Qwen-Image-2.1 の高速版 Viggle、4ステップで画像生成と編集を行う話

モデル

Qwen-Image-2.1 の高速版 Viggle、4ステップで画像生成と編集を行う話

スポンサーリンク

Viggleがプレビュー版を公開、複雑な編集ではまだ元のモデルに及ばない

この記事のポイント

  • テキストと画像を4パスで生成する
  • 40ステップの親モデルを蒸留した
  • 商用利用には別途ライセンスが必要

数字で見る

この記事に出てくる数字

ステップ数 4
学習面積 2048²
編集面積 1536²

どこで使えるか

高速生成で試作を回したい人向け。商用利用には別途ライセンスが必要 Hugging Faceで公開済み v0.1プレビュー。編集は40ステップ版より劣る

スポンサーリンク

解説

かみくだいて説明します

画像生成モデルの手軽な版を、Viggleが2026-09-22に公開しました。親モデルのQwen/Qwen-Image-2.1をDistribution Matching Distillationという手法で4ステップに圧縮した学生モデルで、テキストから画像を作る機能と、1から3枚の写真を使って画像を編集する機能の2つの学生版を同時にリリースしています。
4ステップというのは、もとのモデルが40ステップも回すところを、10分の1の処理量にしたということですね。開発側は、この速度でどこまで品質が保たれると見ているんですか?
現時点では、テキストから画像を生成するほうは実用に耐える水準に達していますが、写真の合成や顔の入れ替え、複数の条件を同時に指示する複雑な編集では、もとの40ステップのモデルに明確に差をつけられています。Viggle側もv0.1プレビューとして位置づけており、まだ改良途中だと明言しています。
複雑な編集がまだ追いついていないんですね。では、AIを組み込む技術者から見ると、いま現場で使われているやり方を置き換える話ですか、まだ先の話ですか。
組み込むための条件がいくつかあります。親モデルのテキストエンコーダーやVAE、プロセッサーは別リポジトリから読み込む必要があり、モデル本体にLoRAを直接結合すると精度が落ちるため、実行時に読み込む方式になっています。また、diffusersの正式版にパイプラインが含まれていないためgitで直接インストールする必要があり、peftというライブラリも必須です。
実行時に読み込む方式だと、環境の準備が少し煩雑になりそうです。専門用語のDistribution Matching Distillationについて、もう少し簡単に言うと、どのような仕組みになるんですか。
大雑把に言うと、答えを知っている先生役のモデルから、答えを導き出す手順だけを盗んで、学生モデルに教え込む作業です。40回かけてじっくり答えを導く先生の代わりに、4回で同じ答えに辿り着くように手順だけを圧縮していると考えてください。
先生の手順だけを盗む、というイメージですね。では、自分の仕事で画像生成を使っている側から見ると、いま困っている処理時間の問題は実際に減るんですか。
画像生成の処理回数が40回から4回に減るため、同じハードウェアでおよそ10倍の速度が期待できます。ただし、学習時の画像サイズは1024²と2048²の面積が中心で、編集機能を使う場合は1536²が基準になります。それ以外のサイズでも動きますが、品質の中心はこれらの数値にあります。
10倍の速度が出るのは確かに大きいですね。では、このモデルを商用で利用する場合の許諾条件は、どうなっているんですか。
現在のライセンスは非商用の研究や評価のみを認めており、商用利用には別途、モデルビジネス担当のメールアドレスに連絡して個別の契約を結ぶ必要があります。著作権はHangzhou Tongyi Laboratory Technology Co., Ltd.が保有しています。
最後に、改良が進んだときの具体的なスケジュールや、商用ライセンスの費用感については、まだ情報が出ていますか。
改良の具体的な日程や費用感については、現時点ではまだ分かっていません。Viggle側はリポジトリの更新で随時情報を共有する方針ですが、プレビュー段階のため、具体的な数値や日程を提示する段階には達していません。

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