12月22日消息，天塌圖像阿里開源全新圖像生成模型Qwen-Image-Layered，阿里首次在模型內(nèi)實現(xiàn)PS級的開源圖層理解與圖像生成。
千問新模型采用自研創(chuàng)新架構(gòu)，全新可將圖片“拆解”成多個圖層，模型就像個專業(yè)設計師用Photoshop分層作圖修圖，天塌圖像可實現(xiàn)幾乎“零漂移”的阿里AI圖像精準編輯，徹底解決AI生圖的開源一致性難題，加速大模型在專業(yè)設計領域的全新現(xiàn)實落地。
Qwen-Image-Layered打破了主流視覺大模型的模型“扁平式思維”，模型通過“分層”和“補全”建立起對現(xiàn)實世界更準確的天塌圖像“物理式理解”，讓AI從平面的阿里“看圖說話”邁向真實的“空間重構(gòu)”。
在當前的開源視覺大模型領域，圖像一致性編輯始終是全新一個核心挑戰(zhàn)。AI生圖有創(chuàng)意但難編輯，模型主要是因為大模型對圖片的理解是扁平的，是一堆像素點緊密耦合在一起，而不能像人一樣感知出圖中物體的遠近、遮擋等物理關系。
因此，讓大模型生圖和編輯就像抽卡“開盲盒”：比如你想把畫里的貓往左挪10厘米，但AI完全不知道貓左挪后空出來的背景會有什么，只能再重新生成一次，貓和背景全都變了樣。
這種“牽一發(fā)而動全身”的隨機性，讓AI繪圖在追求極致精準的商業(yè)廣告設計、UI界面設計、影視后期處理等專業(yè)領域，始終只能作為一種參考，而無法真正取代專業(yè)工具。
Qwen-Image-Layered 的出現(xiàn)，意味著視覺大模型從“像素預測”轉(zhuǎn)向“結(jié)構(gòu)重組”。千問團隊自研了一種全新的RGBA-VAE編碼，在傳統(tǒng)的RGB圖像中引入代表透明度圖層的“Alpha通道”，讓模型有了圖層的概念。
同時新模型采用了創(chuàng)新的VLD-MMDiT架構(gòu)，配合獨特的“圖層級3D位置編碼”，讓AI自動“腦補”被遮擋部分的背景紋理，實現(xiàn)對圖層和空間的更深入理解和生成。
據(jù)了解，為訓練這種能力，千問團隊從海量的專業(yè)Photoshop（PSD）文件中提取真實圖層邏輯，讓AI從出生起就擁有專業(yè)設計師的“分層思維”。
Qwen-Image-Layered模型架構(gòu)圖
業(yè)內(nèi)人士指出，千問新模型將為創(chuàng)意產(chǎn)業(yè)帶來實質(zhì)性變革。AI生圖不再是死板一塊，而成為一個活生生的、可無限調(diào)整的素材庫。
圖片編輯也不再需要復雜精細的人工摳圖，而是AI原生地實現(xiàn)了“內(nèi)在可編輯性”，設計師、動畫和影視制作人員可在保持背景或主體完全不變的前提下，對特定圖層的構(gòu)件進行位移、縮放或重繪，顯著提升數(shù)字內(nèi)容創(chuàng)作的生產(chǎn)效率。
據(jù)了解，Qwen-Image-Layered已在魔搭社區(qū)和HuggingFace開源，開發(fā)者和企業(yè)可免費下載商用。
截至目前，阿里已開源近400個千問模型，全球下載量突破7億次，衍生模型數(shù)超18萬個，是全球第一的開源模型。通義大模型已服務超100萬家客戶，在中國企業(yè)級大模型調(diào)用市場中通義位居第一，是中國企業(yè)選擇最多的大模型。
