Qwen-Image-2.1 असली अल्फ़ा चैनल वाले स्प्राइट बनाता है, लेकिन इसका लाइसेंस केवल गैर-व्यावसायिक उपयोग की अनुमति देता है
Alibaba की Qwen टीम ने 20 सितंबर को बिना किसी मुख्य प्रस्तुति और लगभग बिना किसी ब्लॉग पोस्ट के Qwen-Image-2.1 को Hugging Face और ModelScope पर उपलब्ध करा दिया। यह टेक्स्ट-टू-इमेज और इमेज एडिटिंग के लिए एक ही मॉडल है, जिसके विज़ुअल जेनरेशन घटक में 7B पैरामीटर हैं। गेम के लिए इसे दिलचस्प बनाने वाली विशेषता यह है कि यह असली अल्फ़ा चैनल वाली इमेज बनाता है। स्टिकर, प्रॉप या किसी किरदार का कटआउट माँगने पर आपको RGBA मिलता है, न कि सफ़ेद बैकग्राउंड पर कोई विषय, जिसे बाद में मैट करके अलग करना पड़े। मॉडल कार्ड, GitHub।
रिलीज़ के उदाहरणों से दो RGBA आउटपुट, जिन्हें चेकर्ड बैकग्राउंड पर रखा गया है। इमेज: Qwen टीम, Alibaba।
यह क्या करता है
यह मॉडल वे तीन काम संभालता है जिनके लिए पहले तीन अलग-अलग टूल चाहिए होते थे। यह टेक्स्ट से सामान्य या पारदर्शी इमेज बनाता है। यह एडिटिंग करता है—अधिकतम दस संदर्भ इमेज के साथ, ताकि आप अलग-अलग शॉट्स में किसी किरदार या उत्पाद को एक जैसा रख सकें—और किसी हिस्से के चारों ओर घेरा बनाकर, उस पर पेंट करके या मास्क देकर स्थानीय बदलाव निर्दिष्ट कर सकते हैं। यह एक्सट्रैक्ट भी करता है: इसे कोई फ़ोटो दें और विषय को पारदर्शी लेयर के रूप में निकालने को कहें, तो यह पहले से मौजूद अल्फ़ा के साथ कटआउट लौटाता है।
आउटपुट नेटिव 2K है। डिफ़ॉल्ट वर्गाकार आकार 2048 गुणा 2048 है और 16:9 प्रीसेट 2752 गुणा 1536 है; इसे अपस्केल करने के बजाय उसी आकार में जेनरेट किया जाता है। Qwen टीम के अनुसार, मिश्रित-ग्रैन्युलैरिटी अटेंशन स्कीम और प्रीफ़िक्स KV कैश के पुनः उपयोग के कारण इस रिज़ॉल्यूशन पर इन्फ़रेंस लागत कम रहती है। ComfyUI ने पहले ही दिन सपोर्ट जारी कर दिया और बताया कि यह मॉडल उपभोक्ता ग्राफ़िक्स कार्ड पर आराम से चल जाता है। The Decoder के अनुसार यह RTX 3090 पर चल रहा है। पारदर्शी आउटपुट के लिए सुझाया गया प्रॉम्प्ट बिल्कुल सीधा है: आप सामान्य टेक्स्ट में मॉडल को बताते हैं कि यह अल्फ़ा चैनल और पारदर्शी बैकग्राउंड वाली RGBA इमेज है, और वह वैसा ही करता है। ComfyUI ब्लॉग, The Decoder।
बेंचमार्क और उसमें बरती जाने वाली सावधानी
README का एकमात्र चार्ट Qwen टीम के अपने समग्र स्कोर के आधार पर 30 इमेज मॉडल की रैंकिंग करता है। Qwen-Image-2.1 को 60.28 स्कोर के साथ सातवाँ स्थान मिला है। इससे आगे GPT Image 2.5, GPT Image 2, Grok Imagine 2.0, Qwen का क्लोज़्ड Image 3 Pro, Meta का Muse Image और Microsoft का MAI Image 2.5 Pro हैं; जबकि Nano Banana 2.0 और हर Seedream इससे पीछे है। चार्ट वास्तव में दूसरी पंक्ति के ज़रिए अपनी बात रखता है: इससे ऊपर मौजूद क्लोज़्ड मॉडल अपने पैरामीटर की संख्या प्रकाशित नहीं करते, जबकि इसके नीचे मौजूद खुले मॉडल बहुत बड़े हैं। FLUX 2 Max और Pro 32B हैं, Qwen-Image-2512 20B है और Hunyuan Image 3.0 80B है। दावा यह है कि 7B मॉडल ने इन सभी से बेहतर स्कोर किया।
