
Qwen-Image-2.1がオープンソース化:7Bパラメータでオープンソース画像生成モデルの新たな基準へ
AIのコード生成能力は、開発者を「キーボードから手を離させる」ほど進化している。一方で、デザイナーにとってAIが生成する画像は、実際の納品レベルに到達するまで、まだ多くの調整工程を必要としている。
画像デザインのワークフローでは、人物の切り抜き、素材内の文字修正、商品の配置調整など、さまざまな細かな作業が発生する。しかし、パッケージ上の文字やボトルの形状など、変更してはいけない要素も存在する。さらに、要望に応じて何度も修正を重ねる場合、局所的な編集を行いながら、画像全体の統一感を維持する必要がある。
こうした細部への対応力こそが、AI画像生成が実際の制作フローに導入できるかどうかを左右する。デザイナー、EC運営者、コンテンツクリエイターにとって、現在の画像生成モデルにおける大きな課題は、毎回提示される修正指示をどれだけ正確に反映できるかという点にある。
9月20日、アリババの「千問(Qwen)」チームは、画像生成モデル「Qwen-Image-2.1」を正式にオープンソース化した。わずか7B規模のモデルでありながら、実用的な画像制作における多くの課題への対応を目指している。
Qwen-Image-2.1は、テキストからの画像生成と画像編集を統合的にサポートし、透過画像生成にもネイティブ対応している。また、最大10枚の参照画像を入力でき、局部編集機能や、人物・商品の外観を維持する能力も強化された。

これにより、Qwen-Image-2.1は千問画像シリーズの中でも、バランスとコストパフォーマンスに優れたオープンソース画像生成モデルとなった。公開評価では、Qwen-Image-2.1はオープンソースモデルの中で高い評価を獲得し、スコアはNano Banana 2.0を上回ったとされている。
注目すべき点は、このモデルの視覚生成部分のパラメータ数がわずか7Bであることだ。
Xプラットフォームでは、すでに先行体験資格を取得したユーザーが生成結果を公開しており、多くのユーザーから高い評価を受けている。
リアルな写真調の画像、さまざまなフィルターやライティングスタイルを活用した作品など、多様な生成例が共有されている。


ユーザーからは、Qwen-Image-2.1の指示追従能力、生成結果の安定性、そして実際の出力品質について高く評価する声が寄せられている。新モデルの能力を活用することで、素材生成から画像合成、修正までのワークフローを一貫して構築でき、AIによってこれまで複雑だった画像編集作業の多くを効率化できるようになった。
能力と効率
紹介によると、Qwen-Image-2.1の視覚生成部分には20層のSingle-Stream DiTアーキテクチャが採用されており、パラメータ数は7B、ネイティブで2K解像度に対応している。このモデルは評価ベンチマークにおいて、モデル規模を超える性能を発揮している。
Qwen-Image-2.1の総合スコアは60.28で、Nano Banana 2.0の59.82、GPT Image 1.5の59.65を上回っている。これにより、複数のクローズドソース画像生成モデルと同じ競争環境で評価される水準に到達した。

視覚生成部分のパラメータ数がわずか7Bである点も、この性能をさらに注目すべきものにしている。小規模な生成モジュールの中に、画像生成、透過素材生成、複数画像編集機能(生成と編集を統合したパイプライン)を同時に搭載し、開発者に対して、より軽量な画像生成ツールのデプロイやカスタマイズの基盤を提供している。
高い性能に加えて、Qwen-Image-2.1ではモデル推論プロセスも最適化されている。その中心となる考え方は、不要な重複計算を削減することだ。
1回の画像編集処理では、入力された参照画像と編集指示は生成ステップごとに変化しない。そこで新モデルでは、混合粒度アテンション構造を採用している。
テキスト部分(システムプレフィックスや編集指示)では、従来のTokenレベルの因果マスクに従い、単語単位で厳密な系列計算を行うことで、意味理解の一貫性を維持する。一方、画像生成部分ではChunkレベルのマスクを採用し、KV Cacheの仕組みを利用して、最初のステップで計算した静的コンテキストをキャッシュし、後続の生成ステップで再利用する。

