🚀 Команда Alibaba Qwen випустила Qwen-Image, модель MMDiT з 20B-param, яка революціонізує покоління перетворення тексту в зображення! Власне відтворення тексту в пікселях для приголомшливих плакатів, двомовна підтримка EN/CN, чудові стилі фотореалістичного/аніме/аніме. Пориньте в нашу технічну статтю з повним керівництвом по розгортанню моделі на Hyperbolic & Gradio

Архітектура: поєднує в собі MLLM (Qwen2.5-VL 7B для семантики), VAE (тонко налаштований для багатого текстом реконструю) і 20B MMDiT (узгодження потоку з ODE, діагональна конкатка для масштабованої res). Процес: Швидке → подвиги → знешумлення → декодування. TI2I з подвійним кодуванням для редагувань.

Інновації: Масивний конвеєр даних (мільярди пар: Nature 55%, Design 27%, People 13%, Synthetic 5%; Розщеплення EN/CN). Навчальна програма для оволодіння текстом. MSRoPE (на RoPE) для 2D вирівнювання. Багатозадачний T2I/TI2I/I2I. SOTA на GenEval, текстові лавки!

У порівнянні з GPT-Image-1: відповідає фотореалізму, розбиває двомовний текст/багаторядковий, послідовність редагування (краща точність в об'єктах/позах). Це межа між відкритим вихідним кодом проти API!

Інфрачервота графічного процесора: ~24 ГБ відеопам'яті орієнтовно (20B x 1.2 на BF16). Висновок виконується плавно на одному H100. Ми протестували на On-Demand Cloud H100 від Hyperbolic за 1,49 долара США за годину за допомогою простого скрипта на Python, адаптованого з офіційної картки моделі для інтерактивного інтерфейсу Gradio UI

Читайте нашу повну статтю: Деталі архітектури, інновації, порівняння, аналіз обчислень, ПОВНИЙ код та кроки розгортання на Gradio. Запустіть Qwen-Image самі та поділіться з нами своїми творіннями! Читати блог повністю: Орендуйте H100s зараз на Hyperbolic за $1.49/год:

Читайте нашу повну статтю: Деталі архітектури, інновації, порівняння, аналіз обчислень, ПОВНИЙ код та кроки розгортання на Gradio. Запустіть Qwen-Image самі та поділіться з нами своїми творіннями! Читати блог повністю: Орендуйте H100s зараз на Hyperbolic за $1.49/год: