Alibaba च्या Qwen टीमने Qwen-Image-2.1, प्रतिमा निर्मिती आणि संपादनासाठी एक नवीन ओपन-वेट मॉडेल जारी केले आहे जे कंपनीच्या म्हणण्यानुसार त्याच्या आकारापेक्षा खूप जास्त आहे. Qwen टीमच्या मते, मॉडेलच्या व्हिज्युअल जनरेशन घटकामध्ये फक्त 7 अब्ज पॅरामीटर्स आहेत, तरीही ते Qwen च्या स्वतःच्या अंतर्गत बेंचमार्कवर सर्वात बंद मॉडेलला मागे टाकते — असा दावा की, जर ते स्वतंत्र मूल्यमापनात टिकून राहिल्यास, खुल्या आणि मालकीच्या प्रतिमा निर्मितीमधील संतुलनामध्ये लक्षणीय बदल होईल.
फ्लॅगशिप महत्त्वाकांक्षेसह 7 अब्ज पॅरामीटर मॉडेल
अलीबाबाकडून आलेला मथळा दावा धक्कादायक आहे: केवळ 7 अब्ज पॅरामीटर्सचा व्हिज्युअल जनरेशन घटक सर्वात बंद मॉडेल्सला मागे टाकतो. त्यासोबत असलेल्या सावधगिरीवर जोर देण्यासारखे आहे — तुलना क्वेनच्या स्वतःच्या बेंचमार्कवरून येते आणि स्वतंत्र बेंचमार्क परिणाम अद्याप प्रलंबित आहेत. टेक पब्लिकेशन द डिकोडर, ज्याने रिलीझ कव्हर केले होते, त्यांनी हा फरक थेट नोंदवला आणि हॅकर न्यूजवरील ओपन-सोर्स समुदाय, जिथे लॉन्चने काही तासांतच शेकडो अपव्होट मिळवले, त्याचप्रमाणे त्याच्या सुरुवातीच्या प्रतिक्रियांमध्ये मोजले गेले आहे.
वादात नसलेली गोष्ट म्हणजे व्यवस्थेची कार्यक्षमता. Qwen-Image-2.1 हे NVIDIA RTX 3090 प्रमाणे प्रवेश करण्यायोग्य GPU सह सक्षम ग्राहक हार्डवेअरवर चालण्यासाठी डिझाइन केले आहे. ज्या निर्माते आणि विकासकांनी फ्रंटियर इमेज मॉडेल API आणि डेटा-सेंटर इन्फ्रास्ट्रक्चरच्या मागे जाताना पाहिले आहेत, असे मॉडेल जे स्थानिक पातळीवर प्रतिमा निर्माण आणि संपादित करू शकते याचा अर्थ तीन-वर्षांच्या विकास कार्डवर आहे.
पारदर्शक प्रतिमा आणि बहु-संदर्भ रचना
कच्च्या पिढीच्या गुणवत्तेच्या पलीकडे, Qwen-Image-2.1 ने क्षमतांचा परिचय करून दिला आहे ज्या Qwen टीम म्हणते की ते नंतर बोल्ड करण्याऐवजी मॉडेलचे मूळ आहेत. यातील सर्वात लक्षवेधी RGBA साठी मूळ समर्थन आहे — पारदर्शक पार्श्वभूमी असलेल्या प्रतिमा — पिढी आणि संपादन दोन्हीमध्ये. वापरकर्ते त्यांच्या पार्श्वभूमीतील वस्तू वेगळे करू शकतात किंवा वेगळ्या पार्श्वभूमी-रिमूव्हल टूलद्वारे राउंड-ट्रिपिंगशिवाय पारदर्शक स्तरांवर मजकूर बदलू शकतात.
मॉडेल एका कामात दहा संदर्भ प्रतिमा देखील हाताळते. क्वेनच्या मते, हे वर्कफ्लो सक्षम करते जसे की प्रत्येक व्यक्तीच्या वैयक्तिक फोटोंमधून समूह पोर्ट्रेट एकत्र करणे, व्हर्च्युअल ट्राय-ऑन अनुभवांना सामर्थ्य देणे किंवा अनेक आतील फोटो संदर्भ म्हणून एकत्र करून रूम पुन्हा डिझाइन करणे.
स्थानिक संपादनांसाठी, कार्यसंघाने प्रदेश-मार्गदर्शित नियंत्रणे लागू केली आहेत: वापरकर्ते चित्राच्या क्षेत्रफळावर वर्तुळे, मुखवटे किंवा पेंट केलेले चिन्हे काढू शकतात जे बदल कुठे लागू केले जावेत हे सूचित करू शकतात. हे स्थानिक बदलांचे वर्णन करण्यासाठी केवळ मजकूर प्रॉम्प्टवर अवलंबून न राहता दृश्य स्वरूपात संपादन सूचना ठेवते.