これは、AIがまず参照情報を処理し、その後目標画像を段階的に生成する際、すでに計算済みの結果を繰り返し活用できることを意味する。この最適化は、複数画像を入力する場合に特に効果を発揮し、推論効率の向上やVRAM使用量の削減に貢献する。
現在、Qwen-Image-2.1は最大10枚の参照画像入力に対応しているため、この最適化は非常に重要である。入力情報が増えるほど、参照データをどのように処理し、重複計算をどのように抑制するかが重要になる。
実際にどれほどの処理時間やVRAMを削減できるかについては、使用するハードウェア、モデル精度、生成解像度、入力画像数などの条件によって異なる。
直接生成可能な透明素材
新バージョンのQwen-Imageシリーズにおいて、特にデザイン用途のニーズに寄り添った機能の一つが、透明画像生成への対応である。
通常の画像素材には、一般的に完全な背景が含まれている。その中の主体をポスターや商品詳細ページ、別の画像素材として利用する場合、まず切り抜き作業を行い、輪郭や隙間、エッジ部分を調整する必要があることが多い。
一方、透明画像は追加の透明度情報を持ち、背景を主体の周囲や特定領域から透過させることができる。そのため、後続のレイヤー合成やデザイン制作において、より柔軟に利用できる。
Qwen-Image-2.1は透明画像生成をネイティブでサポートしており、プロンプトに基づいて通常画像と透明画像を自動的に判断できる。ユーザーは素材を生成する際に、透明背景の要求を明示することが可能だ。

現在公開されているサンプルには、祝祭向けイラスト、人物素材、装飾パーツ、複数オブジェクトで構成された複雑なデザイン素材などが含まれており、実際のデザイン制作で頻繁に発生する素材作成ニーズに対応している。
私たちも実際に試してみた。
クリエイターにとって、これは大きな利点となる。生成後すぐに利用可能な素材を取得できるため、従来必要だった複数の作業工程を削減できる。
もちろん、生成された透明素材は、その後も継続して編集できる。例えば、同じイラスト内の人物の表情を変更したり、画像内の文字内容を修正したりすることが可能だ。編集対象は人物の視覚的な細部でも、素材内に含まれるテキストでもよい。
これは、実際のデザイン制作における修正ニーズに非常に近い。イベント名が変更されてもデザイン要素は維持する必要があり、人物の表情を調整しても、同じキャラクターとして認識できる一貫性が求められる。生成と編集の機能が同一モデルに統合されたことで、こうした後続の修正作業にも統一された処理環境を提供できるようになった。
また、Qwen-Image-2.1は既存写真の編集処理にも対応している。


公式では、実際の写真から必要な要素を抽出し、RGBA形式の透明画像を生成する例が公開されている。RGBAの「A」はアルファチャンネルを指し、画像各部分の透明度情報を表すために使用される。
この機能は、ゼロから新しい素材を生成するだけでなく、既存画像の再利用にも対応している。クリエイターは写真を入力し、モデルに必要な主体だけを抽出させることで、その後のデザイン制作に利用できる素材を作成できる。
Qwen-Imageシリーズでは以前、透明画像関連の機能を探求するモデルとして「Qwen-Image-Layered」が公開されていた。今回のQwen-Image-2.1では、ネイティブな透明画像生成と編集機能を汎用画像モデルに統合し、さらに実用性を高めている。
複数画像編集に求められる正確さ、オープンソースAIモデルにも実現
1枚の画像に複数のオブジェクトを組み合わせる必要がある場合、編集タスクはさらに複雑になる。
例えば、指定された服、靴、バッグ、帽子を同じモデルに着用させたい場合、それぞれの参照画像には異なる役割がある。モデルは人物と各商品を正確に区別し、適切な位置に配置しながら、それぞれの特徴を可能な限り維持する必要がある。

Qwen-Image-2.1は最大10枚の参照画像入力に対応している。私たちも実際に試してみた。ウルトラマンとダリオが座って会話するシーンを作成するために、7枚の参照画像を使用した。
使用した素材は、2人が向かい合う写真(表情変更用)、背景の部屋、一人掛けソファ、コーヒーカップ(コーヒーを注ぐ演出)、フロアランプ、電気暖炉、ローテーブルである。これらの要素を組み合わせ、最終的に1枚の完成度の高いビジュアルを生成した。

