ทีมงาน Qwen ของอาลีบาบาได้เปิดตัว Qwen-Image-2.1 ซึ่งเป็นโมเดล open-weight ใหม่สำหรับการสร้างและแก้ไขภาพที่บริษัทกล่าวว่าเจาะทะลุขนาดของมันมาก ทีมงาน Qwen ระบุ องค์ประกอบการสร้างภาพของโมเดลประกอบด้วยพารามิเตอร์เพียง 7 พันล้านพารามิเตอร์ แต่ยังคงเอาชนะโมเดลที่ปิดส่วนใหญ่ในเกณฑ์มาตรฐานภายในของ Qwen เอง การกล่าวอ้างที่ว่าหากอยู่ภายใต้การประเมินโดยอิสระ จะทำให้เกิดการเปลี่ยนแปลงที่โดดเด่นในความสมดุลระหว่างการสร้างภาพที่เปิดและที่เป็นกรรมสิทธิ์

โมเดลพารามิเตอร์ 7 พันล้านที่มีความทะเยอทะยานระดับเรือธง

การกล่าวอ้างพาดหัวจากอาลีบาบานั้นน่าทึ่ง: องค์ประกอบการสร้างภาพที่มีพารามิเตอร์เพียง 7 พันล้านพารามิเตอร์มีประสิทธิภาพเหนือกว่าโมเดลปิดส่วนใหญ่ เป็นเรื่องที่ควรค่าแก่การเน้นย้ำถึงข้อแม้ที่มาพร้อมกับการเปรียบเทียบดังกล่าวมาจากเกณฑ์มาตรฐานของ Qwen และผลการวัดประสิทธิภาพอิสระยังคงค้างอยู่ สิ่งพิมพ์ด้านเทคโนโลยี The Decoder ซึ่งกล่าวถึงการเปิดตัวนี้ กล่าวถึงความแตกต่างนี้โดยตรง และชุมชนโอเพ่นซอร์สใน Hacker News ซึ่งการเปิดตัวดังกล่าวดึงดูดผู้โหวตหลายร้อยคนภายในไม่กี่ชั่วโมง ได้ถูกวัดผลเช่นเดียวกันในปฏิกิริยาแรกเริ่ม

สิ่งที่เถียงไม่ได้คือประสิทธิภาพของระบบ Qwen-Image-2.1 ได้รับการออกแบบมาเพื่อทำงานบนฮาร์ดแวร์สำหรับผู้บริโภคที่มีความสามารถ รวมถึง GPU ที่สามารถเข้าถึงได้เหมือนกับ NVIDIA RTX 3090 สำหรับผู้สร้างและนักพัฒนาที่ได้ดูโมเดลรูปภาพระดับแนวหน้าซึ่งอยู่เบื้องหลัง API และโครงสร้างพื้นฐานของศูนย์ข้อมูล โมเดลที่สามารถสร้างและแก้ไขรูปภาพในเครื่องบนการ์ดสำหรับผู้บริโภคที่มีอายุสามปีถือเป็นการพัฒนาที่มีความหมายในตัวเอง

รูปภาพที่โปร่งใสและองค์ประกอบอ้างอิงหลายรายการ

นอกเหนือจากคุณภาพการสร้างดิบแล้ว Qwen-Image-2.1 ยังนำเสนอความสามารถที่ทีมงาน Qwen กล่าวว่ามีอยู่ในโมเดลดั้งเดิมแทนที่จะติดตั้งในภายหลัง สิ่งที่สะดุดตาที่สุดคือการรองรับ RGBA — รูปภาพที่มีพื้นหลังโปร่งใส — ทั้งในการสร้างและแก้ไข ผู้ใช้สามารถแยกวัตถุออกจากพื้นหลังหรือเปลี่ยนข้อความบนเลเยอร์โปร่งใสโดยไม่ต้องวนซ้ำโดยใช้เครื่องมือลบพื้นหลังแยกต่างหาก

โมเดลยังจัดการภาพอ้างอิงได้ถึงสิบภาพในงานเดียว ตามข้อมูลของ Qwen สิ่งนี้ช่วยให้เกิดขั้นตอนการทำงาน เช่น การรวบรวมภาพบุคคลกลุ่มจากภาพถ่ายแต่ละภาพของแต่ละคน การขับเคลื่อนประสบการณ์การลองใช้งานเสมือนจริง หรือการออกแบบห้องใหม่โดยรวมภาพถ่ายภายในหลายภาพไว้เป็นข้อมูลอ้างอิง

สำหรับการแก้ไขในท้องถิ่น ทีมงานได้ใช้การควบคุมตามภูมิภาค: ผู้ใช้สามารถวาดวงกลม มาสก์ หรือทำเครื่องหมายทาสีบนพื้นที่ของภาพเพื่อระบุตำแหน่งที่ควรใช้การเปลี่ยนแปลง ทำให้คำแนะนำในการแก้ไขอยู่ในรูปแบบภาพ แทนที่จะอาศัยข้อความแจ้งเพียงอย่างเดียวเพื่ออธิบายการเปลี่ยนแปลงเชิงพื้นที่

