アリババが DeepGen 1.0 を公開：画像生成と編集を 5B モデルで両立

画像生成 AI に文字の修正や背景の差し替えを頼むこと自体は、もはや珍しくありません。しかし、同じモデルに迷路を解かせたり、次の瞬間に何が起きるかを予測させたりできるとなると、話は別です。

アリババは画像生成と画像編集を統合した新モデル「DeepGen 1.0」をオープンソースとして公開しました。わずか 5B パラメータというコンパクトな規模でありながら、正確なテキスト描画、高精度な画像編集、さらには空間的な推論タスクまで単一の構造でこなします。

画像編集にとどまらず、迷路の解法まで推論する

DeepGen 1.0 の最大の特徴は、ゼロからの画像生成と既存画像の編集をシームレスに両立させた点です。テキストからの画像生成では、多様な画風に対応するだけでなく、画像内の文字レンダリングも高い精度でこなします。

公式ベンチマークによると、文生図の総合力は Zimage Turbo や Qwen Image Edit といった最高峰のオープンソースモデルと同等の水準にあります。

さらに際立っているのが、編集と視覚的推論の能力です。被写体の追加や削除、物体の置き換え、実写からアニメ調への画風変換、文字の書き換えはもちろん、別アングルからの視線生成や「この後何が起きるか」の先読みまで行えます。

ユニークな実例として、提示された迷路の画像を正しく読み取り、ゴールまでの道筋を描き出すデモも公開されました。総合的な画像編集テストにおいて、アリババは Nano Banana や Cream、Qwen Image などの競合を上回ったとアピールしています。

5B の小柄なボディで大型モデルを圧倒する仕組み

これまで画像生成と高度な編集を両立しようとすると、パラメータを何十 B にも大型化せざるを得ず、学習コストも動作環境も膨れ上がりがちでした。DeepGen 1.0 は、設計の工夫によってその壁を破っています。

中核にあるのは、Stacked Channel Bridging（SCB）と呼ばれるアライメント機構です。複数の VLM 層から段階的な特徴量を抽出し、学習可能な「think tokens」と組み合わせることで、画像生成を担う DiT に論理的な思考ガイドを渡します。

学習データも約 5000 万サンプルと比較的絞り込まれています。画像とテキストの表現を揃える事前学習、生成・編集・推論を混ぜた共同ファインチューニング、そして視覚的な破綻を防ぎつつ人間の好みに合わせる強化学習手法「MR-GRPO」という 3 段階の手順を踏みました。

その成果はベンチマークに明確に表れています。WISE テストでは 80B 規模の HunyuanImage を 28% 上回り、UniREditBench では 27B の Qwen-Image-Edit に 37% の差をつけています。

アリババは GitHub で使用手順を案内し、コード、重み、データセットを全面的に公開しました。ただし、Hugging Face 上の総容量は約 72GB に達しており、一般的な家庭用 PC に手軽に入れて動かすにはハードルが高いのが現状です。

なぜ重要か

ユーザーや開発者にとって、生成用と編集用で別々のツールを行き来する必要がなくなる恩恵は大きいです。ひとつのモデルで精緻な描き込みと局所修正が完結するため、制作フローの大幅な効率化が期待できます。

一方で、72GB というファイルサイズは個人開発者にとって無視できない壁です。コミュニティによって軽量な量子化版が作られるまでは、手元の端末ではなくクラウド GPU を借りて検証するのが現実的な選択肢になるでしょう。

業界全体で見れば、空間推論や編集能力を持たせるためにモデルを巨大化させる必要はない、という実証になった点が重要です。言語モデルの思考プロセスを画像拡散モデルに橋渡しするアプローチは、今後のマルチモーダル開発に強い影響を与えると考えられます。

コードや重みだけでなくデータセットまで包み隠さず公開した姿勢は高く評価できます。今後は、この 5B モデルの推論負荷をどれだけ素早く引き下げ、身近な端末にまで普及させられるかが焦点になりそうです。