異なる衣装を同じ人物に着せてスタイリングを確認したり、複数の人物写真を組み合わせて集合写真を作成したりすることも、より簡単に行えるようになる。
技術的に重要なのは、AIモデルが何枚の画像を入力できるかだけではない。参照オブジェクトが最終的な画面内で自然に配置され、比率や位置、全体的なスタイルが調和しているかどうかも重要な評価ポイントとなる。
全体構成を完成させた後は、通常さらに細かな部分調整が必要になる。
Qwen-Image-2.1では、範囲選択、塗りつぶし、独立したマスク画像など、複数の編集方法を提供しており、ユーザーが修正対象をより明確に指定できる。
例えば、異なる色で複数の領域を指定し、1回の編集指示で、写真内の人物の一部の衣装を削除すると同時に、髪色を変更するといった操作が可能になる。

こうしたインタラクションによって、空間上の編集領域とテキスト指示の間に明確な対応関係を構築できる。複数の領域を含む編集では、ユーザーは「どこを削除するか」「どこを置き換えるか」「どのように変更するか」を個別に指定できる。
塗りつぶし方式は、新しいオブジェクトを追加する位置を直接指定する用途に適している。一方で、元画像上に直接範囲指定や塗りつぶしを行うと、画面の一部が隠れてしまう場合がある。
そのため、Qwen-Image-2.1では追加のマスク画像を利用して編集領域を指定する方法にも対応しており、元画像の情報を完全な状態でモデルに入力できる。人物や商品を含むデザイン制作において、このような情報保持能力は特に重要である。
文字の正確性と画面の質感
髪型やシーンを変更した場合でも、人物の肖像は元のアイデンティティを維持する必要がある。商品の配置環境を変更する場合でも、パッケージ上の文字、質感、形状は可能な限り一致していなければならない。そうでなければ、画像として美しく仕上がっていても、実際の展示や制作用途では使用できない可能性がある。
Qwen-Image-2.1では、人物肖像と商品という2種類の主要な編集シーンにおける保真能力を重点的に紹介しており、その生成・編集品質は高い水準に達している。

生成や編集機能に加えて、Qwen-Image-2.1は文字表現や人物描写の能力もさらに向上している。文字情報量の多い図文ページ、インフォグラフィック、論文用イラストなどにおいても、内容の正確性とレイアウトの美しさを両立する能力が強化されている。

人物肖像については、Qwen-Image-2.1は光と影の表現や細部描写をさらに改善している。現在のAI生成画像では、髪の質感、衣服のディテール、顔の細かな特徴、周囲の環境光に至るまで、より自然に調和した表現が可能になり、全体的なビジュアル品質も向上している。
さらに、パノラマ画像生成、インフォグラフィック、三面図、絵コンテ生成などの能力も向上しており、静的画像の生成・編集における応用範囲をさらに広げている。これにより、キャラクター展示やビジュアルプランニングなど、さまざまな制作タスクに新たな可能性を提供している。


これらの能力を組み合わせることで、Qwen-Image-2.1はより包括的な画像制作・編集ワークフローを実現している。
現在では、1つのAIモデルを基盤として、多くの制作工程を一貫して処理できる。複数の参照画像からシーンを構成し、その後必要な領域を調整しながら、人物や商品の重要な特徴を可能な限り維持することができる。
視覚生成部分がわずか7B規模のオープンソースAIモデルによって、実際の制作現場でどこまで手戻りを削減できるのか。今後の実運用で検証される点として注目される。
応用の可能性はどれほど大きいか?
Qwen-Image-2.1の登場により、画像生成モデルが制作フロー内のより多くの細分化された工程をカバーしつつあることが明らかになった。そして、この流れはさらに加速している。
透明素材の生成、複数画像参照、局部編集、そして高い保真度を維持する能力の向上は、いずれもAIモデルが実際の制作ワークフローに導入される可能性を高めている。
クリエイターにとって、これは素材制作や修正作業の多くを、より効率的な形でオープンソース画像生成モデルに任せられることを意味する。開発者にとっては、新モデルのオープンソース化によって、これらの能力を活用したデザインツール、アプリケーション、カスタムワークフローを構築するための新たな基盤が提供される。
さらに、Qwen-Image-2.1のような画像モデルがオープンソース化されることで、コミュニティは生成と編集能力をより幅広いコンテンツ制作シーンへ統合していく可能性がある。より多くの人が、自分の用途に合わせた創作ツールを利用できる環境が整っていくだろう。
これらのAI機能が日常的なソフトウェアに自然に組み込まれ、誰でも簡単に利用できるようになれば、アイデアをビジュアル作品へ変換するまでのハードルは、さらに低くなる可能性がある。