Qwen Image Flash — โมเดลสร้างภาพ 4 สเต็ปจาก Alibaba ที่ Nvidia จูนต่อให้ ใช้เชิงพาณิชย์ได้

Qwen คือทีมวิจัย AI ของ Alibaba ที่ปล่อยโมเดลแบบเปิดออกมาต่อเนื่อง Qwen Image Flash เป็นเวอร์ชัน "กลั่น" (distill) ของโมเดลภาพตัวเต็ม ให้ทำงานเดิมได้ในจำนวนสเต็ปที่น้อยลงมาก ภาพหนึ่งใบที่ปกติต้องผ่านการไล่ลดสัญญาณรบกวน (denoising) 20–50 รอบ ตัวนี้ทำได้ในแค่ 4 รอบ นึกภาพเหมือนเตาอบด่วนที่ได้เค้กหน้าตาเดิมแต่ใช้เวลาน้อยลงมาก

ที่น่าสนใจคือ Nvidia เข้ามาปรับต่ออีกชั้น แล้วปล่อยเวอร์ชันของตัวเองบน Hugging Face โดยใช้เทคนิคชื่อ DMD2 (distribution matching distillation) การที่ Nvidia ยอมออกแรงจูนและปล่อยแบบเป็นทางการถือเป็นสัญญาณว่าโมเดลนี้เอาจริง

ตัว transformer หลักของโมเดลอยู่ราว 20 พันล้านพารามิเตอร์ (นับรวมทั้ง pipeline กับ text encoder และ VAE จะราว 28–29 พันล้าน) ต้องเข้าใจว่าการเหลือ 4 สเต็ปช่วยลดจำนวนรอบประมวลผล แต่ไม่ได้ลดขนาดโมเดลหรือความต้องการหน่วยความจำ ฉะนั้นยังต้องมีการ์ดจอที่แรงพอจึงจะรันได้ลื่น

จุดขายที่ชัดที่สุดคือเรื่องตัวหนังสือในภาพ ผลทดสอบจากหลายสำนักชี้ว่านี่คือโมเดลรันในเครื่องที่ใส่ข้อความให้อ่านออกได้ดีที่สุดในตอนนี้ ส่วนงานภาพเหมือนจริงยังเป็นรองบางเจ้า และงานสายศิลป์/อารมณ์ภาพก็ยังมีเจ้าอื่นนำอยู่ แต่ถ้าโจทย์คือโปสเตอร์ thumbnail สไลด์ หรืออินโฟกราฟิกที่ต้องมีตัวอักษรคมชัด ตัวนี้ตอบโจทย์

ฟันธง: "ลอง" ถ้าคุณทำงานคอนเทนต์ที่ต้องปั้นภาพบ่อย ๆ อย่าง thumbnail แบนเนอร์ กราฟิกโซเชียล หรือสไลด์ที่มีตัวหนังสือ การมีโมเดลที่เร็วพอจะลองสิบครั้งในเวลาที่เดิมทำได้ครั้งเดียว เปลี่ยนจังหวะการทำงานไปเลย บวกกับใบอนุญาต Apache 2.0 ที่ให้ใช้เชิงพาณิชย์ได้ ทำให้เอาไปใช้กับงานลูกค้าได้สบายใจขึ้น

จุดที่ต้องระวังคือเรื่องเครื่อง การเหลือ 4 สเต็ปไม่ได้แปลว่ารันบนโน้ตบุ๊กได้ทุกเครื่อง ยังต้องมี GPU ที่แรงและแรมพอ ถ้าเครื่องไม่ไหวก็ยังเรียกผ่านผู้ให้บริการโฮสต์ได้ ต่อยอดได้ด้วยการเสียบเข้า workflow ทำภาพอัตโนมัติของทีม ให้ agent เรียกใช้ตอนต้องปั้นกราฟิกประกอบคอนเทนต์ แล้วมี Human Gate ให้คนตรวจก่อนเผยแพร่จริงทุกครั้ง