通义团队在HuggingFace上放了个模型,叫Qwen-Image-2.1。我点进去看了下,做的是文生图,另外带图像编辑。
先说它最有意思的一处:能直接生成透明背景的图,RGBA那种。这个事听起来小,但你想想做设计、做电商图的人,抠图这一步耗掉多少时间。它把生成和抠图合在一个模型里了,文字描述直接出带透明通道的图,也能把照片里的主体单独抽出来。
参数上,视觉生成这部分是70亿,32层单流DiT。这个体量在现在的画图模型里算轻的,官方说靠混合粒度注意力和前缀KV缓存复用,把画质和算力成本压了个平衡。
编辑这块给的信息更实在:最多能吃10张参考图,改哪里可以用圈、涂标记或者单独给个mask,人和产品的特征它尽量保住。也就是说你想保留模特的脸、换个背景、改个衣服颜色,不用重画一遍。
另外提了一句排版和肖像打光的改进,细节更细。这个我没法验证,参数和展示图都在,真想知道好不好用得自己跑一遍。
它挂在HuggingFace上,模型卡里给了安装、文生图、图像编辑、透明图生成几段快速上手代码,支持的宽高比也列了,还有个反馈表能直接连到通义的图像研究团队。