Alibaba выпустила Qwen-Image-2.1 — открытую модель, которая объединяет генерацию картинок по тексту и редактирование изображений в одном наборе весов. Визуальная часть отвечает за результат при 7 млрд параметров и 32 слоях Single-Stream DiT, то есть по меркам генеративного сегмента это компактная архитектура. Ключевое отличие от предыдущих релизов линейки — нативная поддержка прозрачности: модель сама решает по промпту, отдавать обычную картинку или файл с альфа-каналом.
Для дизайнеров и тех, кто собирает контент для маркетплейсов, важнее другое. Qwen-Image-2.1 умеет вырезать объект из фотографии в отдельный RGBA-слой, править прозрачные изображения и держать до 10 референсов в одном запросе. Раньше прозрачную генерацию выносили в отдельную модель Qwen-Image-Layered, теперь эта функция встроена в общий контур.
Что реально изменилось по сравнению с прошлой версией
Обновление касается четырёх направлений: эффективности, прозрачности, редактирования и качества текстур. Компактность здесь не самоцель — она нужна, чтобы снизить стоимость инференса при работе с несколькими входными изображениями. Это заметно на правках, где на вход подают сразу десяток картинок: без оптимизаций такой запрос съедал бы память и время.
Механизм экономии — смешанная гранулярность внимания. Текст, включая системный префикс и инструкции правки, обрабатывается токен-уровневой причинной маской, а генерация изображения — маской на уровне чанков. Входные картинки и указания выступают статичным контекстом: их считают один раз на первом шаге, кэшируют и переиспользуют. На практике это меньше памяти и быстрее отклик при повторных обращениях к тем же референсам.
Редактирование расширили в четырёх плоскостях: число референсов, локальные правки, сохранение сходства и охват задач. Под капотом всё тот же единый набор весов, поэтому переход от «нарисуй» к «поправь вот тут» не требует переключения между сервисами.
Прозрачность без отдельной модели
Нативная прозрачность — самый практичный пункт релиза. Промпт задаёт тип вывода: если нужен объект для дальнейшей вёрстки, модель отдаёт изображение с альфа-каналом. Причём это не только одиночные предметы, но и композиции из нескольких элементов, что открывает дорогу к сборке дизайн-ассетов без ручного обтравливания.
Правки прозрачных слоёв тоже работают: можно поменять выражение лица персонажа, сохранив прозрачный фон, или заменить текст внутри прозрачного слоя — в демонстрации «BLOOM» меняют на «Qwen-Image». С реальными фотографиями логика та же: на входе RGB, на выходе RGBA-слой с нужным объектом, который затем переиспользуют в макетах.
Где прозрачность экономит время
Карточки товаров, баннеры, иконки, элементы для презентаций — везде, где раньше объект вырезали вручную или полуавтоматическими инструментами. Ограничение в том, что финальную аккуратность краёв на сложных объектах (волосы, полупрозрачные ткани, стекло) всё равно проверяют глазами: автоматика ошибается тише, но ошибается.
До десяти референсов и локальные правки
Модель принимает до 10 входных изображений и собирает их в связную композицию. В примерах разработчика шесть отдельных портретов складываются в групповой снимок, пять предметов — модель, одежда, обувь, сумка и шляпа — в готовый образ для виртуальной примерки, а десять фото мебели в обставленную комнату.
| Сценарий | Сколько входов | Что получается |
|---|---|---|
| Групповой портрет | 6 портретов | Одна общая фотография |
| Виртуальная примерка | 5 предметов гардероба | Собранный комплект |
| Интерьер | 10 фото мебели | Готовая расстановка |
Локальные правки задают тремя способами. Первый — круги разных цветов, каждый обозначает свою зону: в одном убирают металлические часы, в другом меняют цвет волос, в третьем переодевают в серую льняную футболку. Второй — рисованные пометки поверх изображения, например белая область, в которую нужно добавить пловца. Третий, самый аккуратный, — исходник плюс отдельная маска двумя файлами: так не теряется часть оригинала, скрытая под аннотациями.
Последовательные правки с сохранением остальной сцены позволяют собрать из кадров простую анимацию. Это не полноценный видеогенератор, а скорее способ быстро получить раскадровку или короткий цикл без монтажной программы.
Сходство людей и товаров
Отдельно доработали две вещи, на которых обычно рассыпаются правки. Портреты лучше держат черты лица, поэтому человек в серии правок остаётся узнаваемым. Для товаров сохраняют надписи, фактуры и форму — то, что делает продукт тем же самым продуктом в новом окружении. Для интернет-магазина это разница между карточкой и браком: если логотип на упаковке поплыл, изображение использовать нельзя.
Что ещё умеет модель за пределами базовой генерации
Охват задач шире, чем «нарисуй и поправь». Из селфи получается панорама, которую потом рассматривают в просмотрщике с разных направлений. Фото модели разворачивается в информативную инфографику с подписями и блоками. Трёхвидовой референс персонажа превращается в цельную раскадровку — заготовку для сторителлинга и визуальных нарративов.
Типографика и портретный свет тоже подтянулись. При рендере текста модель учитывает не только содержание надписи, но и стиль шрифта, вёрстку и связь с общей композицией. В портретах добавили работу со светом и мелкими деталями, из-за чего картинка выглядит менее «пластиковой».
Оговорка по применению: открытые веса означают, что за качество конкретного промпта и за соблюдение прав на референсы отвечает тот, кто запускает модель. Изображения людей и чужих товаров — зона, где техническая возможность не равна юридическому праву.
Кому это нужно на практике
Дизайнеру — прозрачные слои и правки по маске без прыжков между редакторами. Продавцу на маркетплейсе — сборка комплектов и интерьеров из готовых фото, если есть чем проверить сохранность логотипов. Контент-команде — раскадровки и панорамы как черновой материал. Разработчику — открытые веса и компактная визуальная часть, которую реально поднять на своём железе, а не только в чужом облаке.
Кому не подойдёт: тем, кто ждёт готового сервиса с кнопкой и без настройки, и тем, кому нужна стопроцентная идентичность лица в юридически чувствительных материалах — здесь всё равно потребуется ручная проверка и, в ряде случаев, работа профильного специалиста по обработке.
Типичные ошибки при первом запуске
Самая частая — перегрузка промпта: десяток референсов одновременно и длинная инструкция по каждому. Второй промах — аннотации поверх важных участков оригинала без отдельной маски, из-за чего модель теряет часть сцены. Третий — ожидание, что прозрачность появится сама, без указания типа вывода в запросе.
С чего начать знакомство с Qwen-Image-2.1
Первый шаг — один референс и одна узкая правка в ограниченной области: так видно, как модель держит детали и слушается маски. Затем стоит проверить прозрачный вывод на простом объекте и только после этого собирать композицию из нескольких входов. Если речь о товарах, прогоните тестовый кадр с логотипом и мелким текстом — сохранность надписей покажет, годится ли результат для карточки.
