Alibaba、Qwen-Image-2.1公開。7Bで透過画像に対応、商用不可

AlibabaのAI開発チームQwenは9月20日（日本時間）、画像生成AI「Qwen-Image-2.1」をオープンウェイト（モデルの重み）としてHugging FaceとModelScopeで公開した。文章からの画像生成と、入力画像の編集を1つのモデルで扱う構成だ。ブラウザから試せるデモも用意されている。

規模は、生成を担う中核部分が7B（70億）パラメータに抑えられている。指示文を解釈する部分などを含めた総パラメータ数はModelScopeの表記で16.22B（162.2億）、ファイルサイズは合計約33GBだ。生成できるサイズは正方形で2,048×2,048ピクセル、横長では最大2,752×1,536ピクセルまで指定できる。

今回の目玉は透過画像への対応だ。生成側では、ステッカーやロゴのような素材を1回で作れる。編集側では、背景を透明に保ったまま人物の表情を変えたり、透過レイヤー内の文字を書き換えたりできる。写真から被写体だけを透過画像として切り抜く処理にも対応する。編集機能も広がり、参照画像は最大10枚まで入力でき、複数の人物写真から1枚の集合写真を合成するような使い方ができる。丸や手書きの印、マスクで「ここを直す」と指定する部分編集にも対応し、人物の顔や商品の見た目を保ったまま手を入れられる。シリーズの持ち味である文字入り画像も、文字の描画、人物のライティング、細部の質感が改善され、ポスターやスライドのような文字主体の画像をより見栄えよく生成できるという。

性能は、自社ベンチマーク「Qwen-Image-Bench」の総合スコアで60.28。首位のOpenAI「GPT Image 2.5 Sunburst」（67.01）には届かないが、パラメータ数32B（320億）の「FLUX 2 Max」（55.33）を上回った。過去の計算結果を使い回す「プレフィックスKVキャッシュ再利用」により、参照画像が多い場面でも生成を高速化し、メモリ消費を抑えるとしている。あわせて、編集指示を整える補助モデル「Qwen-Image-2.1-PE-I2I」も公開された。「空を夕焼けに」といった大まかな指示と画像から、本体に渡す正確な指示文を書き起こすもので、実体は視覚言語モデル「Qwen3.5-VL 9B」をファインチューニングした9B（90億）パラメータのモデルだ。本体だけでも編集はできるが、精度を上げたい場合に組み合わせる。

ただし、誰でも自由に使えるわけではない。ライセンスは「Qwen Research License」で、無償利用は研究・評価目的に限られる。商用利用にはQwenへの申請による別途の商用ライセンスが必要だ。制限の対象がモデルを使う行為そのものであるため、商用の制作物に使う画像を生成することもできない。