Qwen-Image-2.1 benchmark: tabella completa 29 modelli immagine

👁 115 letture

Il produttore di Qwen-Image-2.1 ha pubblicato al lancio un grafico che confronta 29 modelli di generazione immagini - aperti e chiusi. Nessuno lo ha fornito in formato tabella, quindi abbiamo estratto i numeri dal grafico e li abbiamo confrontati con le dimensioni dei modelli. Il risultato è più interessante della semplice posizione in classifica.

Classifica completa Qwen-Image-Bench

Numeri estratti dal grafico pubblicato dal produttore. La colonna delle dimensioni è vuota dove il produttore del modello non le rivela - nel grafico era indicato con un lucchetto.

Una precisazione necessaria: questo è un benchmark pubblicato dal produttore di uno dei modelli valutati. Trattalo come materiale del produttore, perché lo è. Questo non significa che i numeri siano inventati - significa che il set di compiti e il metodo di punteggio sono stati scelti da una parte interessata al risultato.

Tre cose visibili solo confrontando con le dimensioni

1. Salto all’interno della stessa famiglia

Un modello quasi tre volte più piccolo ottiene 8,22 punti in più rispetto al predecessore diretto. Non è un semplice aggiornamento, ma un’architettura diversa - layer single-stream, attenzione a granularità mista e riutilizzo della cache.

2. Le dimensioni non sono più un lasciapassare per la vetta

Hunyuan Image 3.0 ha 80 miliardi di parametri e un punteggio di 50,81. Qwen-Image-2.1 ha 7 miliardi e 60,28. La differenza è undici volte le dimensioni a favore del perdente.

Conseguenza pratica per chi calcola l’hardware: il modello che dà il risultato migliore entra in una singola scheda consumer, mentre quello più grande richiede una server farm. Questa è un’opinione: per la maggior parte delle applicazioni, questo chiude la discussione su quale scegliere.

3. I modelli chiusi guidano ancora, ma il vantaggio si è ridotto

Al leader mancano 6,73 punti, al terzo posto 3,19. Un modello aperto che puoi eseguire a casa è oggi cinque punti dietro la vetta, non venti. Dietro di lui sono rimasti invece modelli per cui paghi per ogni immagine.

Cosa ha ricevuto il modello in questa versione

Il produttore elenca quattro modifiche:

1. Architettura compatta - 32 layer DiT, attenzione a granularità mista, riutilizzo della cache di chiavi e valori con più immagini in input.
2. Trasparenza native - possibilità di specificare nel prompt che l’immagine deve avere un canale alfa, e ritaglio di oggetti da foto come layer. L’abbiamo verificato con misurazioni.
3. Editing - fino a dieci immagini di riferimento, indicazione dell’area di editing con cerchio, mascheratura o maschera, conservazione dell’identità delle persone e dell’aspetto dei prodotti.
4. Texture e tipografia - luce migliore sui ritratti e disposizione del testo che tiene conto del font e della composizione.

Inoltre panorami da una singola foto, infografiche e storyboard da character sheet.

Come l’abbiamo testato

Abbiamo installato il modello localmente su RTX 4090 ed eseguito sei test. Due conclusioni che non trovi nei materiali del produttore:

Insegna al neon con la scritta [MARCHIO] generata localmente in risoluzione 2048×2048 - la scritta è uscita perfetta al primo tentativo.

• Le scritte sono effettivamente corrette. L’insegna al neon con la scritta [MARCHIO] in 2048×2048 è uscita perfetta al primo tentativo.
• I prompt sull’età dei personaggi vengono talvolta ignorati. La richiesta di un ritratto di donna trentenne ha prodotto una persona visibilmente più anziana - tecnicamente eccellente, ma non conforme al prompt.

Ritratto da un prompt su una donna trentenne. Texture della pelle e luce impeccabili, età del personaggio visibilmente superiore a quella richiesta.

Tempi, impostazioni e script pronti sono nella guida all’installazione, e abbiamo raccolto tutto nella guida al modello.

Come appaiono i risultati in pratica

Il benchmark è un singolo numero. Qui sotto tre immagini da tre categorie diverse, per mostrare cosa c’è dietro quel numero.

Architettura - categoria in cui il modello eccelle maggiormente.

Luce naturale - il modello rinuncia all’aspetto da campagna pubblicitaria in favore del reportage.

Illustrazione vettoriale - corretta, ma generica. Qui si vede il limite.

Domande frequenti

Quale punteggio ha Qwen-Image-2.1 nel benchmark?

60,28 punti in Qwen-Image-Bench, settimo posto tra 29 modelli confrontati.

È il miglior modello aperto per immagini?

In questo confronto sì - supera FLUX 2 Max (55,33), Hunyuan Image 3.0 (50,81) e GLM Image (48,19). Ricorda che il benchmark proviene dal produttore.

Quanti parametri ha?

7 miliardi nella parte che genera l’immagine, in 32 layer DiT single-stream.

Quale modello vince il benchmark?

GPT Image 2.5 Sunburst con un punteggio di 67,01, davanti a GPT Image 2 (64,69) e Grok Imagine 2.0 (63,47).

È migliore di Nano Banana?

Secondo questo benchmark sì: 60,28 contro 59,82 per Nano Banana 2.0 e 59,45 per Nano Banana Pro. La differenza è tuttavia minima.

// continua a leggereLinear guida completa: team, cicli, roadmap e GitHubMagazineKling 4.0 vs Kling 3.0: differenze, tabella e guidaNotizieReadwise Reader: guida completa per organizzare lettureGuide

Kinetyra