Qwen-Image：アリババが無料のオープンウェイトAI画像モデルをリリース

アリババのQwenチームは、ネイティブのテキストレンダリング機能を組み込むように設計された新しい画像生成モデル「Qwen-Image」を発表しました。このリリースにより、Qwen-ImageはGPT-4.1、DALL-E 2、Midjourneyなどの確立されたモデルに対する直接的な挑戦者として位置づけられ、特筆すべきは、その機能を無料で一般公開している点です。

Qwen-Imageは、200億パラメータのマルチモーダル拡散トランスフォーマー（MMDiT）基盤モデルです。オープンウェイトのテキスト-画像生成モデルとして、現在、Artificial Analysis Image Arenaのリーダーボードで5位に位置しており、トップ10にランクインしている唯一のオープンウェイトモデルです。

このモデルの運用アプローチは、OpenAIのGPT-4oなどのモデルに見られる技術を反映しています。画像生成と編集の両方に自己回帰型トランスフォーマーアーキテクチャを採用し、二重エンコーディングプロセスを利用しています。まず、Qwen2.5-VLコンポーネントがユーザーのプロンプトのセマンティックな意味をエンコードします。その後、MMDiT拡散モデルを使用して、抽象的な中間表現である潜在空間で画像生成が行われます。最後に、VAEエンコーダーがこの潜在表現を高品質の最終画像に変換します。

Qwen-Imageの主な特徴：

• 強化されたテキスト組み込み： Qwen-Imageは、複数行のレイアウト、段落、きめ細かい詳細を含む複雑なテキストの統合に熟練しています。英語のようなアルファベット言語と、中国語のような表意文字言語の両方で一貫したパフォーマンスを発揮します。

• 効率的な画像編集： このモデルは堅牢な画像編集機能を提供し、元の画像のセマンティックおよび視覚的な整合性を保ちながら、新しい変更をシームレスに組み込みます。

• 使いやすさ： ユーザーのアクセシビリティを考慮して設計されたQwen-Imageは、シンプルなプロンプトにも効果的に応答します。

これらの特徴は、ベンチマーク性能と相まって、Qwen-Imageが画像生成分野における手ごわい競争相手となる可能性を強調しています。

Qwen-Imageへのアクセス：

Qwen-Imageモデルは、chat.qwen.aiのQwen Chatインターフェースを介してアクセスできます。ユーザーは非コーディングモデルを選択し、テキストボックスの下にある「画像生成」オプションを有効にしてプロンプトの入力を開始できます。さらに、このモデルはGithub、Hugging Face、Modelscopeなどのプラットフォームからも利用可能です。

パフォーマンスとユーザーエクスペリエンス：

Qwen-Imageの初期評価は、その強みと開発の余地がある領域を浮き彫りにしています。実際のテストでは：

• テキストを多用する画像生成（ウェブページデザイン）： モデルはプロンプトの本質をうまく捉え、要求されたテキストの大部分を組み込みました。しかし、単語の不完全さや特定の要求された用語の省略など、軽微な問題が指摘されました。選択された配色はおおむね好評でした。

• インフォグラフィック作成（フローチャート）： このタスクでは、テキストの欠落または曖昧さ、アイコンの向きの乱れ、全体的なフローの視覚的な明瞭さの欠如など、限界が明らかになりました。

• 画像編集： Qwen-Imageは画像編集において卓越した性能を発揮し、夜から昼への照明変更、衣服の変更、オブジェクトの置き換えなど、複雑な変更を正確に適用しました。軽微な異常として、昼間変換編集中に月が見えるままで、雲のような形に再レンダリングされました。編集は迅速に処理されました。

全体的に、Qwen-Imageの画像編集機能は特に強力です。複雑なテキストを多用する画像や詳細なインフォグラフィックの生成におけるその性能は、特に主要な競合他社と比較した場合、改善の余地があることを示しています。注目すべき使いやすさの機能は、テキストボックスから直接特定のフレームサイズを選択できることです。これは、さまざまなプラットフォームで正確な画像寸法を必要とするコンテンツクリエイターにとって有益です。

ベンチマーク性能：

Qwenチームが公開したデータによると：

• 画像生成および編集ベンチマーク： Qwen-Imageは、ほとんどの画像生成および編集ベンチマークでトップモデルをリードするか、同等の性能を発揮しています。GPT-4.1とSeedream3.0は競合が近く、いくつかの領域でQwen-Imageのスコアと同等ですが、FLUX.1モデルは一般的に遅れをとっています。

• テキストレンダリングベンチマーク： Qwen-Imageは、中国語テキストレンダリングにおいて強力なリードを示し、英語でも立派な性能を発揮しています。GPT4.1は、さまざまなベンチマークでQwen-Imageを上回るか同等であり、Seedream 3.0は、中国語と英語の両方のテキストレンダリングでQwen-Imageに遅れをとっています。

結論：

アリババのQwenモデルがテキストおよびコーディングタスクで優位性を確立している一方で、Qwen-Imageも画像生成の分野で同様の可能性を示しています。プロンプトには従いますが、非常に大規模または複雑なコンテキストでは苦労することがあります。オープンウェイトモデルとしてのリリースは、オープンソースコミュニティへの重要な貢献であり、高コストのプロプライエタリモデルと競争することを可能にします。ユーザーと開発者の採用が増加するにつれて、Qwen-Imageは画像生成分析ランキングでさらに進歩し、AI画像モデルの競争環境における地位を固めることが期待されます。