アリババが「Qwen-Image-2.1」をオープンソース化：7Bパラメータで画像生成・編集・透過背景を統合

Qwen-Image-2.1は、テキストからの画像生成、画像編集、そして透過背景（アルファチャンネル）の出力を1つに統合したオープンソースの画像生成モデルです。視覚生成コンポーネントはわずか7Bパラメータで構成されており、軽量でありながら本格的な画像制作ワークフローをこなせます。

これまで別々のツールやモデルを連結して行っていた「生成・切り抜き・合成」の作業を、単一モデルだけで完結できるのが最大の特徴です。

7B設計で画像編集と高速推論を両立

Qwen-Image-2.1の視覚生成部は、32層のSingle-Stream DiTアーキテクチャを採用しています。コンパクトなサイズながら高い品質を維持しつつ、推論時の効率を追求しました。

その鍵となっているのが混合粒度アテンション機構です。指示プロンプトなどのテキスト処理にはトークン単位のコーザルマスクを用い、画像生成にはチャンク単位のマスクを使用します。

さらにKVキャッシュの再利用に対応しており、入力画像や編集指示を静的コンテキストとして最初のステップで計算・キャッシュします。これにより、複数画像を扱う際もVRAM消費を抑え、高速な推論を可能にしました。

この仕組みにより、最大10枚もの参照画像を同時に取り込むことができます。例えば6人の個別ポートレートから1枚の集合写真を生成したり、服や靴など5つのアイテムを組み合わせて全身コーディネートを作成したり、10枚の家具画像から部屋の内装イメージを組み上げたりできます。

局所編集の柔軟性も高く、色付きの丸囲み、ペンによる塗りつぶし、あるいは元画像とは別の独立したマスク画像の指定が可能です。人物の顔の特徴や製品のテクスチャを保持したまま編集できるため、連続した編集による簡易アニメーション制作にも対応します。

背景透過をネイティブサポート

従来の画像生成モデルは背景付きのRGB画像を出力するのが一般的で、透明な素材が欲しい場合は別の背景除去ツールを通す必要がありました。

アリババは2025年12月に透過生成特化の「Qwen-Image-Layered」を発表していましたが、今回の2.1ではその機能がメインモデルへ完全に統合されました。

プロンプトの指定に応じて、通常のRGB画像か透過チャンネルを含むRGBA画像かを自動で判断して出力します。単一のオブジェクトだけでなく、複数要素を含むデザイン素材も透過のまま生成可能です。

さらに、実写写真を入力して特定被写体だけを透過RGBAレイヤーとして切り出したり、透過背景を維持したまま被写体の表情や文字だけを書き換えたりといった高度な編集も行えます。

なぜ重要か

ECサイトのバナー制作、ゲーム開発のアセット制作、個人開発者の自動化パイプラインにとって、極めて実用性の高いツールです。生成、背景透過、部分修正、複数素材の合成という一連の工程を、単一の7Bモデルで完結できるメリットは絶大です。

過度なパラメータ巨大化を避け、推論効率と実際の制作現場で最も手間のかかる「素材切り出しと合成」にフォーカスしたアリババの判断は非常にクレバーだと考えます。一般的なGPUリソースで実用的なデザイン生成環境を整えたいなら、今すぐ試す価値があるモデルです。