Tim Qwen Alibaba merilis Qwen-Image-Edit pada tanggal 19 Agustus 2025 — varian penyuntingan gambar yang dibangun di atas tulang punggung Qwen-Image 20B yang menjanjikan penyuntingan teks dwibahasa yang presisi, kontrol semantik + tampilan mode ganda, dan kinerja tolok ukur SOTA. Saya akan menjelaskan secara mendalam tentang arsitektur, fitur, dan penggunaan.
Apa itu Qwen-Image-Edit dan mengapa itu penting?
Qwen-Image-Edit adalah model dasar penyuntingan gambar dari tim Qwen Alibaba, dirilis 19 Agustus 2025, yang dibangun di atas kerangka Qwen-Image berparameter 20B. Model ini memperluas kemampuan rendering teks canggih Qwen-Image ke dalam penyuntingan gambar interaktif: penyuntingan teks dwibahasa (Tiongkok/Inggris) di dalam gambar, penyuntingan tampilan yang lebih detail (hapus/tambah/perbaiki), dan transformasi semantik tingkat tinggi (putar objek, sintesis tampilan baru, transfer gaya). Tim menyoroti bahwa model ini memasukkan gambar ke dalam enkoder bahasa visual dan enkoder VAE untuk mengontrol semantik dan tampilan secara independen.
Ini dirancang secara eksplisit untuk berdasarkan instruksi suntingan gambar: Anda memberikan gambar masukan dan instruksi bahasa alami (mendukung bahasa Inggris dan Mandarin) dan model mengembalikan gambar yang diedit yang dapat melakukan suntingan teks yang tepat, penambahan/penghapusan objek, penyesuaian gaya atau warna, dan bahkan transformasi semantik tingkat tinggi sambil mempertahankan konsistensi visual.
Mengapa ini penting: Pengeditan gambar bukan lagi sekadar "cat atau masker dan komposit" — model seperti Qwen-Image-Edit memungkinkan Anda mendeskripsikan hasil suntingan dalam bahasa alami, mempertahankan tipografi dan tata letak, serta melakukan koreksi area kecil yang sebelumnya memerlukan pengerjaan Photoshop yang cermat. Kombinasi ini sangat berharga bagi tim kreatif, e-commerce, pemasaran, dan alur kerja otomatisasi yang membutuhkan suntingan visual terprogram dan berulang.
Bagaimana cara Anda menggunakan Qwen-Image-Edit — apa saja jalur pengembangnya?
Dimana tersedia
Anda dapat bereksperimen dengan Qwen-Image-Edit melalui:
- Obrolan Qwen (demo web resmi) untuk pengeditan interaktif.
- Halaman model Wajah Pelukan / Spaces — ruang model dan demo publik tersedia untuk uji coba cepat.
- Alibaba Cloud Model Studio / DashScope API — API produksi (HTTP + SDK) dengan titik akhir, harga, dan kuota yang terdokumentasi untuk penggunaan otomatis.
Cara cepat untuk mencoba
- Untuk sekali saja atau eksperimen, gunakan Hugging Face Space atau Qwen Chat.
- Untuk integrasi (aplikasi web, pipeline batch, atau layanan backend), hubungi titik akhir DashScope (Alibaba Cloud Model Studio) menggunakan API HTTP atau SDK DashScope (Python/Java) yang disediakan. Dokumen Model Studio mencakup contoh curl dan SDK untuk URL gambar atau input Base64, prompt negatif, opsi watermark, dan alur pengambilan hasil.
Bagaimana Qwen-Image-Edit dirancang — apa saja yang ada di baliknya?
Input jalur ganda: semantik + tampilan
Menurut tulisan resmi, Qwen-Image-Edit memproses gambar masukan secara bersamaan melalui:
- Qwen2.5-VL (encoder bahasa visual) — mendorong pemahaman semantik dan pengeditan tingkat tinggi (rotasi objek, sintesis tampilan, perubahan konten).
- Encoder VAE / jalur penampakan laten — mempertahankan atau memanipulasi tampilan visual tingkat rendah (tekstur, pelestarian piksel yang tepat untuk pengeditan lokal).
Perpecahan ini memungkinkan model untuk melakukan pencitraan ulang semantik yang luas atau penyuntingan konservatif piksel pada wilayah yang ditargetkan.