आर्किटेक्चर बदल आणि वेगवान निष्कर्ष
Qwen-Image-2.1 मधील कार्यप्रदर्शन सुधारणा वास्तुशास्त्रीय बदलांमुळे आणि KV कॅशेच्या पुनर्वापरामुळे येतात, क्वेन टीमनुसार. कॅशिंग पध्दतीमुळे अनुमानाला गती मिळते असे म्हटले जाते, विशेषत: वर्कफ्लोमध्ये ज्यामध्ये एकाधिक संदर्भ प्रतिमा समाविष्ट असतात, जेथे मागील पध्दती प्रत्येक पिढीवर मोठ्या प्रमाणात कामाची पुनर्गणना करतील.
व्यावहारिक वापरकर्त्यांसाठी, ग्राहक हार्डवेअरवरील जलद निष्कर्ष सुलभतेची कथा संयुगे बनवतात: जलद पुनरावृत्ती चक्र अधूनमधून प्रयोग करण्याऐवजी वास्तविक उत्पादन कार्यासाठी स्थानिक प्रतिमा निर्मिती व्यवहार्य बनवते.
ते कुठे मिळवायचे — आणि परवाना पकडणे
Qwen-Image-2.1 हगिंग फेस, गिटहब आणि मॉडेल स्कोप वर डाउनलोड करण्यासाठी उपलब्ध आहे आणि ज्या वापरकर्त्यांना मॉडेल डाउनलोड करण्यापूर्वी वापरायचे आहे त्यांच्यासाठी टीमने हगिंग फेसवर डेमो प्रकाशित केला आहे.
तथापि, व्यावसायिक वापरकर्त्यांसाठी एक महत्त्वाचा कॅच आहे. हे मॉडेल एका संशोधन परवान्याअंतर्गत पाठवले जाते जे स्पष्टपणे व्यावसायिक वापरास प्रतिबंध करते. जे व्यवसाय Qwen-Image-2.1 वर तयार करायचे आहेत त्यांनी Qwen ला स्वतंत्र परवान्यासाठी अर्ज करणे आवश्यक आहे. हे अलीबाबाने मागील अनेक क्वेन रिलीझसह घेतलेल्या दृष्टिकोनाचे प्रतिबिंब आहे, जिथे वजन संशोधन आणि मूल्यमापनासाठी मुक्तपणे उपलब्ध आहे, परंतु महसूल-उत्पादक तैनातीसाठी कंपनीशी थेट व्यवस्था आवश्यक आहे.
वैयक्तिक निर्माते, संशोधक आणि शौकांसाठी, व्यावहारिक परिणाम साधा आहे: डाउनलोड करा, स्थानिक पातळीवर चालवा, मुक्तपणे प्रयोग करा. मॉडेलच्या शीर्षस्थानी एखादे उत्पादन तयार करण्याची आशा असलेल्या स्टार्टअप्ससाठी, परवाना अटींचा अर्थ अलीबाबाशी संभाषण प्रथम येतो.
खुल्या वजनाच्या शर्यतीसाठी याचा अर्थ काय आहे
रिलीझ अशा वेळी होते जेव्हा चिनी AI लॅब्स ओपन-वेट कार्यक्षमतेवर आक्रमकपणे स्पर्धा करत आहेत, जे मॉडेल्स त्यांच्या बंद प्रतिस्पर्ध्यांच्या पॅरामीटर संख्या आणि हार्डवेअर खर्चाच्या अंशाने जवळ-सीमाच्या गुणवत्तेवर दावा करतात. एक प्रतिमा मॉडेल जे ग्राहक GPU वर बसत असताना बंद प्रणालींना टक्कर देण्याचा दावा करते ते त्या व्यापक धोरणाचा व्हिज्युअल-जनरेशन समकक्ष आहे.
Qwen-Image-2.1 खरोखरच बंद झालेल्या नेत्यांशी जुळते की नाही हे स्वतंत्र बेंचमार्कवर अवलंबून असेल, जे अद्याप प्रकाशित झाले नाहीत. सुरुवातीच्या सामुदायिक चाचणी, तृतीय-पक्ष मूल्यमापन आणि हगिंग फेस सारख्या प्लॅटफॉर्मवरील तुलना येत्या आठवड्यात प्रश्न सोडवतील. तोपर्यंत, दावा संघाचा स्वतःचा राहील — परंतु हार्डवेअर आणि त्याची चाचणी घेण्याची उत्सुकता असलेल्या कोणासाठीही मॉडेल आज उपलब्ध आहे.
खुल्या आणि बंद AI सिस्टीममधील व्यापक स्पर्धेचा मागोवा घेणाऱ्या वाचकांसाठी, रिलीझ हा वेगाने हलणाऱ्या फील्डमधील आणखी एक डेटा पॉइंट आहे, जो विकसित होत असताना नवीनतम AI बातम्यांसह कव्हर केला जातो.
AI च्या पुढे रहा
AI लँडस्केप वेगाने पुढे सरकते आणि प्रतिमा निर्मिती हा त्याच्या सर्वात स्पर्धात्मक कोपऱ्यांपैकी एक आहे. मॉडेल रिलीज, बेंचमार्क आणि त्यामागील व्यावसायिक निर्णयांचे कव्हरेज सुरू ठेवण्यासाठी AI Buzz Wire वर फॉलो करा.
अधिक एआय बातम्या वाचा →
