Alibaba выпустила модель, которая уточняет просьбы о правке картинок

Вместе с моделью для картинок Qwen-Image-2.1 Alibaba выложила на Hugging Face вспомогательную модель на 9 млрд параметров. Она превращает расплывчатую просьбу о правке изображения в точный подробный запрос.

Почему это важно: пользователь может описать правку в общих словах, а подробную инструкцию для Qwen-Image-2.1 составит отдельная модель, которую можно скачать.

Детали: модель называется Qwen-Image-2.1-PE-I2I. Это дообученная Qwen3.5-VL 9B — модель Alibaba, которая понимает и текст, и изображения. На вход она получает инструкцию и одну или несколько исходных картинок.

Как это работает: сначала модель рассуждает над задачей, потом выдаёт ответ в формате JSON:

• В ответе есть развёрнутый запрос, который затем передаётся в Qwen-Image-2.1 для правки.
• Если правка создаёт новую композицию, модель сама выбирает пропорции кадра, например 16:9.
• Если картинку правят на месте, пропорции кадра наследуются от одной из входных картинок.

Предыстория: саму Qwen-Image-2.1 Alibaba открыла 20 сентября. В её генерирующей части 7 млрд параметров. Модель рисует картинки с прозрачным фоном и правит изображение сразу по десяти образцам.

Но: обе модели вышли под лицензией Qwen Research License. Она разрешает использовать их только для исследований и оценки, а для коммерческого использования нужна отдельная лицензия от Alibaba Cloud. Замеров того, насколько переписанные запросы улучшают правку, Alibaba не приводит.