Qwen-Image-PE يعلّم الذكاء الاصطناعي التصميم: محسِّن الأوامر النصية يضيف 7.81 نقطة

طلب مثل «مقهى دافئ في الشتاء» لا يعطي مولّد الصور تقريباً أي شيء. فالإضاءة والتكوين وتوزيع عناصر الكادر والتفاصيل كلها تُترك لتقدير النموذج، وغالباً ما تأتي النتيجة متوسطة. قدّم فريق Qwen، المؤلف من 29 باحثاً بقيادة Zekai Zhang وChenfei Wu، نموذج Qwen-Image-PE، وهو محسِّن للأوامر النصية (prompt enhancer) يوسّع هذه الطلبات إلى مواصفات تصميمية متماسكة. وعلى المقياس الداخلي Qwen-Image-Bench ومع المولّد Qwen-Image-2.1، تحسّن نسخة Qwen-Image-PE-397B تقييم الطلبات الأصلية بمقدار 7.81 نقطة. أما النسخة المدمجة Qwen-Image-PE-9B فتتفوق على جميع المحسِّنات الأساسية التي جرى تقييمها، وهي التي نشرها المؤلفون للاستخدام المفتوح.

التقطير العكسي: تعليم التصميم من أوصاف الصور الجاهزة

معظم المحسِّنات الحالية تحافظ على قصد المستخدم وتجعل الصورة أكثر جاذبية بوجه عام. لكن المعايير التصميمية الدقيقة لا تكاد تُعامَل فيها كهدف مستقل. ويسدّ Qwen-Image-PE هذه الفجوة بتدريب من مرحلتين.

المرحلة الأولى هي الضبط الدقيق الخاضع للإشراف (supervised fine-tuning) بطريقة Caption-Based Reverse Distillation (CRD). تُؤخذ صور جيدة التنفيذ مع أوصافها الكثيفة المفصلة. تعمل هذه الأوصاف مرجعاً: يتعلم النموذج أن يستعيد من الطلب القصير نصاً غنياً بالقدر نفسه، مثل النص الذي كان سيصف كادراً ناجحاً. وهكذا تأتي المعرفة التصميمية من أعمال حقيقية، لا من تعليمات مجردة من نوع «اجعلها جميلة».

مكافأة جماعية بدلاً من تقييم كل صورة على حدة

المرحلة الثانية هي التعلّم المعزَّز بمكافأة Groupwise Design Reward (GDR). يولّد النموذج عدة خيارات للطلب الواحد، وتُقيَّم جميع الصور الناتجة معاً، بمقارنة بعضها ببعض. تستهدف المكافأة أربعة معايير: الإضاءة والتكوين وتوزيع العناصر والتفاصيل. والمقارنة داخل المجموعة تعطي إشارة أوضح من تقييم كل كادر منفرداً، إذ يرى النموذج ما الذي يميّز الخيار الناجح عن الخيارات المجاورة له للطلب نفسه.

وأظهرت اختبارات إضافية تحسناً في التصميم البصري والجماليات وجودة الصورة والتفضيلات البشرية.

ثلاثة محاور للتوسّع والانتقال إلى مولّدات الآخرين

يؤكد المؤلفون أن جودة المحسِّن تنمو على ثلاثة محاور: حجم بيانات التدريب، وحجم النموذج، والكثافة المعلوماتية للأمر النصي. ووُصفت الكثافة المعلوماتية بأنها شرط لازم. فإذا لم يكن الطلب الموسَّع غنياً بالتفاصيل بما يكفي، فلن يفيد العاملان الآخران.

وتتعلق نتيجة أخرى بقابلية النقل. يعمّم Qwen-Image-PE على أربع بنى T2I إضافية. وعلى HunyuanImage-2.1 وFLUX 3 Image Klein يتفوق على المحسِّنات «الأصلية» الخاصة بهذين النموذجين.

أبرز الحقائق:

• النموذج: Qwen-Image-PE، محسِّن أوامر نصية لتحويل النص إلى صورة (text-to-image).
• المؤلفون: 29 باحثاً، ورقة arXiv 2610.33472.
• المرحلة 1: SFT بطريقة Caption-Based Reverse Distillation (CRD) على أوصاف كثيفة لصور عالية الجودة.
• المرحلة 2: RL بمكافأة Groupwise Design Reward (GDR)، مع مقارنة مشتركة لجميع المرشحين للطلب الواحد.
• المعايير المستهدفة: الإضاءة والتكوين وتوزيع العناصر والتفاصيل.
• Qwen-Image-PE-397B: +7.81 نقطة للطلبات الأصلية على Qwen-Image-Bench مع Qwen-Image-2.1.
• Qwen-Image-PE-9B: أفضل من جميع خطوط الأساس لمحسِّنات الأوامر (PE) التي جرى تقييمها، ومنشور للاستخدام المفتوح.
• محاور التوسّع: البيانات وحجم النموذج والكثافة المعلوماتية.
• قابلية النقل: أربع واجهات T2I خلفية إضافية، منها HunyuanImage-2.1 وFLUX 3 Image Klein، تفوّق فيها النموذج على المحسِّنات الأصلية.
• الإصدار: huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I.

كيف يُطبَّق ذلك عملياً

بالنسبة إلى الفرق التي تبني منتجات على توليد الصور، فإن الخبر الأهم هو نسخة 9B. فمن الواقعي تشغيل هذا النموذج بجانب المولّد بوصفه طبقة مستقلة. يستقبل النموذج طلب المستخدم الخام ويعيد أمراً نصياً موسَّعاً، ويبقى المولّد كما هو. وبما أن المحسِّن ينتقل إلى واجهات خلفية تخص جهات أخرى، يمكن اختباره على النموذج المستخدم حالياً ومقارنته بحله المدمج على طلباتكم الخاصة.

وينبغي أيضاً الانتباه إلى الاستنتاج المتعلق بالكثافة المعلوماتية. إذا كنتم تكتبون الأوامر النصية يدوياً أو تضبطون محسِّنكم الخاص، فإن طول الوصف الموسَّع وعدد القرارات التصميمية المحددة فيه يؤثران في النتيجة أكثر مما يبدو. والأفضل التحقق من ذلك في سيناريوهاتكم الخاصة: فأرقام المؤلفين مأخوذة على مقياسهم Qwen-Image-Bench ومع المولّد Qwen-Image-2.1.