Qwen-Image-2.1、透明をネイティブ生成

Qwen-Image-2.1は2026年9月20日に登場した。公開資料から見えてくる面白さは新しいベンチマークスコアではなく、透明性がモデルのどこに位置するかにある。VAE設定には「in_channels」：4と「out_channels」：4が記載され、潜在表現は64チャネルで空間圧縮は16倍だ。本文はさらにMixed-Granularity Attention設計にも触れており、テキストと条件画像のトークンは固定のt=0を取る一方、生成ターゲットは現在のタイムステップを使う。これによりデフォルトの40推論ステップを通じて参照側の計算をキャッシュできる。

記事はこれを、透明性に関する別の伝統と対比させている。BiRefNetのようなマスク推定モデルは前景マスクを推定し、putalphaで元のピクセルに適用するため、デコードされたRGBが残る。4チャネルVAEは代わりに色とアルファを一緒に生成する。これはアセットがまだ存在しない場合には有用だが、既存の写真を忠実に保つこととは同じではない。著者はマスク作業にも当てはまる限界も指摘する。写真はすでに輪郭に背景色が混ざっていることがあるため、RGBを正確に保つこととエッジの色にじみを除去することを無条件に同時に求めることはできない。

これがアセットパイプラインを変えるかどうかは、画質よりもライセンスとメモリにかかっていそうだ。公開重みはQwen Research Licenseの下にあり、商用利用には別ライセンスが必要で、7Bという数字は生成トランスフォーマー単体に当てはまる。Qwen3-VL 8BテキストエンコーダとVAEも同時にロードされるためだ。切り替えを検討するチームは目標解像度でのピークメモリを判断する必要があり、本文はキャッシュ設計による速度倍率は測定なしには述べられないと警告している。