تصور کنید کیفیت بصری یک تصویر پیچیده را نه در ۴۰ مرحله، بلکه تنها در ۴ گام استنتاج (Inference) به دست آورید. اگر به دنبال کاهش هزینه‌های محاسباتی بدون افت کیفیت هستید، باید بدانید که علی‌بابا (Alibaba) همین حالا این معادله را حل کرده است.
صنعت تولید تصویر با چالشی همیشگی روبروست: توازن میان فشرده‌سازی داده‌ها و حفظ جزئیات. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های انتشار (Diffusion Models) دیدیم، افزایش سرعت معمولاً به قیمت افت کیفیت تمام می‌شود. این تلاش برای بهینه‌سازی کیفیت در عین کاهش پیچیدگی، یادآور رویکردهای مشابه در بهبود معیارهای بصری است؛ همان‌طور که در بررسی سازوکار DRoRAE و کاهش rFID در ImageNet مشاهده کردیم، تلفیق لایه‌ها می‌تواند تأثیر چشمگیری بر دقت بازسازی تصاویر داشته باشد. اما Qwen-Image-2.0 با یک چرخش فنی، این محدودیت را به چالش کشیده است.
به نقل از گزارش فنی این شرکت، مدل جدید از فشرده‌سازی فضایی ۱۶ برابری استفاده می‌کند؛ در حالی که مدل‌های متن‌بازی مانند FLUX.1-dev از فشرده‌سازی ۸ برابری بهره می‌برند. برای جلوگیری از تخریب جزئیات، تیم توسعه از اتصالات میان‌بر (Skip Connections) در کمپرسور استفاده کرده است تا ساختارهای معنایی تصویر حفظ شوند.
جزئیات فنی معماری این مدل شامل موارد زیر است:
- بهینه‌سازی VAE: حذف کامل تشخیص‌دهنده (Discriminator) برای افزایش پایداری در مقیاس بالا.
- پایداری ترنسفورمر: جایگزینی بلوک‌های پیش‌رو با SwiGLU برای جلوگیری از اشباع نورونی و فعال‌سازی‌های عظیم.
- شرطی‌سازی: ترکیب مدل چندوجهی Qwen3-VL به عنوان رمزگذار شرطی با یک ترنسفورمر انتشار چندوجهی.
برای پر کردن شکاف میان ورودی‌های مبهم کاربر و خروجی‌های پیچیده، علی‌بابا یک ماژول بالادستی بر پایه Qwen3.5-9B طراحی کرده است. طبق مستندات، این ماژول با روش «مهندسی معکوس» آموزش دیده است؛ به این معنا که توصیفات غنی را گرفته و به‌صورت سیستماتیک جزئیات را حذف کرده تا جفت‌های مصنوعی از پرامپت‌های کوتاه و بلند بسازد. این سازوکار اجازه می‌دهد مدل ورودی‌های تا ۱,۰۰۰ توکن را پردازش کرده و خروجی‌های متنی متراکم مانند اینفوگرافیک‌ها و کمیک‌ها را تولید کند.
از منظر فنی، این عرضه این فرض را می‌شکند که فشرده‌سازی تهاجمی VAE لزوماً کیفیت را نابود می‌کند. استفاده از یک خط لوله داده خود-اصلاح‌گر که خطاها را به‌طور خودکار به دسته‌های RL، دانش یا خطای ماژول پرامپت تقسیم می‌کند، نشان‌دهنده گذار به سمت رژیم‌های آموزشی بسته و خودکار است. در بنچمارک داخلی LMArena، این مدل بیشترین برتری خود را در تولید پرتره‌ها نشان داده است.
تا ۲۲ آوریل ۲۰۲۶، نسخه Pro این مدل در رتبه نهم جدول LMArena قرار دارد و تنها با سیستم‌های بسته OpenAI و گوگل فاصله دارد. اگرچه هنوز وزن‌های باز (Open Weights) منتشر نشده‌اند، اما جامعه متن‌باز منتظر انتشار احتمالی تحت لایسنس Apache 2.0 است.
گام بعدی شما
- رصد انتشار وزن‌های مدل برای تست محلی روی سخت‌افزارهای محدود.
- بررسی قابلیت‌های تولید اینفوگرافیک با استفاده از پرامپت‌های طولانی (تا ۱,۰۰۰ توکن).
- مقایسه کیفیت پرتره‌های Qwen-Image-2.0 با مدل‌های رقیب در LMArena.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو