アリババ、8ステップで2K画像を生成する「Qwen-Image-2.1-Turbo」をオープンソース公開

Qwen-Image-2.1-Turboは、アリババがオープンソース化した軽量な画像生成・編集モデルです。7Bの視覚生成アーキテクチャをベースにしており、わずか8回のデノイズステップで2K解像度の高精細画像を出力できる点が最大の特徴です。

通常、高解像度画像をきれいに生成するには数十回のサンプリングが必要で、推論の遅さが課題でした。Turbo版は画質を落とすことなくステップ数を8回に凝縮し、テキストからの生成と自然言語による編集の両方に対応します。

何ができるのか

このモデルは新規の画像生成だけでなく、既存画像の編集も同じパイプラインでこなします。プロンプトを使ってアクセサリーを追加したり、背景シーンをガラリと差し替えたりといった指示が自然言語で行えます。

ベースとなったQwen-Image-2.1の機能を引き継いでおり、透過情報を持つRGBAレイヤーのネイティブ生成・編集が可能です。これにより、透過画像の合成やテキスト配置がスムーズに行えます。

また、最大10枚のリファレンス画像を入力できるため、ポートレートや商品画像の特徴を厳密に維持したまま部分編集を行ったり、インフォグラフィックやバーチャル試着に応用したりできます。

どう動かすか

ローカル環境で動かす場合、Hugging FaceのDiffusersライブラリに対応しています。QwenImage21Pipelineを読み込み、推奨の8ステップサンプリングスケジュールを指定するだけで推論可能です。

重みファイルはHugging FaceとModelScopeですでに公開されています。ローカルのGPU環境を用意せずに使いたい開発者向けには、アリババクラウド上でPro版およびTurbo版の公式ホステッドAPIも提供されています。

なぜ重要か

7Bという扱いやすいサイズで推論を8ステップに抑えたことで、ローカル運用のハードルが大幅に下がりました。レスポンス速度が求められるサービスや、コストを抑えて大量に画像を生成・加工したいワークフローに直結します。

オープンソースの画像モデルは、単なる解像度競争から実用的な高速化と編集の柔軟性へとシフトしています。高速な2K生成と自然言語編集、さらに透過レイヤーのサポートまで揃った本モデルは、自前の画像生成環境を構築したいエンジニアにとって試す価値の高い選択肢です。