تولید برق‌آسای عکس با هوش مصنوعی جدید علی‌بابا؛ مدل Qwen-Image-2.1-Turbo فقط با ۸ گام تصویر می‌سازد!

مدل Qwen-Image-2.1-Turbo؛ کاهش مراحل ساخت تصویر از ۴۰ به فقط ۸ گام

تیم هوش مصنوعی Qwen در علی‌بابا از چک‌پوینت جدید و وزن‌باز Qwen-Image-2.1-Turbo برای تبدیل متن به تصویر و ویرایش تصاویر رونمایی کرد. این مدل تازه بدون دستکاری معماری پایه ۷ میلیارد پارامتری، مراحل پیش‌فرض نویززدایی را از ۴۰ گام به تنها ۸ گام رسانده است. وزن‌های مدل و همچنین دسترسی به API آن در سرویس ابری علی‌بابا (Alibaba Cloud Model Studio) به‌صورت هم‌زمان در دسترس عموم قرار گرفته‌اند.

• فرآیند نمونه‌برداری (Sampling): ۸ گام نویززدایی (کاهش چشمگیر از ۴۰ گام)
• معماری مدل: ترنسفورمر دیفیوژن (DiT) با ۷ میلیارد پارامتر و ۳۲ لایه
• کاربردها: تولید تصویر از روی متن و ویرایش حرفه‌ای تصویر
• نحوه دسترسی: امکان دانلود مستقیم وزن‌های مدل یا استفاده از APIهای Pro و Turbo
• هزینه سرویس ابری: ۰.۰۱۶ دلار به ازای تولید هر تصویر در نسخه Turbo

تنها هشت گام روی همان معماری پایه و قدرتمند

نسخه توربو همچنان از ساختار ترنسفورمر دیفیوژن تک‌جریانی (Single-stream DiT) مدل Qwen-Image-2.1 بهره می‌برد. در این مدل، توکن‌های متنی و بصری در قالب یک توالی واحد پردازش می‌شوند و مکانیزم توجه علیِ بلوکی (Block-causal Attention) جریان تبادل اطلاعات میان بلوک‌های توکن را مدیریت می‌کند. به این ترتیب، علی‌بابا بدون نیاز به خلق یک خانواده کاملاً جدید از مدل‌ها، صرفاً با بازطراحی چک‌پوینت و مسیر نمونه‌برداری به این سرعت بالا دست یافته است.

این مسیر سریع ۸ مرحله‌ای با ترکیب یک جدول زمان‌بندی سیگما (Sigma Schedule) اختصاصی، تنظیم مقدار هدایت بدون کلاسیفایر (Classifier-Free Guidance) روی عدد ۱، و بهره‌گیری از کش کلید-مقدار پیشوند (Prefix KV Caching) کار می‌کند. با تنظیم عدد هدایت روی ۱، پیش‌بینی شرطی اضافه به‌طور کامل حذف می‌شود. از طرفی، قابلیت کش پیشوند نیز وضعیت توجه متن ثابت و تصویر مرجع را در تمام گام‌های نویززدایی بازیافت می‌کند و با کمی مصرف رم بیشتر، حجم عظیمی از محاسبات تکراری را دور می‌زند.

این زمان‌بندی کوتاه‌تر به معنای کاهش ۸۰ درصدی تکرارهای نویززدایی است؛ هرچند زمان تأخیر نهایی برای هر کاربر ممکن است متغیر باشد، چرا که مراحلی مانند انکود کردن پرامپت، دیکود کردن تصویر، انتقال حافظه، رزولوشن خروجی و سخت‌افزار مورد استفاده همچنان بخشی از روند پردازش هر درخواست را تشکیل می‌دهند.

پیش‌نیاز اجرا: نصب پشتیبانی از اسکژولر جدید

برای اجرای محلی این مدل در حال حاضر به بیلد خاصی از کتابخانه Diffusers نیاز دارید که شامل پول‌ریکوئست ۱۴۹۵۰ کتابخانه Diffusers باشد؛ تغییری که پشتیبانی از نمونه‌برداری سیگماهای ذخیره‌شده در کانفیگ پایپ‌لاین را اضافه می‌کند. این کد در حال حاضر در سورس اصلی گیت‌هاب این مخزن قرار دارد و هنوز وارد نسخه پایدار و تگ‌شده رسمی نشده است.