علی‌بابا با Qwen-Image 2.0 تولید پوستر، اینفوگرافیک و تصاویر متنی را با وضوح 2K و درک دستورهای طولانی بهبود داده است.
مدل Qwen-Image ۲.۰ علی‌بابا با پشتیبانی از وضوح 2K و درک دستورهای متنی طولانی، برای تولید پوستر، اینفوگرافیک و تصاویر حاوی نوشته توسعه یافته است.
یکی از مشکلات شناخته‌شده ابزارهای تولید تصویر با هوش مصنوعی، ناتوانی در نمایش دقیق نوشته‌هاست. بسیاری از این مدل‌ها هنگام درج متن روی تصاویر، حروف را اشتباه تولید می‌کنند یا کلماتی ناقص و ناخوانا تحویل می‌دهند. علی‌بابا با توسعه خانواده Qwen-Image تلاش کرده این محدودیت را کاهش دهد و امکان طراحی محتوای گرافیکی با نوشته‌های خواناتر را فراهم کند.
این قابلیت به‌ویژه برای تولید پوسترهای تبلیغاتی، اینفوگرافیک‌ها و طرح‌هایی اهمیت دارد که متن بخش اصلی آن‌ها را تشکیل می‌دهد. نمایش صحیح نویسه‌های زبان چینی نیز یکی از محورهای توسعه این خانواده بوده است؛ چراکه پیچیدگی ساختار نوشتاری این زبان، کار را برای مدل‌های تصویرساز دشوار می‌کند.
نسخه اولیه Qwen-Image با ۲۰ میلیارد پارامتر و بر پایه معماری MMDiT ساخته شده بود. تمرکز این مدل بر تولید تصویر از توضیحات متنی و ویرایش دقیق تصاویر قرار داشت.
Qwen-Image ۲.۰ چه قابلیت‌هایی دارد؟
پیش از عرضه نسخه ۲٫۰، مدل Qwen-Image-۲۵۱۲ با بهبودهایی در بازسازی چهره انسان، جزئیات طبیعی و نمایش نوشته‌های داخل تصاویر معرفی شده بود. این نسخه در تولید بافت پوست، مو، لباس و مناظر طبیعی جزئیات بیشتری ارائه می‌کرد و هماهنگی میان نوشته‌ها و عناصر بصری را نیز بهبود می‌داد.
تیم توسعه Qwen اعلام کرده بود که نسخه ۲۵۱۲ در بیش از ۱۰ هزار دور ارزیابی کور در پلتفرم AI Arena مورد آزمایش قرار گرفته است. بر اساس نتایج اعلام‌شده از سوی سازندگان، این مدل هنگام معرفی در میان مدل‌های قدرتمند متن‌باز تولید تصویر قرار داشت؛ هرچند چنین ارزیابی‌هایی به معنای عملکرد بی‌نقص در تمام زبان‌ها و کاربردها نیست.
گام بعدی توسعه این خانواده در ۱۰ فوریه ۲۰۲۶ با معرفی Qwen-Image ۲.۰ برداشته شد. مدل جدید می‌تواند دستورهای متنی تا حدود هزار توکن را پردازش کند و بر اساس توضیحات طولانی‌تر، محتوایی مانند پوستر، اسلاید ارائه، کمیک و اینفوگرافیک بسازد.
پشتیبانی از وضوح 2K، درک بهتر دستورهای پیچیده و معماری سبک‌تر با سرعت پردازش بیشتر از دیگر تغییرات این نسخه محسوب می‌شوند. همچنین قابلیت تولید تصویر و ویرایش تصاویر موجود در یک مدل ادغام شده است تا کاربران برای این دو کار به ابزارهای جداگانه نیاز نداشته باشند.
دسترسی به مدل هوش مصنوعی علی‌بابا
علی‌بابا مدل‌های خانواده Qwen-Image را از طریق مخزن رسمی پروژه در گیت‌هاب در اختیار توسعه‌دهندگان قرار داده است. وزن نسخه‌های منتشرشده نیز در پلتفرم‌هایی مانند هاگینگ فیس و ModelScope قابل دسترسی است.
کاربرانی که قصد ندارند مدل را روی سیستم خود نصب کنند، می‌توانند نسخه‌های نمایشی هاگینگ فیس یا سرویس Qwen Chat را برای آزمایش قابلیت‌های آن به کار بگیرند.
با وجود پیشرفت‌های اعلام‌شده، نمی‌توان Qwen-Image را مدلی دانست که در تمام شرایط و زبان‌ها نوشته‌ها را بدون خطا تولید می‌کند. کیفیت خروجی به عواملی مانند زبان مورد استفاده، طول متن، پیچیدگی طراحی و نسخه مدل بستگی دارد. همچنین برای ارزیابی دقیق عملکرد آن در تولید نوشته‌های فارسی، به آزمایش‌های مستقل نیاز است.
با این تغییرات، Qwen-Image ۲.۰ می‌تواند در طراحی محتوای تبلیغاتی، ساخت پوستر و تولید اینفوگرافیک کاربرد داشته باشد؛ حوزه‌هایی که در آن‌ها خوانایی نوشته‌ها به‌اندازه کیفیت بصری تصویر اهمیت دارد.