यह विक्रेता का बेंचमार्क है, स्कोर भी विक्रेता ने दिया है और पैमाना भी उसी ने बनाया है, इसलिए इसे सामान्य सावधानी के साथ देखना चाहिए। उदाहरणों से हम इतना कह सकते हैं कि टेक्स्ट रेंडरिंग और कई संदर्भों वाली कंपोज़िशन उतनी ही अच्छी दिखती हैं जितना चार्ट संकेत देता है, और पारदर्शिता असली है: रिलीज़ नमूनों में अल्फ़ा किनारे लगभग सफ़ेद पिक्सेल के प्रभामंडल जैसे दिखने के बजाय साफ़ हैं।
README का चार्ट: ऊपर स्कोर, नीचे पैरामीटर की संख्या और उन मॉडल पर ताले जो इसका खुलासा नहीं करते। इमेज: Qwen टीम, Alibaba।
इस पर कुछ बनाने से पहले लाइसेंस पढ़ें
अगस्त 2025 में आया पहला Qwen-Image, Apache 2.0 के अंतर्गत जारी हुआ था। यह संस्करण रिलीज़ वाले दिन की तारीख़ वाले Qwen Research License Agreement के अंतर्गत आता है, जो केवल गैर-व्यावसायिक उद्देश्यों के लिए उपयोग की अनुमति देता है और व्यावसायिक उपयोगकर्ताओं को अलग से तय किए जाने वाले लाइसेंस की ओर भेजता है। वेट्स खुले हैं, हाँ। लेकिन आपके गेम की एसेट पाइपलाइन के लिए खुले नहीं हैं—जब तक आपका गेम कोई शौकिया प्रोजेक्ट न हो या आप अलग लाइसेंस न ले लें।
यह बात इस मॉडल के लिए अधिकांश मॉडलों से अधिक मायने रखती है, क्योंकि इसकी सबसे अच्छी विशेषता प्रोडक्शन से जुड़ी है। पारदर्शी स्प्राइट, आइकन और कटआउट वे चीज़ें हैं जिन्हें आप रिलीज़ करते हैं, न कि केवल प्रयोग में इस्तेमाल करते हैं। यदि कोई स्टूडियो Hugging Face डाउनलोड देखकर इसे अपनी पाइपलाइन में जोड़ ले और लॉन्च के समय लाइसेंस के बारे में पता चले, तो उसके सामने समस्या खड़ी हो जाएगी।
यह हमारे लिए क्यों मायने रखता है
हमारे क्रिएटर सबसे अधिक स्प्राइट और UI आर्ट की माँग करते हैं, और अल्फ़ा चैनल वह जगह है जहाँ हर सामान्य-उद्देश्य वाला इमेज मॉडल उन्हें निराश करता आया है। हमारा इमेज टूल Flux पर चलता है, जो किसी विषय को बैकग्राउंड पर बनाता है। इसके बाद होने वाला बैकग्राउंड रिमूवल ही वह चरण है जो बाल, आग और काँच के किनारों पर झालर पैदा करता है और बारीकियाँ खो देता है। जो मॉडल शुरुआत से ही अल्फ़ा जेनरेट करता है, वह इस चरण को हटा देता है और रिलीज़ नमूनों से लगता है कि यह काम अच्छी तरह करता है।
हम इसे आपके लिए होस्ट नहीं कर सकते। इसका लाइसेंस इसे सशुल्क सेवा के रूप में चलाने की अनुमति नहीं देता, और व्यावसायिक उपयोग पर रोक लगाने वाला रिसर्च लाइसेंस इसके आउटपुट को आपके बेचे जाने वाले गेम में शामिल करने की अनुमति भी नहीं देता। इसलिए ईमानदार सलाह वही है जो हम हर मॉडल रिलीज़ के लिए देते हैं: यह तकनीक फैलेगी और अनुमति देने वाले लाइसेंस के साथ आने वाले अगले खुले इमेज मॉडल में भी नेटिव RGBA होने की बहुत संभावना है, क्योंकि Qwen ने अभी दिखा दिया है कि यह 7B पर काम करता है। तब तक, हमारी स्प्राइट और टाइलसेट गाइड उन स्रोतों के बारे में बताती है जिन्हें आप आज अपने गेम में रिलीज़ कर सकते हैं, और गेम एसेट लाइसेंस गाइड समझाती है कि “ओपन वेट्स” और “उपयोग के लिए मुफ़्त” एक ही बात क्यों नहीं हैं।