阿里巴巴的 Qwen 团队发布了 Qwen-Image-2.1，这是一种用于图像生成和编辑的新的开放权重模型，该公司称其性能远远超出其规模。根据 Qwen 团队的说法，该模型的视觉生成组件仅包含 70 亿个参数，但它在 Qwen 自己的内部基准上击败了大多数封闭模型 - 这一说法如果在独立评估下成立，将标志着开放和专有图像生成之间的平衡发生显着转变。
具有旗舰目标的 70 亿参数模型
阿里巴巴的头条新闻令人震惊：只有 70 亿个参数的视觉生成组件的性能优于大多数封闭模型。值得强调的是随之而来的警告——比较来自 Qwen 自己的基准，独立基准测试结果仍在等待中。报道该版本的技术出版物 The Decoder 直接指出了这一区别，而 Hacker News 上的开源社区在其早期反应中也进行了类似的衡量，该社区的发布在几个小时内就获得了数百张赞成票。
毫无争议的是系统的效率。 Qwen-Image-2.1 设计为在功能强大的消费类硬件上运行，包括像 NVIDIA RTX 3090 这样易于访问的 GPU。对于目睹前沿图像模型逐渐落后于 API 和数据中心基础设施的创作者和开发人员来说，能够在使用了三年的消费卡上本地生成和编辑图像的模型本身就是一项有意义的开发。
透明图像和多参考构图
除了原始生成质量之外，Qwen-Image-2.1 还引入了 Qwen 团队所说的模型原生功能，而不是事后附加的功能。其中最引人注目的是在生成和编辑方面对 RGBA（具有透明背景的图像）的原生支持。用户可以将对象与其背景隔离或更改透明图层上的文本，而无需通过单独的背景删除工具来回操作。
该模型还在单个作业中处理多达十个参考图像。根据 Qwen 的说法，这使得工作流程能够实现，例如根据每个人的个人照片组装集体肖像，支持虚拟试穿体验，或者通过组合多张室内照片作为参考来重新设计房间。
对于本地编辑，该团队实施了区域引导控件：用户可以在图像的某个区域上绘制圆圈、遮罩或绘制标记，以指示应应用更改的位置。这将编辑指令以视觉形式呈现，而不是仅仅依靠文本提示来描述空间变化。
架构变化和更快的推理
据 Qwen 团队称，Qwen-Image-2.1 的性能改进来自架构变化和 KV 缓存重用。据说缓存方法可以显着加快推理速度，特别是在涉及多个参考图像的工作流程中，以前的方法会在每一代上重新计算大量工作。
对于实际用户来说，对消费类硬件的更快推理使可访问性故事变得更加复杂：更快的迭代周期使本地图像生成适用于实际生产工作，而不是偶尔的实验。
从哪里获取 — 以及许可问题
Qwen-Image-2.1 可以在 Hugging Face、GitHub 和 Model Scope 上下载，团队已经在 Hugging Face 上发布了一个演示，供想要在下载之前试用该模型的用户使用。
然而，对于商业用户来说，有一个重要的问题。该模型在明确禁止商业用途的研究许可下发布。想要在 Qwen-Image-2.1 上构建的企业必须向 Qwen 申请单独的许可证。这反映了阿里巴巴在之前的几个 Qwen 版本中采取的方法，其中权重可免费用于研究和评估，但创收部署需要与公司直接安排。
对于个人创作者、研究人员和爱好者来说，实际效果很简单：下载、本地运行、自由实验。对于希望在该模型之上构建产品的初创公司来说，许可条款意味着首先要与阿里巴巴进行对话。
这对公开重量赛意味着什么
此次发布正值中国人工智能实验室在开放权重效率方面展开激烈竞争，发布的模型声称其参数数量和硬件成本仅为其封闭竞争对手的一小部分，且具有接近前沿的质量。一个图像模型声称可以与封闭系统相媲美，同时适合消费者 GPU，是与更广泛的策略相对应的视觉生成。
Qwen-Image-2.1 是否真正匹配封闭式领导者将取决于尚未发布的独立基准。早期的社区测试、第三方评估以及 Hugging Face 等平台上的比较将在未来几周内解决这个问题。在此之前，该声明仍属于该团队自己的说法，但该模型本身现在可供任何拥有硬件并有兴趣测试它的人使用。
对于追踪开放式和封闭式人工智能系统之间更广泛竞争的读者来说，这一发布是这个快速发展的领域中的又一个数据点，并与最新的人工智能新闻一起报道。
保持人工智能领先地位
人工智能领域发展迅速，图像生成是其最具竞争力的领域之一。请关注 AI Buzz Wire，持续报道模型发布、基准测试及其背后的业务决策。
阅读更多人工智能新闻 →
