Qwen-Image: Новый Открытый Конкурент в Области Генерации Изображений с Искусственным Интеллектом

Команда Qwen из Alibaba выпустила Qwen-Image — мощный генератор изображений с искусственным интеллектом с открытым исходным кодом, который призван решить одну из самых насущных проблем в этой области: рендеринг четкого, точного текста внутри изображений. Это значительный шаг на рынке, где доминируют такие игроки, как Midjourney.

Главная Обещание: Решение Проблемы Текста в Изображениях, Созданных ИИ

Там, где многие генеративные модели терпят неудачу, Qwen-Image разработан, чтобы превосходно справляться с интеграцией текста. Он поддерживает как английский, так и китайский языки, управляя сложной типографикой, многострочными макетами и двуязычным контентом. Это открывает практические применения, которые часто трудно реализовать с помощью других инструментов:

  • Маркетинг и Брендинг: Создание двуязычных плакатов, рекламных объявлений или листовок с интегрированными логотипами и текстом.
  • Контент и Дизайн: Создание слайдов для презентаций, инфографики или даже сцен с читаемыми вывесками магазинов.
  • Творческая Работа: Создание стилизованных произведений искусства или поэзии, где текст является неотъемлемой частью изображения.

Хотя модель демонстрирует впечатляющие результаты на бенчмарках, особенно с китайскими иероглифами, первоначальные практические тесты показывают, что это не панацея. В некоторых случаях соответствие запросам и точность текста все еще могут быть непостоянными, показывая результаты, аналогичные существующим проприетарным моделям.

Преимущество Открытого Исходного Кода и Его Риски

Для разработчиков и предприятий наиболее привлекательной особенностью является его лицензия. Qwen-Image распространяется под лицензией Apache 2.0, что делает его бесплатным для коммерческого и некоммерческого использования. Это резко контрастирует с моделями конкурентов, таких как Midjourney, основанными на подписке.

Однако эта открытость сопряжена с серьезными оговорками для любого серьезного коммерческого применения:

  1. Секретные Обучающие Данные: Как и большинство моделей, точные источники для его обучающих данных не раскрываются. Это вызывает потенциальные опасения по поводу скрытых предубеждений или защищенных авторским правом материалов в наборе данных.
  2. Отсутствие Защиты Авторских Прав: В отличие от услуг Adobe или OpenAI, команда Qwen не предлагает юридической защиты, если пользователь будет привлечен к суду за нарушение авторских прав на сгенерированное изображение. Это возлагает полный юридический риск на пользователя или предприятие.

Техническая Основа

Возможности модели построены на сложной архитектуре, которая включает три ключевых модуля: мультимодальную языковую модель Qwen2.5-VL, VAE-кодировщик/декодер высокого разрешения и основу диффузионной модели MMDiT. Команда применила стратегию обучения в «стиле учебной программы», начиная обучение модели с простых изображений и постепенно переходя к сложным, текстовым макетам для улучшения ее обобщающих способностей.

Qwen-Image — это заметный шаг вперед для ИИ с открытым исходным кодом, предлагающий мощные возможности рендеринга текста, которые необходимы многим предприятиям. Хотя отсутствие возмещения убытков является серьезным препятствием для коммерческих проектов, избегающих рисков, его открытая доступность делает его ценным инструментом для внутреннего использования, быстрого прототипирования и дальнейших исследований.

Вы можете опробовать модель напрямую здесь: https://chat.qwen.ai/

Ссылка: Franzen, C. (2024, August 4). Qwen-Image is a powerful, open source new AI image generator with support for embedded text in English & Chinese. VentureBeat.