🚀 Alibaban Qwen-tiimi pudotti Qwen-Imagen, 20B-parametrin MMDiT-mallin, joka mullistaa tekstistä kuvaksi -gen! Natiivi pikselin sisäinen tekstin renderöinti upeille julisteille, kaksikielinen EN/CN-tuki, loistaa fotorealistisissa/animessa/tyyleissä. Sukella tekniseen artikkeliimme, jossa on täydellinen opas mallin käyttöönottoon Hyperbolic & Gradiossa

Arkkitehtuuri: Yhdistää MLLM:n (Qwen2.5-VL 7B semantiikkaa varten), VAE:n (hienosäädetty tekstirikkaaseen tiedusteluun) ja 20B MMDiT:n (virtaussovitus ODE:iden kanssa, diagonaalinen concat skaalautuvalle resoluutiolle). Prosessi: Kehota → temppuja → kohinanpoisto → dekoodaus. TI2I kaksoiskoodauksella muokkauksia varten.

Innovaatiot: Massiivinen dataputki (miljardeja pareja: luonto 55 %, suunnittelu 27 %, ihmiset 13 %, synteettinen 5 %; EN/CN-jaot). Opetussuunnitelman oppiminen tekstin hallintaan. MSRoPE (RoPE:ssä) 2D-kohdistukseen. Monitoiminen T2I/TI2I/I2I. SOTA GenEvalissa, tekstipenkit!

Vs. GPT-Image-1: Vastaa fotorealismia, murskaa kaksikielisen tekstin/monirivin, muokkauksen johdonmukaisuus (parempi tarkkuus objekteissa/asennoissa). Tämä on avoimen lähdekoodin vs. API:n reuna!

GPU infrapuna: ~24 Gt VRAM-muistia (20 B x 1.2 BF16:ssa). Päättely toimii sujuvasti yhdellä H100:lla. Testasimme Hyperbolicin On-Demand Cloud H100:lla hintaan 1.49 dollaria tunnissa yksinkertaisella python-skriptillä, joka on mukautettu virallisesta mallikortista interaktiiviseen Gradio-käyttöliittymään

Lue koko artikkelimme: Arkkitehtuurin yksityiskohdat, innovaatiot, vertailu, laskenta-analyysi, TÄYDELLINEN koodi ja käyttöönottovaiheet Gradiossa. Suorita Qwen-Image itse ja jaa kuvaluomuksesi kanssamme! Lue koko blogi: Vuokraa H100:t nyt Hyperbolicista hintaan 1.49 $/h:

Lue koko artikkelimme: Arkkitehtuurin yksityiskohdat, innovaatiot, vertailu, laskenta-analyysi, TÄYDELLINEN koodi ja käyttöönottovaiheet Gradiossa. Suorita Qwen-Image itse ja jaa kuvaluomuksesi kanssamme! Lue koko blogi: Vuokraa H100:t nyt Hyperbolicista hintaan 1.49 $/h: