کلیدی خصوصیات
- تصاویر کے اندر قدرتی/اعلیٰ معیار کی متن رینڈرنگ — تخلیق کردہ تصاویر میں پڑھنے کے قابل اور معنوی طور پر درست متن پیدا کرنے میں مہارت (پوسٹرز، پیکیجنگ، اسکرین شاٹس) — یہ وہ شعبہ ہے جس میں بہت سے پہلے کے امیج ماڈلز کو دشواری رہی۔
- اعلیٰ وفاداری والا ملٹی موڈل آؤٹ پٹ — باریک تفصیل اور زبان سے باخبر لے آؤٹ کے ساتھ فوٹوریئلسٹک اور اسٹائلائزڈ تصاویر تیار کرتا ہے۔
- اسٹائل ٹرانسفر اور جزئیات میں بہتری — منظر کی ہم آہنگی برقرار رکھتے ہوئے یکساں فنکارانہ انداز لاگو کر سکتا ہے یا مقامی جزئیات کو بہتر بنا سکتا ہے۔
تکنیکی تفصیلات — Qwen-Image کیسے کام کرتا ہے
معماری اور اجزاء (keywords: MMDiT, Qwen2.5-VL). ماڈل امیج سنتھیسِس کے لیے MMDiT-based ڈیفیوزن ٹرانسفارمر استعمال کرتا ہے، جسے پرامپٹس اور بصری سیاق و سباق کی تعبیر کے لیے ایک ویژول-لینگوئج انکوڈر (Qwen2.5-VL) کے ساتھ جوڑا گیا ہے۔ یہ تفریق ماڈل کو ایک طرف معنوی رہنمائی اور دوسری طرف پکسل کی ظاہری شکل کو جداگانہ طور پر برتنے دیتی ہے، جس سے متن کی وفاداری اور ایڈیٹ کی مطابقت بہتر ہوتی ہے۔ آفیشل ریپوزٹری اور ٹیکنیکل رپورٹ میں مرکزی T2I ماڈل کے لیے 20B-پیرا میٹر بیک بون کا ذکر ہے۔
ٹریننگ پائپ لائن (keywords: curriculum learning, data pipeline). مشکل متن رینڈرنگ کے مسئلے کے حل کے لیے، Qwen-Image ایک تدریجی نصاب اختیار کرتا ہے: یہ نسبتاً سادہ غیر متنی تصاویر سے آغاز کرتا ہے اور بتدریج زیادہ پیچیدہ، متن سے بھرپور مثالوں تک تربیت دیتا ہے، یہاں تک کہ پیراگراف-سطح کی ان پٹس تک۔ ٹیم نے ایک جامع پائپ لائن تیار کی ہے جس میں بڑے پیمانے پر کلیکشن، محتاط فلٹرنگ، مصنوعی اضافہ اور توازن شامل ہیں تاکہ تربیت کے دوران ماڈل متن/تصویر کی حقیقت پسندانہ ترکیبات کثرت سے دیکھے۔ یہ حکمتِ عملی پر مبنی نصاب کثیر لسانی متن رینڈرنگ میں ماڈل کی برتری کی ایک بڑی وجہ ہے۔
ایڈیٹنگ میکانزم (keywords: dual-encoding, VAE + VL encoder). ترمیم کے لیے، سسٹم اصل تصویر کو دو مرتبہ فیڈ کرتا ہے: ایک بار Qwen2.5-VL انکوڈر میں معنوی کنٹرول کے لیے اور ایک بار VAE انکوڈر میں بازتعمیراتی ظاہری معلومات کے لیے۔ ڈوئل-انکوڈنگ ڈیزائن ایڈیٹ ماڈیول کو شناخت اور بصری وفاداری محفوظ رکھتے ہوئے معنوی ترامیم کی اجازت دیتا ہے — مثال کے طور پر، کسی شے کو بدلنا یا متنی مواد تبدیل کرنا بغیر غیر متعلقہ حصوں کو متاثر کیے۔
بینچ مارک کارکردگی
Qwen-Image، تخلیق اور ترمیم دونوں کے لیے متعدد عوامی بینچ مارکس پر SOTA یا near-SOTA کارکردگی حاصل کرتا ہے، خصوصاً متن رینڈرنگ ٹاسکس اور حقیقی دنیا کی کمپوزیشن بینچ مارکس (مثلاً T2I-CoreBench اور منظم امیج-ایڈیٹنگ سوئٹس) میں مضبوط نتائج کے ساتھ۔
