画像生成AI「Qwen-Image-2.1」公開、軽量7Bで透過画像の生成・編集に対応

　画像の生成と編集を1つでこなすAIの新版が、無料でダウンロードできるようになった。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。ただしモデルを無償で利用できるのは研究・評価目的に限られ、商用利用には別途契約が必要。ブラウザから試せるデモも用意されている。

　Qwen-Image-2.1は、文章からの画像生成と、入力した画像の編集を1つで扱うAIモデルだ。画像生成を担う中核部分のパラメータ数は7B(70億)に抑えられている。指示文と入力画像の内容はパラメータ数が8.77B(87.7億)の視覚言語モデル「Qwen3-VL-8B」が読み取っており、これらを含めた総パラメータ数は16.22B(162.2億)だ。生成サイズは正方形で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。

　公式が配布する重みは、非量子化のBF16中心の構成(33.1GB)のみだ。量子化版やGGUF版は、記事執筆時点で公式からは提供されていない。代わりにComfyUIの開発元Comfy-Orgが、同ツール用に再パッケージした重みを配布している。同社の配布ファイルのうち、画像生成を担う部分のINT8版(7.26GB)、「Qwen3-VL-8B」のW4A8版(6.31GB)、画像の圧縮・復元を担うVAE(676MB)を選んだ最小の組み合わせでは、合計約14GBまで小さくできる。

　また、透過画像を直接生成・編集できるようになった。生成では、ステッカーやロゴのような素材を1回で作成できる。編集では、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。

　編集機能も充実した。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といった使い方が可能だ。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編集できる。

　シリーズの持ち味である文字入り画像の生成も磨かれた。文字の描画や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。

　ただし、無償で使えるのは研究・評価目的に限られ、モデルの商用利用はできない。商用で利用するには、Qwenに申請して別途の商用ライセンスを取得する必要がある。適用されるライセンスは「Qwen Research License」。なお、生成した画像の扱いを直接定めた条項はない。

「Qwen-Image-Bench」の総合スコア比較。Qwen-Image-2.1は60.28で、パラメータ数が32B(320億)のFLUX 2 Max(55.33)を上回った

　性能は、Qwenの自社ベンチマーク「Qwen-Image-Bench」の総合スコアで60.28だった。首位のOpenAI「GPT Image 2.5 Sunburst」(67.01)には届かないものの、パラメータ数が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いう。

　あわせて、編集指示を整える補助モデル「Qwen-Image-2.1-PE-I2I」もHugging FaceとModelScopeで公開した。「空を夕焼けに」のような大まかな指示と画像から、Qwen-Image-2.1に渡す正確な指示文を書き起こす。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(追加学習)したモデルで、総パラメータ数は9.41B(94.1億)、重みはBF16版(18.8GB)が配布されている。本体だけでも編集はできるが、精度を高めたい場合は別途ダウンロードして組み合わせて使う。

【お詫びと訂正】初出時、記事タイトルなどで「商用不可」と記載しておりましたが、ライセンスが制限する対象はモデルの利用であるため、それが分かるようにタイトルおよび本文を修正しました。お詫びして訂正させていただきます。