通義万相 Qwen-Image 2.1 がオープンソース化：7B パラメータでなぜ Google と OpenAI に挑めるのか

9月20日、アリババの通義チームはひっそりと「小さな核弾頭」を放った——Qwen-Image 2.1。わずか70億パラメータのテキスト画像生成モデルながら、自社評価ではGoogleのNano Banana 2.0を上回り、OpenAIやMetaのクローズドソースモデルに見直しを迫った。ニュースが広がると、Bilibili、Zhihu、そして海外のHacker NewsやRedditが騒然となった。

なぜ「小さくて猛い」と言えるのか

画像生成モデルはここ数年、どんどん大型化している。クローズドソースのものは数十億から百億以上のパラメータが当たり前で、動かすにはプロ向けGPUが1枚必要だ。Qwen-Image 2.1は逆を行き、生成部分を7Bに圧縮した結果、自社のQwen-Image-Benchランキングで60.28点を獲得した。このスコアは全体ランキングでどのレベルか。GoogleのNano Banana 2.0は59.82点で、半歩差で抜かれている。オープンソース陣営で2位は美団のLongCat-Image（6B）だが、スコアは54点台前半にすぎない。つまり、現在ダウンロード可能な重みのモデルの中で最も強いということだ。

独立系第三者評価のAI Arenaの結論は、もう少し冷静だ。あちらではNano Banana 2.0が1260点、Qwen-Image 2.1は1228点、クローズドソースのGPT Image 2.5 Sunburstが1423点でトップに立つ。差はまだあるが、すでに「かかとを噛む」ほど小さい。オープンソースモデルにとって、この位置自体が勝利だ。

本当に役立つ3つの能力

第一はネイティブ透明背景。以前はステッカー、プリント定制、デザイン稿を作るとき、AI生成後にさらに切り抜きが必要だった。Qwen-Image 2.1はアルファチャンネル付きのRGBA画像を直接出力し、1つのモデルで生成と編集を同時にこなし、透明レイヤーも統合せずそのまま編集できる。文创やグッズ制作の人にとって、これだけで手間が大幅に減る。

第二は10枚の参照画像を同時編集。人物写真を入れて、さらに服の画像を数枚与えると、「この人がこれらの服を着ている」合成ができる。6枚の肖像を1枚の集合写真にまとめたり、10枚の家具画像を同じ部屋に組み込んだりもできる。BilibiliではすでにUP主が「人物一貫性＋着せ替え」を実演し、コメント欄は「自然すぎる」で埋まった。

第三は家庭用カードで動くほど軽量。RTX 4090で1メガピクセルの画像が約5秒、50シリーズGPUで25秒前後、RTX 3060＋64Gメモリで2K画像を50秒で1枚生成した人もいる。アリババ公式の最低構成は6G VRAMとされ、Bilibiliでは「ワンクリック統合パッケージ」のチュートリアルが続々登場している。

最も目を引くのは性能ではなくライセンス

コミュニティを本当に沸かせたのはライセンスだ。以前のQwen-ImageシリーズはApache 2.0で、商用自由だった。今回は「研究用途限定」のQwen Research Licenseに変わり、商用には別途アリババと相談が必要。RedditとHNでは議論が真っ二つで、後退だと感じる人もいれば、「重みを配って、画像は自由に使える」だけでも十分だという人もいる。

アリババ公式はすぐに一言で明確にした：モデルの重みは商用の再配布はできないが、それを使って生成した画像の著作権はあなたにあり、商用も問題ない。この区別は重要だ——ほとんどの、ただ画像を作りたいだけの人にとっては、影響は実はそれほど大きくない。

この出来事のより大きな意味

Qwen-Image 2.1は一つのことを証明した：アーキテクチャの蒸留とよりクリーンな学習データによって、小さいモデルは大きいモデルの画像生成水準に追いつける。BilibiliのUP主「爱分享的剑二十七」の動画タイトルは率直だ——「アリババがオープンソース化したAI描画モデル、その効果は有料ツールを軒並み圧倒」。やや誇張だが、方向は間違っていない。

1枚の画像が家庭用GPUで数秒で出るなら、毎月サブスク料を払うべきかは、すべてのクリエイターが計算し直すべき勘定になる。クローズドソース各社は今後、スピード、ワークフロー統合、マルチモーダル連携で、この金額に見合う価値を示さなければならず、「きれいに生成できる」だけでは済まなくなる。

一般人にとっての朗報は、オープンソース画像生成の天井が、今月また一段上がったことだ。