Alibaba、テキスト描写に強い画像生成モデル「Qwen-Image」を公開

Alibaba Qwenチームは、画像生成基盤モデル「Qwen-Image」を公開した。20B（200億）パラメータのMMDiT（Multimodal Diffusion Transformer）アーキテクチャを採用し、複雑なテキスト描写と精密な画像編集の両面で大きな進歩を実現したという。モデルはGitHub、Hugging Face、ModelScopeで公開されており、Qwen Chatの「Image Generation」機能からも試用できる。

テキスト描写に強み

画像生成モデルにおいて、文字を正確に描くことは長年の課題とされてきた。Qwen-Imageは、複数行レイアウトや段落単位の意味構造、細部の字形まで含めた複雑なテキスト描写に優れていると説明されている。アルファベット言語に加え、漢字などの表意文字にも対応しており、多言語での実用性を意識した設計となっている。

高精度な画像編集も可能

テキスト生成能力に加え、Qwen-Imageは精密な画像編集機能も備える。文字入りのデザイン画像やポスター、図表など、テキストと画像が密接に組み合わさったコンテンツの生成・編集に強みを持つとみられる。

Qwenチームはこれまでにも大規模言語モデル「Qwen」シリーズを展開してきたが、Qwen-Imageは画像生成分野への本格的な参入となる。20Bという比較的大規模なパラメータ数を持つことも特徴で、テキスト描写の精度向上に寄与していると考えられる。関心のあるユーザーはQwen Chat上で実際に試すことができる。