QwenLM/Qwen-Image-2.1

Qwen‑Image‑2.1 – オープンソースのテキストから画像への生成・画像編集モデル

概要 – 7B パラメータの拡散モデル（DiT スタイル）で、テキストプロンプトから画像を生成するだけでなく、既存の画像の編集（透明 RGBA 出力を含む）も可能です。Qwen ファミリーの一部であり、オープンソースライセンスで公開されています。

主な強み

• コンパクトで高速 – 混合粒度アテンションとプレフィックス KV キャッシュ再利用により、低計算コストで高品質な視覚出力を実現。Turbo バリアントはわずか 8 ステップのノイズ除去で動作します。
• 生成と編集の統合 – 同じモデルで、純粋なテキストから画像、透明レイヤー作成、レイヤーごとの編集、被写体抽出を処理します。
• 豊富な編集インターフェース – 最大 10 枚の参照画像、ローカル編集マスク（円、手描きストローク、外部マスク）を受け入れ、人物/製品のアイデンティティを保持します。
• より優れた美しさ – タイポグラフィ、照明、細部のレンダリングが改善されました。

試用方法

# 必要なライブラリをインストール
pip install "torch>=2.4.0" "transformers>=5.17" \
    git+https://github.com/huggingface/diffusers accelerate pillow

import torch
from diffusers import QwenImage21Pipeline

# 標準モデル（高品質、より多くのステップ）
pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
).to("cuda")

# Turbo モデル（8 ステップの高速生成/編集）
pipe_turbo = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16
).to("cuda")

README には、Turbo チェックポイントを使用してモーターヨットのスケッチをフォトリアリスティックなレンダリングに変換する完全な例が含まれています。

エコシステムサポート – Day‑0 統合が提供されています：

• 🤗 Diffusers（QwenImage21Pipeline）
• ComfyUI（Comfy-Org/Qwen-Image-2.1 の重み、既製のワークフロー JSON 付き）
• vLLM‑Omni、SGLang、LightX2V、OpenVINO による高性能推論、KV キャッシュ、CUDA グラフ実行、FP8 量子化、マルチ GPU 並列処理。

ホスト型サービス – 阿里云百炼は、モデルをローカルで実行せずに簡単に統合できる有料の Pro および Turbo API を提供しています。

典型的なユースケース

• カスタムタイポグラフィとレイアウトを使用したマーケティングまたは教育用グラフィックの迅速な作成。
• 元のアイデンティティを維持しながら製品写真を編集（色の変更、オブジェクトの追加/削除）。
• プロンプトから直接透明アセット（アイコン、UI 要素）を生成。
• ダウンストリームパイプライン向けのバッチスタイル転送または被写体抽出。

詳細情報

• モデルカードと重み：HuggingFace / ModelScope
• ブログ発表：https://qwen.ai/blog?id=qwen-image-2.1
• デモスペース：https://huggingface.co/spaces/Qwen/Qwen-Image-2.1
• コミュニティ：README 内の Discord リンク、および WeChat QR コード。

---

すべての詳細はリポジトリの README から直接取得しています。追加の機能は推測されていません。