Alibaba представила обновление для своей модели Qwen-Image с новыми инструментами для визуального и семантического редактирования изображений.
Qwen-Image-Edit работает на основе 20-миллиардной модели Qwen-Image. В ней объединены две технологии: Qwen2.5-VL управляет смысловыми изменениями, а Variational Autoencoder (VAE) отвечает за визуальную обработку. Подробностей об архитектуре компания пока не раскрыла.
По словам Alibaba, система справляется с простыми правками и глубокой переработкой смысла. Визуальное редактирование меняет отдельные участки изображения, не затрагивая остальное, а семантическое позволяет изменять большинство пикселей с сохранением узнаваемости основного объекта.
Alibaba показала, как модель генерирует новый контент с талисманом Capybara: даже при значительных изменениях персонаж остается узнаваемым.
Модель может создавать новые ракурсы — к примеру, делать поворот объекта на 90 или 180 градусов, а также создавать аватары с помощью стилизации, например, переводя портреты в стиль Studio Ghibli.
Qwen Image Edit также добавляет надписи с реалистичными отражениями, убирает выбившиеся волосы, меняет цвета букв, фоны или одежду.
Одно из главных преимуществ — работа с текстом на китайском и английском языках. Система может добавлять, удалять или изменять текст прямо на изображениях, сохраняя исходный шрифт, размер и стиль.
Пользователь выделяет рамкой неправильный или лишний текст, и модель обновляет именно отмеченную область. Иногда система ошибается с редкими символами вроде “驻”, но редактирование можно проводить пошагово, уточняя исправляемые области до нужного результата.
Alibaba утверждает, что Qwen Image Edit показывает лучшие результаты на общедоступных тестах для обработки изображений, но точных данных пока нет. Модель можно использовать через Qwen Chat в разделе “Image Editing”. Также она доступна на Github, Hugging Face и Modelscope.
Qwen Image Edit показывает высокую скорость развития инструментов для точечного редактирования и работы с текстом на изображениях. Еще недавно ИИ не мог менять отдельные части фотографий без сильных искажений всего снимка.
В этой сфере появился и новый игрок — Black Forest Labs с моделью Flux.1 Context, которая объединяет генерацию картинок по тексту и редактирование. Однако Flux.1 Context пока дает заметные артефакты при длинных цепочках правок и иногда плохо понимает запросы.
