EXPLORINEER
ja

arXiv 2611.07392

WeLM-Image: 視覚知能に向けた統合画像生成モデル

WeLM-Image: A Unified Image Generation Model towards Visual Intelligence

AI推薦37

著者: Canmiao Fu, Chen Li, Guohui Zhang, Hao Lu, Hongyang Wei, Huadong Wu, Huaisong Zhang, Hubery Yin +8

概要

著者らは、テキストからの画像生成、指示ベースの編集、複数参照による合成を、インターリーブされた一つのシーケンスで処理する統合画像基盤モデルWeLM-Imageを発表しました。Mixture-of-Transformersバックボーンに Mixture-of-Experts モジュールを組み合わせ(保存パラメータ31.7B、目標latentトークンごとに約5.4Bが活性化)、WeChatでの単一GPU展開を想定し、MeanFlowによる少ステップ版WeLM-Image-Turboも提供しています。

はじめに

画像生成、編集、複数参照合成は通常それぞれ別のシステムで扱われ、大規模モデルは消費者向けの規模で展開するのにコストがかかります。WeLM-Imageは、単一GPUでも実用的な統合モデルを目指しています。

結果

1536解像度のモデルは、評価対象のオープンソースモデルの中でPRISM-Bench、Qwen-Image-Bench、UnicBenchにおいて1位にランクされています。MeanFlowで蒸留したWeLM-Image-Turboは、単一のNVIDIA H20 GPU上で、ガイダンスなしの8ステップにより1024×1024画像を4.98秒で生成します。

結論

生成と編集を統合したモデルでも、オープンソースのベンチマーク上位に入りつつ、単一GPUの消費者向け展開に十分な速度を実現できることを示しています。

出典: arXivで論文を読む ↗

この記事は原文をもとにAIがやさしい言葉で書き直した解説です。事実関係は原文をご確認ください。

同じニュース、違う視点で