Alibaba のQwenチームが、画像生成・編集を統合したオープンウェイトモデル「Qwen-Image-2.1」を公開した。視覚生成コンポーネントのパラメータ数はわずか70億で、RTX 3090のような一般的な消費者向けGPUでも動作する軽量設計が特徴だ。

70億パラメータで実現する統合モデル

Qwen-Image-2.1は、テキストからの画像生成と既存画像の編集を1つのモデルで扱う「unified text-to-image generation and image editing model」として設計されている。アーキテクチャには32層のSingle-Stream DiT（Diffusion Transformer）を採用し、複数の解像度・タスクに対応する。

処理効率の面では、mixed-granularity attention（粒度混在アテンション）とprefix KVキャッシュの再利用によって、参照画像を使う編集タスクでの推論速度を高めている。この設計により、大規模モデルに頼らずとも実用的な生成品質を狙う。

透明度対応と最大10枚の参照画像

機能面での最大の特徴は、RGBA形式によるネイティブな透明度対応だ。背景を透過させたオブジェクト単体の生成や、透明レイヤーでのテキスト編集が可能になる。

編集機能では最大10枚の参照画像を同時に扱える。集合写真の合成、バーチャル試着、室内デザインのシミュレーションなど、複数の視覚情報を1つの出力にまとめる用途を想定している。ローカル編集の指定には、円形選択やアノテーション、マスクといった手法が使える。

Qwenチームはベンチマークにおいてクローズドモデルの多くを上回ると主張しているが、この結果は第三者による独立検証を経たものではない点に注意が必要だ。

利用条件と読者への影響

モデルはHugging Face、GitHub、Model Scopeで公開されており、誰でもダウンロードして試すことができる。ただしライセンスは「Qwen Research License Agreement」で、商用利用には別途申請が必要だ。

同じAlibabaのQwenシリーズには、招待制APIのみで提供される上位モデル「Qwen-Image-3.0」も存在する。Qwen-Image-2.1はそれとは別系統の軽量・オープン路線として位置づけられており、高性能な画像生成をクラウドAPIに頼らず手元のGPUで動かしたい開発者にとって、有力な選択肢になる。