การเปลี่ยนแปลงสถาปัตยกรรมและการอนุมานที่เร็วขึ้น

การปรับปรุงประสิทธิภาพใน Qwen-Image-2.1 มาจากการเปลี่ยนแปลงทางสถาปัตยกรรมและจากการใช้แคช KV ซ้ำ ตามที่ทีม Qwen กล่าว กล่าวกันว่าวิธีการแคชจะเร่งความเร็วในการอนุมานอย่างเห็นได้ชัด โดยเฉพาะอย่างยิ่งในเวิร์กโฟลว์ที่เกี่ยวข้องกับรูปภาพอ้างอิงหลายภาพ โดยที่วิธีการก่อนหน้านี้จะคำนวณงานจำนวนมากในทุกรุ่นใหม่

สำหรับผู้ใช้เชิงปฏิบัติ การอนุมานได้เร็วขึ้นเกี่ยวกับฮาร์ดแวร์สำหรับผู้บริโภคจะรวมเรื่องราวเกี่ยวกับการเข้าถึง: รอบการวนซ้ำที่เร็วขึ้นทำให้การสร้างภาพในเครื่องสามารถทำงานได้จริงสำหรับงานการผลิตจริงมากกว่าการทดลองเป็นครั้งคราว

หาได้ที่ไหน - และการจับลิขสิทธิ์

Qwen-Image-2.1 พร้อมให้ดาวน์โหลดแล้วบน Hugging Face, GitHub และ Model Scope และทีมงานได้เผยแพร่การสาธิตบน Hugging Face สำหรับผู้ใช้ที่ต้องการลองใช้โมเดลก่อนดาวน์โหลด

อย่างไรก็ตาม มีสิ่งที่สำคัญสำหรับผู้ใช้เชิงพาณิชย์ โมเดลนี้จัดส่งภายใต้ใบอนุญาตการวิจัยที่ห้ามการใช้งานเชิงพาณิชย์อย่างชัดเจน ธุรกิจที่ต้องการสร้างบน Qwen-Image-2.1 จะต้องสมัครกับ Qwen เพื่อขอใบอนุญาตแยกต่างหาก สิ่งนี้สะท้อนให้เห็นถึงแนวทางที่อาลีบาบาดำเนินการกับ Qwen รุ่นก่อนๆ หลายรุ่น โดยที่น้ำหนักมีอิสระสำหรับการวิจัยและประเมินผล แต่การใช้งานที่สร้างรายได้จำเป็นต้องมีการจัดการโดยตรงกับบริษัท

สำหรับผู้สร้าง นักวิจัย และผู้ชื่นชอบงานอดิเรกรายบุคคล ผลในทางปฏิบัตินั้นง่ายมาก: ดาวน์โหลด เรียกใช้ในเครื่อง ทดลองได้อย่างอิสระ สำหรับสตาร์ทอัพที่หวังจะสร้างผลิตภัณฑ์เหนือโมเดล เงื่อนไขการอนุญาตสิทธิ์หมายถึงการสนทนากับอาลีบาบาต้องมาก่อน

ความหมายสำหรับการแข่งขัน Open-Weight

การเปิดตัวครั้งนี้เกิดขึ้นในช่วงเวลาที่ห้องปฏิบัติการ AI ของจีนกำลังแข่งขันกันอย่างดุเดือดในด้านประสิทธิภาพแบบเปิด โดยปล่อยโมเดลที่อ้างว่ามีคุณภาพใกล้เคียงกันโดยมีค่าใช้จ่ายเพียงเศษเสี้ยวของจำนวนพารามิเตอร์และต้นทุนฮาร์ดแวร์ของคู่แข่งที่ปิดตัวลง โมเดลภาพที่อ้างว่าเป็นคู่แข่งกับระบบปิดในขณะที่เหมาะสมกับ GPU สำหรับผู้บริโภคนั้น ถือเป็นการสร้างภาพที่เทียบเท่ากับกลยุทธ์ที่กว้างขึ้น

Qwen-Image-2.1 ตรงกับผู้นำที่ปิดอย่างแท้จริงหรือไม่นั้นจะขึ้นอยู่กับการวัดประสิทธิภาพอิสระซึ่งยังไม่ได้เผยแพร่ การทดสอบโดยชุมชนในช่วงแรก การประเมินโดยบุคคลที่สาม และการเปรียบเทียบบนแพลตฟอร์มอย่าง Hugging Face จะช่วยตอบคำถามนี้ในอีกไม่กี่สัปดาห์ข้างหน้า ก่อนหน้านั้นการอ้างสิทธิ์ยังคงเป็นของทีม แต่ตัวโมเดลเองก็มีวางจำหน่ายแล้วในปัจจุบันสำหรับทุกคนที่มีฮาร์ดแวร์และอยากทดสอบ

สำหรับผู้อ่านที่ติดตามการแข่งขันในวงกว้างระหว่างระบบ AI แบบเปิดและแบบปิด การเปิดตัวครั้งนี้ถือเป็นอีกจุดข้อมูลในสาขาที่มีการเคลื่อนไหวอย่างรวดเร็ว ซึ่งครอบคลุมควบคู่ไปกับข่าว AI ล่าสุดในขณะที่มีการพัฒนา

ก้าวนำหน้า AI

ภูมิทัศน์ของ AI เคลื่อนไหวอย่างรวดเร็ว และการสร้างภาพถือเป็นหนึ่งในมุมที่มีการแข่งขันสูงที่สุด ติดตามได้ที่ AI Buzz Wire เพื่อรายงานข่าวโมเดล เกณฑ์มาตรฐาน และการตัดสินใจทางธุรกิจที่อยู่เบื้องหลังต่อไป

อ่านข่าว AI เพิ่มเติม →