Qwen-Image-2.1 のプロンプトを英語に書き直す Qwen3.5-VL、テキストから画像を作る話

モデル

Qwen-Image-2.1 のプロンプトを英語に書き直す Qwen3.5-VL、テキストから画像を作る話

スポンサーリンク

Qwen3.5-VLが Qwen-Image-2.1 のプロンプトを英語に書き直す。

この記事のポイント

  • Qwen-Image-2.1のT2Iプロンプト改善版
  • 7Bパラメータの視覚生成コンポーネント搭載
  • Qwen3.5-VL 9Bをファインチューニング

数字で見る

この記事に出てくる数字

視覚生成パラメータ 7B
DiT層数 32
プロンプトモデル 9B

どこで使えるか

多言語の短い指示から英語のプロンプトを自動生成したい人向け Hugging Faceで公開済み ライセンスはother

スポンサーリンク

解説

かみくだいて説明します

Qwenが2026年9月20日に、テキストから画像を生成するモデル「Qwen-Image-2.1」を公開しました。画像を編集する機能も合わせて一つのモデルにまとめています。
画像を作るモデルが一つにまとまるんですか?
はい。テキストで指示を出せば、新しい画像を作れるだけでなく、すでにある画像の一部分だけを差し替える編集も同じモデルでこなします。中身の画像生成部分は7Bのパラメータで、32層の構造になっています。
7Bというと小さい方ですね。動かす速さが大事になる現場には助かります。
確かに小さい方です。それでも生成の品質と、動かす速さ、そして幅広い使い勝手のバランスを取れるように設計されています。現場で組み込む技術者から見ると、重いモデルを置かなくてもよくなる話です。
現場で組み込む技術者から見ると、プロンプトの書き換えはすでに実用レベルですか。
その通りです。今回の目玉は、Qwen3.5-VL 9B をベースに書き換え用に調整したモデルを別に用意した点です。使う言語が何であっても、英語の詳しい指示文と、おすすめの画像の縦横比を一緒に返します。
縦横比も一緒に返すんですか。プロンプトを自分で考えなくていいなら、使う側はかなり楽ですね。
はい。あと、中身はJSONというデータ形式で返すので、プログラムからそのまま読み取れます。ただ、返す前に内部的に考えるステップを踏むので、そこは少し時間がかかる場合があります。
内部的に考えるステップって、具体的にどういうことですか。
画像を生成する前に、指示文を一度整理する作業です。例えば猫の絵を書いてと言われても、まず白くてふわふわした猫を窓辺の明るい光の中でというように内容を膨らませてから描き始めます。専門用語でSingle-Stream DiTと言いますが、この整理の工程をモデル自身がやると考えてください。
なるほど。猫の絵と言っても、まず内容を膨らませてから描き始めるんですね。
そうですね。指示文の書き込みの手間が減るので、画像生成に集中できます。ライセンスはQwen Research License Agreementで、研究や商用の利用も条件を満たせば可能です。
最後に、研究している人から見ると、どこが新しいんですか。
要旨には、テキストから画像生成と画像編集を統一したモデルで、7Bパラメータの視覚生成コンポーネントを持つとあります。

出典

この記事のもとになった情報

※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。

スポンサーリンク

-モデル