Alibaba Qwen-Image-2.1-Turbo: โมเดลสร้างภาพ 7B 8 ขั้นตอน
Alibaba Qwen เปิดตัว Qwen-Image-2.1-Turbo โมเดลสร้างและแก้ไขภาพ 7B ที่ลดขั้นตอนลดสัญญาณรบกวนเหลือเพียง 8 ขั้นตอน เร็วขึ้น 5 เท่า พร้อมเปิดให้ใช้งานผ่าน API
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- Alibaba เปิดตัว Qwen-Image-2.1-Turbo โมเดลสร้างและแก้ไขภาพเวอร์ชันเร่งความเร็ว
- ลดขั้นตอนการลดสัญญาณรบกวน (denoising steps) จากเดิม 40 ขั้นตอน เหลือเพียง 8 ขั้นตอน
- ยังคงใช้สถาปัตยกรรมขนาด 7 พันล้านพารามิเตอร์ (7B) แบบเดียวกับรุ่นพื้นฐาน
- ให้บริการทั้งในรูปแบบโอเพนซอร์สและตัวเลือก API สำหรับนักพัฒนาโดยเฉพาะ
ทีมนักพัฒนา Qwen จาก Alibaba สร้างความฮือฮาให้กับวงการปัญญาประดิษฐ์อีกครั้งด้วยการประกาศเปิดตัว Qwen-Image-2.1-Turbo ซึ่งเป็นโมเดลสำหรับสร้างและแก้ไขรูปภาพรุ่นใหม่ที่ได้รับการปรับแต่งให้มีความเร็วสูงขึ้นอย่างก้าวกระโดด โดยพัฒนาต่อยอดมาจากโมเดลพื้นฐาน Qwen-Image-2.1 ที่เปิดให้ใช้งานแบบเปิดน้ำหนัก (open-weight) ก่อนหน้านี้
จุดเด่นสำคัญของโมเดลเทอร์โบตัวนี้คือการตัดทอนขั้นตอนการทำงานที่ซับซ้อนออกไป โดยสามารถสร้างผลลัพธ์ภาพที่มีคุณภาพสูงได้ภายในระยะเวลาอันสั้นผ่านกระบวนการประมวลผลที่ลดลงอย่างเห็นได้ชัด ซึ่งช่วยตอบโจทย์กลุ่มนักพัฒนาที่ต้องการความรวดเร็วในการทำงานจริงมากยิ่งขึ้น
ในแง่ของประสิทธิภาพเชิงเทคนิค Qwen-Image-2.1-Turbo สามารถทำงานเสร็จสิ้นได้ด้วยกระบวนการลดสัญญาณรบกวน (denoising steps) เพียง 8 ขั้นตอนเท่านั้น เมื่อเทียบกับค่าเริ่มต้นมาตรฐานจำนวน 40 ขั้นตอนของรุ่นพื้นฐานดั้งเดิม การเปลี่ยนแปลงครั้งนี้ทำให้นักพัฒนาประหยัดขั้นตอนการประมวลผลไปได้มากถึง 5 เท่า บนสถาปัตยกรรมขนาด 7 พันล้านพารามิเตอร์ (7B) เท่าเดิม
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
การลดจำนวนขั้นตอนการประมวลผลลงถึง 5 เท่าโดยยังคงขนาดพารามิเตอร์ 7B ไว้ ถือเป็นความก้าวหน้าที่สำคัญในการแก้ปัญหาคอขวดด้านความเร็วของการรันโมเดลขนาดใหญ่บนฮาร์ดแวร์จำกัด ช่วยให้การพัฒนาแอปพลิเคชันที่ต้องสร้างภาพแบบเรียลไทม์มีความเป็นไปได้สูงขึ้นในเชิงพาณิชย์
นอกเหนือจากความเร็วที่เพิ่มขึ้นแล้ว ทางบริษัทยังได้เตรียมทางเลือกในการเข้าถึงโมเดลผ่านระบบโฮสต์ API (hosted API option) เพื่ออำนวยความสะดวกให้นักพัฒนาสามารถนำไปประยุกต์ใช้งานบนระบบคลาวด์ได้อย่างราบรื่นโดยไม่ต้องติดตั้งโครงสร้างพื้นฐานด้วยตนเอง
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น