حذف محدودیت‌های مدل تصویری Qwen؛ اجرای بی‌دردسر روی لپ‌تاپ‌های ۱۶ گیگابایتی!

نسخه بدون محدودیت GGUF برای انکودر Qwen-Image 2.1

یک پورت غیررسمی از انکودر متنی مدل Qwen-Image 2.1 که توسط جامعه کاربری توسعه داده شده، به صدر جدول محبوب‌ترین‌های هاگینگ فیس (Hugging Face) رسیده و تا کنون بیش از ۱۴۵ هزار بار دانلود شده است. این مخزن وزن‌های دستکاری‌شده و بدون فیلتر (Refusal-Ablated) را در قالب فرمت‌های GGUF، FP8 و bf16 ارائه می‌دهد. اگر این انکودر با بخش‌های سازگار DiT و VAE ترکیب شود، به توسعه‌دهندگان اجازه می‌دهد تا کل خط لوله ساخت تصویر را به صورت کاملاً محلی روی کارت‌های گرافیک معمولی خانگی و تراشه‌های اپل سیلیکون اجرا کنند. البته شمارنده هاگینگ فیس دانلودهای تکراری و خودکار را هم ثبت می‌کند، بنابراین این آمار لزوماً نشان‌دهنده تعداد کاربران منحصربه‌فرد نیست.

مدل Qwen-Image 2.1 از مدل زیربنایی Qwen/Qwen3-VL-8B-Instruct برای تبدیل پرامپت‌های متنی و تصاویر ورودی به داده‌های راهنما جهت خلق تصاویر بهره می‌برد. در این نسخه اصلاح‌شده، ماتریس‌های پروجکشن داخل این انکودر دستکاری شده‌اند. با این حال ترنسفورمر دیفیوژن که لایه‌های نهفته تصویر را می‌سازد و همچنین بخش VAE که آن‌ها را به پیکسل‌های نهایی تبدیل می‌کند، همان وزن‌های اصلی و رسمی شرکت را حفظ کرده‌اند. این انکودر به راحتی جایگزین نسخه پیش‌فرض می‌شود، هرچند برای اجرای فرمت GGUF در ابزار ComfyUI باید پچ سازگاری اختصاصی آن را نصب کنید.

خط قرمزها و رفتار امتناع مدل چگونه حذف شدند؟

در این فرآیند از ابزاری به نام Heretic استفاده شده است؛ ابزاری برای ابلیشن جهت‌دار که بردار فعال‌سازی مربوط به امتناع و رد درخواست‌ها را شناسایی کرده و آن را از وزن‌های مشخص کم می‌کند. این تغییر دقیقاً ماتریس‌های o_proj و down_proj را در انکودر هدف گرفته که تنظیمات پیش‌فرض Heretic برای این سبک معماری به شمار می‌آیند.

البته ارزیابی‌های منتشرشده فعلاً محدود بوده و تست‌ها با تعداد نمونه‌های متفاوتی انجام شده‌اند. نتایج به‌دست‌آمده فقط پرامپت‌های فهرست‌شده در تست را پوشش می‌دهند و تضمینی برای ایمنی عمومی، حفظ کیفیت عادی در تمام کاربردها یا کیفیت نهایی تصاویر تولیدی ارائه نمی‌کنند.