Модель Alibaba расписывает короткие запросы к Qwen-Image-2.1 по-английски

Alibaba выложила на Hugging Face Qwen-Image-2.1-PE-T2I. Модель берёт короткую просьбу нарисовать картинку на любом языке и превращает её в подробный английский запрос для генератора Qwen-Image-2.1.

Почему это важно: пользователю не нужно самому сочинять длинное описание кадра по-английски: модель делает это за него и заодно советует, в каких пропорциях рисовать.

Детали: это дообученная Qwen3.5-VL на 9 млрд параметров, её можно запустить через библиотеки Transformers и Diffusers. Пример из карточки модели — просьба на китайском нарисовать корги, который играет на гитаре под дождём.

Как это работает: модель сначала рассуждает, а потом выдаёт ответ в формате JSON из двух частей:

• В поле rewritten_prompt лежит расширенный английский запрос, который потом передают генератору картинок.
• В поле wh_ratio модель указывает рекомендуемое соотношение сторон кадра, например 16:9.

Но: модель выпущена под лицензией Qwen Research License Agreement, которая рассчитана на исследования, а не на коммерческое применение.

Предыстория: 20 сентября Alibaba открыла веса Qwen-Image-2.1. Эта модель и рисует по тексту, и правит готовые картинки, а в её генерирующей части 7 млрд параметров.

Подробнее: в тот же день Alibaba выложила парную модель Qwen-Image-2.1-PE-I2I. Она так же подробно расписывает просьбы, но о правке готовых изображений.