Qwen、わずか8回の計算で高画質画像を生成する高速AIモデルを公開

Qwenチームは、テキストからの画像生成および画像編集を高速で行えるAIモデル「Qwen-Image-2.1-Turbo」を公開した。従来の「Qwen-Image-2.1」をもとに高速化した学習途中で、その時点のモデルの状態や数値を保存したデータのこと。学習が中断した際の再開や、学習経過の中で最も性能が良い状態を選ぶために使われる。">チェックポイントであり、わずか8回のノイズ除去ステップで高品質な画像を生成できる。

本モデルは70億（7B）パラメータ規模の視覚生成アーキテクチャを採用している。推論処理の効率化に向けてデフォルトでCFG（Classifier-Free Guidance）の値を1に設定しているほか、プレフィックスKVキャッシュを活用することで、ステップ間においてテキストや参照画像の文脈情報を効率よく再利用する仕組みを備える。公開された生成例では、テキストから1680×2512ピクセルのポートレート画像を生成する例や、ヨットのスケッチから2048×2048ピクセルの実写風画像へ編集する例が示されている。

利用にあたっては機械学習ライブラリ「Diffusers」のパイプラインに対応しており、推奨される8ステップのサンプリング設定がモデルデータに内包されているため、手動で細かなスケジュールを設定することなく読み込める。なお、利用にはCUDA対応のPyTorch環境と最新のDiffusersが必要となる。ライセンスには「Qwen Research License Agreement」が適用されている。