধ্যে দশটি রেফারেন্স চিত্রও পরিচালনা করে। কুয়েনের মতে, এটি প্রতিটি ব্যক্তির পৃথক ফটো থেকে একটি গ্রুপ প্রতিকৃতি একত্রিত করা, ভার্চুয়াল ট্রাই-অন অভিজ্ঞতাকে শক্তিশালী করা, বা রেফারেন্স হিসাবে একাধিক অভ্যন্তরীণ ফটোগুলিকে একত্রিত করে রুম পুনরায় ডিজাইন করার মতো কর্মপ্রবাহকে সক্ষম করে।
স্থানীয় সম্পাদনার জন্য, দলটি অঞ্চল-নির্দেশিত নিয়ন্ত্রণগুলি প্রয়োগ করেছে: ব্যবহারকারীরা চিত্রের একটি এলাকায় বৃত্ত, মুখোশ বা আঁকা চিহ্ন আঁকতে পারে যেখানে পরিবর্তনগুলি প্রয়োগ করা উচিত তা নির্দেশ করতে পারে৷ এটি স্থানিক পরিবর্তনগুলি বর্ণনা করার জন্য শুধুমাত্র পাঠ্য প্রম্পটের উপর নির্ভর না করে ভিজ্যুয়াল আকারে সম্পাদনার নির্দেশাবলী রাখে।
স্থাপত্য পরিবর্তন এবং দ্রুত অনুমান
Qwen-Image-2.1-এ কর্মক্ষমতার উন্নতি স্থাপত্য পরিবর্তন এবং KV ক্যাশে পুনঃব্যবহার থেকে আসে, Qwen টিমের মতে। ক্যাশিং পদ্ধতির দ্বারা অনুমানকে লক্ষণীয়ভাবে গতি বাড়ানোর কথা বলা হয়, বিশেষ করে একাধিক রেফারেন্স ইমেজ জড়িত কর্মপ্রবাহে, যেখানে পূর্ববর্তী পন্থাগুলি প্রতিটি প্রজন্মের উপর যথেষ্ট পরিমাণ কাজ পুনরায় গণনা করবে।
ব্যবহারিক ব্যবহারকারীদের জন্য, ভোক্তা হার্ডওয়্যারের উপর দ্রুত অনুমান অ্যাক্সেসিবিলিটি গল্পকে যুক্ত করে: দ্রুত পুনরাবৃত্তি চক্র মাঝে মাঝে পরীক্ষা-নিরীক্ষার পরিবর্তে বাস্তব উত্পাদন কাজের জন্য স্থানীয় চিত্র তৈরিকে কার্যকর করে তোলে।
এটি কোথায় পাবেন — এবং লাইসেন্সিং ক্যাচ
Qwen-Image-2.1 Hugging Face, GitHub, এবং Model Scope-এ ডাউনলোডের জন্য উপলব্ধ, এবং দলটি যে ব্যবহারকারীরা মডেলটি ডাউনলোড করার আগে চেষ্টা করতে চান তাদের জন্য Hugging Face-এর একটি ডেমো প্রকাশ করেছে৷
তবে, বাণিজ্যিক ব্যবহারকারীদের জন্য একটি গুরুত্বপূর্ণ ধরা আছে। মডেলটি একটি গবেষণা লাইসেন্সের অধীনে পাঠানো হয় যা স্পষ্টভাবে বাণিজ্যিক ব্যবহারে বাধা দেয়। যে ব্যবসাগুলি Qwen-Image-2.1-এ তৈরি করতে চায় তাদের অবশ্যই আলাদা লাইসেন্সের জন্য Qwen-এর কাছে আবেদন করতে হবে৷ এটি আলিবাবা পূর্ববর্তী বেশ কয়েকটি ক্যুয়েন রিলিজের সাথে নেওয়া পদ্ধতির প্রতিফলন করে, যেখানে গবেষণা এবং মূল্যায়নের জন্য ওজনগুলি অবাধে উপলব্ধ, কিন্তু রাজস্ব-উৎপাদনকারী স্থাপনার জন্য কোম্পানির সাথে সরাসরি ব্যবস্থার প্রয়োজন হয়।
স্বতন্ত্র স্রষ্টা, গবেষক এবং শখীদের জন্য, ব্যবহারিক প্রভাব সহজ: ডাউনলোড করুন, স্থানীয়ভাবে চালান, অবাধে পরীক্ষা করুন৷ মডেলের উপরে একটি পণ্য তৈরি করার আশায় স্টার্টআপগুলির জন্য, লাইসেন্সের শর্তাবলীর অর্থ হল আলিবাবার সাথে একটি কথোপকথন প্রথমে আসে৷
ওপেন-ওয়েট রেসের জন্য এর অর্থ কী
রিলিজটি এমন এক সময়ে অবতীর্ণ হয় যখন চীনা AI ল্যাবগুলি ওপেন-ওয়েট দক্ষতার উপর আক্রমনাত্মকভাবে প্রতিযোগিতা করছে, এমন মডেলগুলি প্রকাশ করছে যা তাদের বন্ধ প্রতিযোগীদের প্যারামিটার গণনা এবং হার্ডওয়্যার খরচের একটি ভগ্নাংশে কাছাকাছি-সীমান্ত মানের দাবি করে। একটি ইমেজ মডেল যা গ্রাহকের জিপিইউতে ফিট করার সময় ক্লোজড সিস্টেমের প্রতিদ্বন্দ্বী বলে দাবি করে যেটি সেই বৃহত্তর কৌশলটির ভিজ্যুয়াল-জেনারেশন প্রতিরূপ।
Qwen-Image-2.1 সত্যিই বন্ধ নেতাদের সাথে মেলে কিনা তা স্বাধীন বেঞ্চমার্কের উপর নির্ভর করবে, যা এখনও প্রকাশিত হয়নি। প্রারম্ভিক সম্প্রদায় পরীক্ষা, তৃতীয় পক্ষের মূল্যায়ন এবং আলিঙ্গন মুখের মত প্ল্যাটফর্মে তুলনা আগামী সপ্তাহগুলিতে প্রশ্নটি নিষ্পত্তি করবে। ততক্ষণ পর্যন্ত, দাবিটি দলের নিজস্ব রয়ে গেছে — তবে মডেলটি নিজেই আজ হার্ডওয়্যার এবং এটি পরীক্ষা করার কৌতূহল সহ যে কারও জন্য উপলব্ধ।
খোলা এবং বন্ধ AI সিস্টেমের মধ্যে বৃহত্তর প্রতিযোগিতা ট্র্যাকিং পাঠকদের জন্য, রিলিজটি একটি দ্রুত চলমান ক্ষেত্রের আরও একটি ডেটা পয়েন্ট, এটি বিকাশের সাথে সাথে সর্বশেষ AI সংবাদের সাথে কভার করা হয়।
এআই থেকে এগিয়ে থাকুন
AI ল্যান্ডস্কেপ দ্রুত চলে, এবং ইমেজ জেনারেশন হল এর অন্যতম প্রতিযোগিতামূলক কোণ। মডেল রিলিজ, বেঞ্চমার্ক এবং সেগুলির পিছনের ব্যবসায়িক সিদ্ধান্তগুলির অবিরত কভারেজের জন্য AI Buzz Wire এ অনুসরণ করুন।
আরও এআই খবর পড়ুন →