Qwen-Image کا دیگر سرکردہ ماڈلز سے موازنہ
نسبتی مضبوطیاں: متن رینڈرنگ اور دو لسانی متن کی وفاداری اس ماڈل کی امتیازی خوبیاں ہیں، جو اسے متعدد جنریٹو مقابل ماڈلز (مثلاً DALL·E 3، SDXL، Midjourney) پر سبقت دیتی ہیں؛ وہ اکثر محض فنکارانہ کمپوزیشن یا طرز کی تنوع میں مضبوط ہوتے ہیں مگر گھنے، کثیر سطری یا چینی متن کے لے آؤٹ میں کمزور رہتے ہیں۔ متعدد کمیونٹی موازنات اور مصنفین کی بینچ مارک ٹیبلز اس وصف کی تائید کرتی ہیں۔
نسبتی سمجھوتے: بند اور انتہائی ٹیون کیے گئے کمرشل سسٹمز کے مقابلے میں، آزادانہ ٹیسٹس کے مطابق بعض سیاق میں یکساں حقیقت پسندی تک پہنچنے کے لیے Qwen-Image کو post-processing یا پرومپٹ/اڈاپٹر ٹیوننگ درکار ہو سکتی ہے (مثلاً مڑی ہوئی سطحوں کی وارپنگ، فوٹوریئلسٹک کمپوزٹنگ)۔ جو صارفین ٹیمپلیٹڈ ڈیزائنز، پیکیجنگ ماک اپس، یا دو لسانی متن کے لے آؤٹس کو ترجیح دیتے ہیں، ان کے لیے Qwen-Image عموماً زیادہ مناسب رہتا ہے۔
عام اور اعلیٰ قدر کے استعمالات
- پیکیجنگ اور پروڈکٹ ماک اپس: لیبلز اور پیکیجنگ ٹرائلز کے لیے درست متن اور کثیر سطری لے آؤٹس۔
- اشتہارات اور ڈیزائن ڈرافٹس: وہ تیز رفتار پروٹو ٹائپنگ جہاں متن کی وفاداری اہم ہو (پوسٹرز، بینرز)۔
- دستاویزی نوعیت کی امیج جنریشن: ایسی تصاویر تیار کرنا جن میں پڑھنے کے قابل مواد لازماً شامل ہو (مینوز، سائنز، انٹرفیسز)۔
- امیج ایڈیٹنگ پائپ لائنز: ہدفی ترامیم (متن کی تبدیلی، اشیا کا شامل/حذف) جو انداز اور پرسپیکٹو برقرار رکھیں۔
- Qwen image API تک رسائی کیسے حاصل کریں
مرحلہ 1: API کلید کے لیے سائن اپ کریں
cometapi.com میں لاگ اِن کریں۔ اگر آپ ابھی تک ہمارے صارف نہیں ہیں تو براہِ کرم پہلے رجسٹر کریں۔ اپنے CometAPI کنسول میں سائن اِن کریں۔ انٹرفیس کی رسائی اسناد یعنی API key حاصل کریں۔ ذاتی مرکز میں API ٹوکن کے مقام پر “Add Token” پر کلک کریں، ٹوکن کی: sk-xxxxx حاصل کریں اور جمع کریں۔
مرحلہ 2: Qwen image API کو درخواستیں بھیجیں
API ریکویسٹ بھیجنے کے لیے “qwen-image ” اینڈ پوائنٹ منتخب کریں اور ریکویسٹ باڈی سیٹ کریں۔ ریکویسٹ میتھڈ اور ریکویسٹ باڈی ہماری ویب سائٹ کے API doc سے حاصل کیے جاتے ہیں۔ ہماری ویب سائٹ آپ کی سہولت کے لیے Apifox ٹیسٹ بھی فراہم کرتی ہے۔ <YOUR_API_KEY> کو اپنے اکاؤنٹ میں موجود حقیقی CometAPI key سے بدلیں۔ بنیادی URL Images ہے، فارمیٹ(https://api.cometapi.com/v1/images/generations) بذریعہ CometAPI۔
اپنا سوال یا درخواست content فیلڈ میں درج کریں—اسی کا ماڈل جواب دے گا .
مرحلہ 3: نتائج حاصل کریں اور تصدیق کریں
جنریٹ کیے گئے جواب کے حصول کے لیے API ریسپانس کو پروسیس کریں۔ پروسیسنگ کے بعد، API ٹاسک اسٹیٹس اور آؤٹ پٹ ڈیٹا کے ساتھ جواب دیتی ہے۔