Alibaba представила Qwen Image — відкриту багатофункціональну візуальну модель, що поєднує генерацію, редагування та роботу з текстом на зображеннях. Вона вже доступна для дослідників та розробників, і поєднує найсучасніші підходи в архітектурі моделей ШІ.

🔧 Основні характеристики

• Архітектура: MMDiT (Multi-Modal Diffusion Transformer) — використовується також у FLUX-1 та Stable Diffusion 3.
• Кількість параметрів: 20B — модель орієнтована на серверне або клаудне виконання, а не домашні ПК.
• Редагування зображень: модель враховує контекст і структуру оригінального зображення при зміні об’єктів або деталей.
• Вбудований OCR: розпізнає текст і може генерувати нові зображення з урахуванням стилістики текстових блоків.
• Positional Encoding: власна реалізація кодування позицій для точнішої просторової логіки.

📄 Доступ до моделі

Alibaba виклала повний стек для дослідницького використання:

• 👉 Hugging Face: https://huggingface.co/Qwen/Qwen-Image
• 📄 Технічний звіт (PDF): Qwen_Image.pdf
• 🧪 Демонстрації та API: доступні через Hugging Face Transformers

📌 Приклади використання

• Створення маркетингових зображень із текстом
• Редагування товарних фото для e-commerce
• Генерація портретів і змін за запитом
• Обробка зображень у сфері медицини

Qwen Image — це серйозний конкурент GPT-4o Vision, який ще й доступний безкоштовно та відкрито. Ідеальний варіант для розробників і дослідників, які хочуть повноцінний контроль над візуальними задачами.