Dibangun di atas fondasi gambar 20B
Model penyuntingan ini memperluas model pembangkitan Qwen-Image 20B (kemampuan rendering teks merupakan inti dari Qwen-Image) sehingga varian penyuntingan ini mewarisi pemahaman tata letak/teks yang kuat dan prior gambar dengan fidelitas tinggi. Repositori dan blog Qwen-Image menunjukkan lisensi Apache-2.0 untuk basis kode gambar, yang telah mempercepat adopsi komunitas.
Alur pipa dan praktis
Sebuah alur kerja umum (tingkat tinggi):
- Gambar masukan (URL publik atau Base64) ditambah instruksi/perintah tekstual dan masker/kotak pembatas opsional untuk pengeditan yang ditargetkan.
- Model memasukkan gambar ke dalam kedua enkoder; enkoder bahasa visual menginterpretasikan perintah dalam konteks dan mengusulkan transformasi semantik; jalur VAE mengodekan batasan tampilan.
- Dengan menggabungkan modalitas ini, dekoder menghasilkan gambar yang telah diedit — baik diubah secara global (edit semantik) maupun dimodifikasi secara lokal (edit tampilan) tanpa mengubah area yang di-mask. Keluaran disimpan sebagai tautan OSS (jika menggunakan Alibaba Cloud) dengan TTL terbatas.
Selama penyuntingan, Qwen-Image-Edit memasukkan citra masukan yang sama ke kedua kanal sehingga dapat memutuskan apakah akan mengubah struktur atau mempertahankan tampilan. Arsitektur dua jalur ini memungkinkan berbagai operasi, mulai dari penghilangan lokal yang akurat piksel (misalnya, menghilangkan sehelai rambut tanpa menyentuh piksel di sekitarnya) hingga perubahan semantik yang radikal (misalnya, mengubah pose atau menghasilkan sudut pandang baru) sambil menjaga identitas subjek tetap konsisten. Tim juga sangat bergantung pada perkakas difusi canggih dan utilitas peningkatan prompt untuk menstabilkan penyuntingan berantai.
Fitur apa saja yang ditawarkan Qwen-Image-Edit?
Pengeditan jalur ganda: kontrol semantik + tampilan
Qwen-Image-Edit secara eksplisit dirancang sebagai editor dua jalur: encoder semantik yang memahami adegan/tata letak/objek dan jalur tampilan terpisah yang mempertahankan tekstur, font, dan detail piksel yang halus. Desain inilah yang memungkinkan model memutuskan apakah akan mengubah komposisi tingkat tinggi (pose, identitas objek, gaya) atau melakukan perbaikan lokal yang akurat pikselnya (menghapus objek, menjaga piksel di sekitarnya tetap identik). Pemisahan ini merupakan ide arsitektur utama di balik banyak editor fidelitas tinggi terkini dan sangat ditekankan dalam catatan rilis Qwen.
Implikasi praktis: Anda dapat meminta "hapus tanda air dari kiri bawah tanpa menyentuh logo" atau "ubah postur tangan" dan model akan menerapkan strategi internal yang berbeda untuk setiap tugas, mengurangi artefak kolateral di area yang tidak tersentuh.
Pengeditan gambar berbasis teks dan dukungan dwibahasa
Salah satu kemampuan utama model ini adalah pengeditan teks yang tepat — ia berupaya mempertahankan font, goresan, spasi, dan tata letak sambil menambahkan/menghapus/memodifikasi teks dalam elemen teks bahasa Mandarin dan Inggris. Ini bukan hanya merender teks baru, tetapi juga berupaya mencocokkan tipografi aslinya. Tim Qwen berulang kali menyoroti kemampuan ini dalam dokumentasi dan kartu model mereka.
Implikasi praktis: alur kerja pengemasan, poster, tangkapan layar UI, dan penanda dapat diotomatisasi—terutama jika pencocokan font yang tepat dan penyuntingan dwibahasa menjadi hal yang penting.
Penyamaran, permintaan wilayah, dan pengeditan progresif
Fungsionalitasnya mencakup input mask eksplisit (untuk inpainting/outpainting), prompt berbasis wilayah (terapkan perubahan hanya dalam kotak pembatas X), dan dukungan untuk pengeditan multi-putaran/berantai (penyempurnaan keluaran secara iteratif). API dan alur difusi mendukung prompt negatif dan kontrol seperti skala panduan untuk menyesuaikan seberapa konservatif vs. tebal pengeditan. Ini merupakan standar dalam alur pengeditan yang berfokus pada produksi dan tersedia dalam perkakas Qwen.
