Unslothは、Qwenシリーズの画像生成基盤モデルQwen/Qwen-ImageをGGUF形式に量子化したunsloth/Qwen-Image-GGUFをHugging Faceで公開しました。量子化にはUnsloth Dynamic 2.0の手法を使い、重要なレイヤーをより高い精度へアップキャストしています。
Unslothは、AIモデルの実行・学習のためのツール群で、量子化形式への出力にも対応しています。GGUFはGGMLプロジェクトが仕様を公開している、推論用モデルを保存するバイナリ形式です。
何が新しいか
量子化元のQwen-Imageは2025.08.04に重みと技術レポートが公開されたモデルで、Hugging FaceとModelScopeで配布されています。unsloth/Qwen-Image-GGUFはそのGGUF量子化版で、pipeline_tagはtext-to-image、ライセンスはapache-2.0です。Unslothは、Dynamic 2.0の手法によりSOTAの性能を狙うと説明しています。
対応解像度とサンプル設定
モデルカードのサンプルコードは、次の7種類のアスペクト比と解像度を定義しています。
| アスペクト比 | 解像度 |
|---|---|
| 1:1 | 1328×1328 |
| 16:9 | 1664×928 |
| 9:16 | 928×1664 |
| 4:3 | 1472×1140 |
| 3:4 | 1140×1472 |
| 3:2 | 1584×1056 |
| 2:3 | 1056×1584 |
サンプルは16:9で生成し、num_inference_steps=50、true_cfg_scale=4.0、シード42を指定しています。英語プロンプトには「, Ultra HD, 4K, cinematic composition.」、中国語プロンプトには「, 超清，4K，电影级构图.」を末尾に付け加え、negative_promptは空白1文字の文字列にしています。
試し方
まず最新のdiffusersをインストールします。
pip install git+https://github.com/huggingface/diffusers
サンプルコードはDiffusionPipeline.from_pretrained(model_name, torch_dtype=torch_dtype)でパイプラインを読み込みます。原文のコードではmodel_nameが"Qwen/Qwen-Image"になっています。torch.cuda.is_available()が真ならbfloat16とcudaを、偽ならfloat32とcpuを使います。生成時はwidth、height、num_inference_steps、true_cfg_scale、generatorを指定し、結果をimage.save("example.png")で保存します。
Qwen-Imageの特徴
Qwen-Imageは、複雑な文字の描画と精密な画像編集の性能向上を特徴とする画像生成基盤モデルです。英語や中国語などの文字を画像内に統合して描画でき、原文は特に中国語の文字描画の性能を強調しています。画像生成では写実、印象派、アニメ、ミニマルデザインなどのスタイルに対応します。画像編集ではスタイル変換、物体の追加・削除、ディテール強化、画像内テキストの編集、人の姿勢操作が可能だと説明しています。
まだコメントはありません。