Qwen-Image-2.1: своя генерация фото на одной GPU

Alibaba открыла веса Qwen-Image-2.1 — модели, которая совмещает генерацию изображений и их редактирование в одном чекпоинте. Диффузионный трансформер весит 7 миллиардов параметров, но по тестам разработчика обходит открытую FLUX 2 Max на 32 миллиарда. Для дизайн-студии это шанс поднять генератор картинок на своей станции, а не в облаке.

Краткое содержание

• 7 млрд параметров у трансформера плюс кодировщик текста на 8 млрд — генерация и редактирование в одном чекпоинте;
• родная поддержка альфа-канала и до 10 референсных изображений для правок;
• по тесту Qwen-Image-Bench обходит открытую FLUX 2 Max на 32 млрд параметров;
• хватает видеокарты уровня RTX 3090 — но лицензия ограничивает коммерческое использование.

Чекпоинт из двух моделей, а не один диффузор

Диффузионный трансформер построен на 32 однопотоковых слоях (single-stream DiT) с «блочно-каузальным» вниманием: текстовые токены обрабатываются слева направо, а токены изображения — блоками, без направленных ограничений внутри картинки. За текст и условные изображения отвечает отдельный кодировщик Qwen3-VL на 8 миллиардов параметров, так что весь конвейер тянет на 15 миллиардов, хотя генеративное ядро — только 7. VAE-автокодировщик работает с 64 каналами и родным альфа-каналом: прозрачные объекты получаются без отдельной модели удаления фона.

• генерация и редактирование в одном чекпоинте — до 10 референсных изображений на входе;
• вывод разрешением до 2752×2752 точек в семи форматах кадра;
• локальные правки по маскам и произвольным пометкам на изображении.

Одной RTX 3090 достаточно — вопрос в другом

По тесту Qwen-Image-Bench — это тест самой Alibaba — модель набирает 60,28 балла. Открытую FLUX 2 Max на 32 миллиарда параметров обходит (55,33), закрытую GPT Image 2.5 Sunburst (67,01) — нет. Независимых замеров пока не было, цифры только от разработчика. Для железа это не так важно: планка по памяти — 24 гигабайта, уровень RTX 3090 или RTX 5090, а не выделенный ускоритель для дата-центра. На картах поскромнее часть весов можно сгрузить в память процессора — но скорость упадёт заметно.

Меньше модель, но строже правила

У предыдущей версии Qwen-Image, на 20 миллиардов параметров, была лицензия Apache 2.0 — свободная, без вопросов к коммерческому использованию. Qwen-Image-2.1 меньше и быстрее. Но перешла на Qwen Research License: веса открыты для изучения и тестов, а встраивать модель в платный продукт без отдельного соглашения с Alibaba нельзя. Формально это всё ещё «открытая модель». Для закупщика разница принципиальная: юридический статус нужно зафиксировать до того, как модель попадёт в рабочий процесс, а не после.

AMD Ryzen AI Halo

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Radeon 8060S

Объем видеопамяти 64 ГБ

Процессоры

Ryzen AI Max+ 395

Количество ядер 16 Zen 5

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA DGX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA GB10

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA RTX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA Grace

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор Laptop