Pelatihan Multi-tugas: Konsistensi Pengeditan Terdepan di Industri
Melalui paradigma pelatihan multi-tugas yang disempurnakan, Qwen-Image-Edit mendukung berbagai tugas, termasuk penyuntingan teks-ke-gambar (T2I), gambar-ke-gambar (I2I), dan penyuntingan gambar berpemandu teks (TI2I). Perlu disebutkan bahwa kemampuan "penyuntingan berantai" Qwen-Image-Edit sangat luar biasa. Misalnya, dalam skenario koreksi kaligrafi, model ini dapat mengoreksi karakter yang salah secara bertahap melalui beberapa putaran iterasi sambil mempertahankan konsistensi gaya secara keseluruhan. Kemampuan ini sangat meningkatkan efisiensi kreatif dan menurunkan ambang batas untuk pembuatan konten visual profesional.
Bagaimana kinerja Qwen-Image-Edit — apakah benar-benar SOTA?
Tolok ukur dan klaim
Qwen mengklaim performa mutakhir di beberapa uji ukur penyuntingan (tim menekankan uji preferensi manusia dan rangkaian khusus penyuntingan), dan laporan liputan skor spesifik pada uji ukur penyuntingan yang umum disebut komunitas sebagai GEdit-Bench (varian bahasa Inggris dan Mandarin). Satu laporan menyebutkan skor Qwen-Image-Edit sekitar 7.56 (EN) dan 7.52 (CN) dibandingkan GPT Image-1 sekitar 7.53 (EN) dan 7.30 (CN) — angka yang menunjukkan keunggulan Qwen, terutama pada teks Mandarin dan tugas semantik/tampilan campuran.
Bagaimana Qwen-Image-Edit dibandingkan dengan GPT Image-1 (OpenAI) dan FLUX.1Kontext?
Di bawah ini saya membandingkan berdasarkan sumbu praktis yang menjadi perhatian tim: kemampuan, penyajian teks, penerapan, keterbukaan, dan letak kekuatan/kelemahan masing-masing model.
- Qwen-Image-Edit — arsitektur jalur ganda, penyuntingan teks dwibahasa yang kuat, bobot terbuka (Apache-2.0), tulang punggung gambar 20B, disetel secara eksplisit untuk penyuntingan semantik & tampilan campuran; pilihan yang bagus jika Anda memerlukan kontrol di tempat atau kesetiaan tipografi Cina/Inggris.
- gpt-image-1 (OpenAI) — generator/editor multimoda berkemampuan tinggi yang tersedia melalui API OpenAI; unggul dalam pembuatan gambar umum, rendering teks, dan integrasi (kemitraan Adobe/Figma); bobot tertutup, API terkelola, integrasi ekosistem yang luas, dan pemolesan produk. Dokumen OpenAI menggambarkannya sebagai model gambar "multimoda native" di API.
- FLUX.1Konteks — diposisikan sebagai produk penyunting gambar yang mengutamakan teks dengan serangkaian model (Dev/Pro/Max); vendor menekankan alur kerja yang mempertahankan karakter/konsistensi sekaligus memungkinkan penyuntingan yang terarah; orientasi produk komersial dengan UI hosting dan tingkatan pro. Detail teknis publik (misalnya, jumlah parameter) terbatas dibandingkan dengan Qwen.
Kemampuan & kualitas：
- Teks & tipografi: Qwen secara eksplisit memasarkan fidelitas teks dwibahasa. gpt-image-1 dari OpenAI juga menyoroti rendering teks yang akurat dan sudah terintegrasi ke dalam perangkat desain; perbedaan praktisnya terletak pada akurasi yang diukur dengan OCR dan uji pencocokan font pada korpus Anda. FLUX mengklaim kontrol tipografi yang kuat tetapi hanya menerbitkan lebih sedikit tolok ukur numerik yang saling berhadapan.
