Qwen Image 2.1 Turbo API

Qwen Image 2.1 Turbo je destilovaný akcelerovaný kontrolní bod ze série Qwen-Image-2.1 od týmu Alibaba Qwen. Staví na stejné 7B architektuře pro vizuální generování jako Qwen-Image-2.1, ale díky znalostní destilaci komprimuje proces odšumování na 8 kroků při CFG 1.0, přičemž si zachovává generování obrázků na úrovni 2K. To přináší výrazné zrychlení s jen nepatrnou ztrátou kvality. Model nativně pracuje s přesností BF16 a jeho velikost je přibližně 14,2 GB. Doporučené rozlišení pro generování je kolem 2 megapixelů, například 2048x2048 při poměru stran 1:1. K dispozici jsou i komunitní GGUF kvantizace v variantách 2bit, 4bit, 6bit, 8bit a 16bit. Model podporuje generování obrázků z textu i úpravy obrázků řízené přirozeným jazykem. Při úpravách lze přidat až 4 další referenční obrázky. Výstup může být ve formátu RGBA, takže umožňuje vytvářet obrázky s průhledným pozadím. Pro dosažení nejlepších výsledků se doporučuje metoda vzorkování euler a specifický 8krokový plán vzorkování; standardní výchozí plán poskytuje odlišné obrázky. Pro textový kodér se doporučuje kvantizace Q8_0, protože silně kvantizované kodéry zhoršují výstup. Hmotnosti jsou dostupné na Hugging Face a ModelScope a lze je načíst přes QwenImage21Pipeline v Diffusers. Díky svému zaměření na rychlost je Qwen Image 2.1 Turbo vhodný pro úlohy, kde je klíčová rychlá iterace. Mezi typické scénáře patří pracovní postupy s vysokofrekvenčním lokálním generováním obrázků, návrh produktových vizuálů, jako jsou plakáty, konceptuální umění a reklamní podklady, dále e-commerce produktové fotografie a změny oblečení modelů a tvůrčí obsahové workflow vyžadující časté úpravy. Model také nabízí silnější obnovu detailů obličeje a lepší konzistenci textur a textů produktů v nových scénách. Je vydán pod licencí Qwen Research, která omezuje komerční využití, a při 4bitové kvantizaci a nižší se výstup znatelně odchyluje od originálu.

Faktura závisí na zvoleném poskytovateli, jeho cenách a vašem využití. Delší vstupy nebo jiné podmínky mohou mít jiné ceny. Účtováno podle skutečných nákladů na generování. Konečnou částku najdete ve faktuře.

Model podporuje generování obrázků z textu a úpravy obrázků na základě instrukcí v přirozeném jazyce. Při úpravách lze přidat až 4 další referenční obrázky.

Model vytváří obrázky a podporuje výstup ve formátu RGBA, takže může vytvářet obrázky s průhledným pozadím.

Doporučené rozlišení je kolem 2 megapixelů, například 2048x2048 při poměru stran 1:1.

Model používá specifický 8krokový plán vzorkování při CFG 1.0 a doporučuje metodu vzorkování euler. Standardní výchozí plán poskytuje odlišné obrázky.

Díky znalostní destilaci zkracuje odšumování na 8 kroků při zachování generování obrázků na úrovni 2K, což přináší výrazné zrychlení s jen nepatrnou ztrátou kvality. Model také lépe obnovuje detaily obličeje a udržuje konzistenci textur a textů produktů v nových scénách.

Při 4bitové kvantizaci a nižší se výstup znatelně odchyluje od originálu. Dále je nutné použít specifický 8krokový plán vzorkování a doporučuje se kvalitnější kvantizovaný textový kodér. Model je vydán pod licencí Qwen Research s omezeními pro komerční využití.