- Pengeditan semantik (pose / sudut pandang): Ketiganya mendukung pengeditan tingkat tinggi. Pendekatan jalur ganda Qwen dirancang untuk kombinasi ini; model OpenAI sangat mumpuni dan diuntungkan oleh rekayasa prompt tingkat produk yang masif; FLUX bertujuan untuk alur pengeditan yang ramah pengguna. Cuplikan numerik GEdit-Bench menunjukkan Qwen sedikit lebih unggul dalam skor agregat pada tolok ukur yang dilaporkan sejauh ini.
Daftar pilihan praktis (panduan pengembang):
- Pilih Qwen-Image-Edit Jika: pengeditan teks dwibahasa (Tiongkok+Inggris), alur kerja semantik+tampilan gabungan, dan demo/integrasi cloud yang mudah sangatlah penting. Pilihan pertama yang baik untuk UI dan poster yang ditargetkan secara regional.
- Pilih Gambar GPT-1 jika: Anda menginginkan instruksi yang terbukti dan integrasi dengan alat desain utama (Adobe, Figma) dan Anda memprioritaskan transformasi kreatif satu langkah; perhatikan trade-off pelestarian.
- Pilih FLUX.1Kontext / FluxKontext yang disetel halus jika: Anda menginginkan tumpukan yang dapat disesuaikan (Anda dapat melatih ulang atau mengadaptasi pada korpus pribadi) dan Anda siap berinvestasi dalam kurasi kumpulan data; penelitian terkini menunjukkan skor kompetitif setelah penyesuaian.
Memulai melalui CometAPI
CometAPI adalah platform API terpadu yang menggabungkan lebih dari 500 model AI dari penyedia terkemuka—seperti seri GPT OpenAI, Gemini Google, Claude Anthropic, Midjourney, Suno, dan lainnya—menjadi satu antarmuka yang ramah bagi pengembang. Dengan menawarkan autentikasi yang konsisten, pemformatan permintaan, dan penanganan respons, CometAPI secara drastis menyederhanakan integrasi kapabilitas AI ke dalam aplikasi Anda. Baik Anda sedang membangun chatbot, generator gambar, komposer musik, atau alur kerja analitik berbasis data, CometAPI memungkinkan Anda melakukan iterasi lebih cepat, mengendalikan biaya, dan tetap tidak bergantung pada vendor—semuanya sambil memanfaatkan terobosan terbaru di seluruh ekosistem AI.
Integrasi terbaru Qwen-Image-Edit akan segera muncul di CometAPI, jadi nantikan！Sementara kami menyelesaikan unggahan Model Qwen-Image-Edit, jelajahi model edit gambar kami yang lain seperti Seedream 3.0,FLUX.1 Konteks ,Gambar GPT-1 pada alur kerja Anda atau coba di AI Playground. Untuk memulai, jelajahi kemampuan model di tempat bermain dan konsultasikan Panduan API untuk petunjuk terperinci. Sebelum mengakses, pastikan Anda telah masuk ke CometAPI dan memperoleh kunci API. API Komet menawarkan harga yang jauh lebih rendah dari harga resmi untuk membantu Anda berintegrasi.
Putusan akhir: di mana Qwen-Image-Edit cocok di tumpukan Anda
Qwen-Image-Edit merupakan langkah signifikan menuju alur kerja penyuntingan gambar yang mengutamakan teks dan unggul dalam tugas-tugas campuran yang membutuhkan tipografi dan pemahaman semantik. Qwen-Image-Edit dapat diakses dengan cepat — API cloud untuk integrasi cepat dan bobot terbuka untuk kustomisasi tingkat lanjut — tetapi rilis baru seperti ini memerlukan pengujian yang cermat di domain Anda: penyuntingan berantai, pelestarian identitas, dan font/skrip tepi dapat memerlukan iterasi dan rekayasa cepat. Tim Qwen sedang aktif menyempurnakan model ini dan merekomendasikan penggunaan versi terbaru. diffusers melakukan komitmen dan menyediakan alat penulisan ulang prompt untuk stabilitas terbaik.
Jika kasus penggunaan Anda adalah produksi berskala besar (throughput tinggi, latensi terjamin, keamanan khusus), perlakukan API cloud seperti layanan ML terkelola lainnya: lakukan tolok ukur di wilayah Anda, rencanakan biaya, dan terapkan caching yang kuat serta persistensi hasil (pertimbangan OSS TTL).