Qwen-Image 2.1 সম্পূর্ণ গাইড: 7B মডেলে ছবি তৈরি, সম্পাদনা ও স্বচ্ছ PNG একীভূত—Reddit-এ আলোচিত 100টি উদাহরণ
2026 সালের 20 সেপ্টেম্বর, Qwen টিম ছবি তৈরির মডেল “Qwen-Image 2.1” প্রকাশ করে। এর প্রধান বৈশিষ্ট্য হলো টেক্সট থেকে ছবি তৈরি, রেফারেন্স ছবি ব্যবহার করে সম্পাদনা, একাধিক ছবি কম্পোজিট করা, লোকাল এডিটিং এবং স্বচ্ছ ব্যাকগ্রাউন্ড (RGBA) তৈরি ও সম্পাদনাকে একটি মডেলে একত্র করা। ছবি তৈরির অংশটি 7 বিলিয়ন প্যারামিটারের। কেবল আকার বাড়ানোর পথে না গিয়ে, তারা লোকাল পরিবেশেও ব্যবহারযোগ্য আকার ও প্রসেসিং দক্ষতার লক্ষ্য নিয়েছে।
সারকথা হলো, Qwen-Image 2.1 এমন মডেল নয় যা একেবারে শূন্য থেকে সেরা ছবি আঁকার জন্য সবচেয়ে আকর্ষণীয়; বরং এটি এমন একটি সৃজনশীল মডেল যা বিদ্যমান ছবিকে অতিরিক্ত নষ্ট না করে, একাধিক উপাদান মিলিয়ে এবং কাঙ্ক্ষিত অংশ বদলে দিতে পারে। Reddit-এও সবচেয়ে বেশি প্রশংসা পাচ্ছে এডিটিং, চরিত্রের সামঞ্জস্য, পণ্য কম্পোজিটিং, আউটপেইন্টিং এবং স্বচ্ছ অ্যাসেটের কাজ। অন্যদিকে হাতের আঙুল, দূরের মুখ, সূক্ষ্ম নোইজ, অতিরিক্ত কালো ছায়া, পুরোনো ছবি পুনরুদ্ধার এবং অ্যানিমে-ধাঁচে এর স্পষ্ট দুর্বলতার রিপোর্টও আছে।
এই নিবন্ধে অফিসিয়াল তথ্যের ভিত্তিতে সব ফিচার সাজানো হয়েছে এবং Reddit-এর গুরুত্বপূর্ণ থ্রেডগুলো মিলিয়ে আলোচিত জেনারেশন ও এডিটিং টেস্টকে “100টি উদাহরণ” হিসেবে সংকলন করা হয়েছে। এখানে 100টি বলতে 100টি স্বতন্ত্র পোস্ট বোঝায় না; বরং একাধিক জনপ্রিয় পোস্ট, গ্যালারি ও ওয়ার্কফ্লোতে যাচাই করা পৃথক চিত্র-থিম ও এডিট অপারেশনের সংখ্যা বোঝানো হয়েছে।
Qwen-Image 2.1 কী
Qwen-Image 2.1 হলো Qwen পরিবারের একটি সমন্বিত ছবি তৈরি ও সম্পাদনা মডেল। অফিসিয়াল বিবরণ অনুযায়ী, জেনারেশন অংশে 32-স্তরের Single-Stream DiT এবং 7 বিলিয়ন প্যারামিটার ব্যবহৃত হয়েছে। Qwen3-VL 8B টেক্সট নির্দেশনা ও কন্ডিশনিং ছবিকে একটি অভিন্ন উপস্থাপনায় রূপান্তর করে, আর 64-চ্যানেলের RGBA VAE 16 গুণ স্থানিক কম্প্রেশন ও নেটিভ স্বচ্ছতা পরিচালনা করে।
অফিসিয়ালভাবে তুলে ধরা চারটি উন্নতি হলো:
- ছোট ও দক্ষ: মিশ্র-গ্র্যানুলারিটি অ্যাটেনশন এবং prefix KV cache পুনর্ব্যবহারের মাধ্যমে গুণমান ও কম্পিউট খরচের ভারসাম্য উন্নত করা হয়েছে।
- জেনারেশন ও এডিটিং একীভূত: একই মডেলে সাধারণ ছবি ও স্বচ্ছ ছবি তৈরি ও সম্পাদনা করা যায়।
- বহুমুখী সম্পাদনা: সর্বোচ্চ 10টি রেফারেন্স ছবি, মাস্ক ও আঁকা-নোটের মাধ্যমে লোকাল নির্দেশনা এবং ব্যক্তি/পণ্যের পরিচয় সংরক্ষণ সমর্থন করে।
- টেক্সচার ও নান্দনিকতা: টাইপোগ্রাফি, পোর্ট্রেট লাইটিং এবং সূক্ষ্ম টেক্সচার উন্নত করা হয়েছে।
উৎস: Qwen অফিসিয়াল ব্লগ, অফিসিয়াল GitHub, Diffusers ডকুমেন্টেশন
সব ফিচার এক নজরে
1. টেক্সট থেকে ছবি তৈরি
এটি সাধারণ Text-to-Image সমর্থন করে। সংক্ষিপ্ত নির্দেশনার পাশাপাশি Qwen3-VL-এর মাধ্যমে দীর্ঘ স্বাভাবিক ভাষার বর্ণনা, কম্পোজিশন, আলো, উপাদান, ফোরগ্রাউন্ড-ব্যান্ডগ্রাউন্ড এবং টেক্সট উপাদানসহ জটিল নির্দেশনাও সামলাতে পারে। অফিসিয়াল উদাহরণে 40 স্টেপ ভিত্তি হিসেবে ব্যবহৃত হয়েছে, তবে কমিউনিটিতে 8–16 স্টেপের দ্রুত LoRA এবং 30–40 স্টেপের গুণমান-কেন্দ্রিক সেটিংও পরীক্ষা করা হয়েছে।
2. ছবি সম্পাদনা
ইনপুট ছবি ও নির্দেশনা একসঙ্গে দিয়ে রং, আবহাওয়া, ব্যাকগ্রাউন্ড, পোশাক, ভঙ্গি, উপাদান, আলো এবং ক্যামেরা অ্যাঙ্গেল বদলানো যায়। Reddit-এ অনেকের মত, বিশুদ্ধ T2I-এর চেয়ে এডিটিংয়ে এটি বেশি শক্তিশালী।
3. সর্বোচ্চ 10টি রেফারেন্স ছবি
ব্যক্তি, পোশাক, জুতা, ব্যাগ, টুপি, আসবাব বা পণ্য আলাদা আলাদা ছবি থেকে নিয়ে একটি দৃশ্যে একত্র করা যায়। অফিসিয়াল উদাহরণে 6 জনের মুখ নিয়ে গ্রুপ ছবি, 5টি উপাদানের ভার্চুয়াল ট্রাই-অন এবং 10টি আসবাব দিয়ে ইন্টেরিয়র ডিজাইন রয়েছে। তবে রেফারেন্স বাড়লে পরস্পরবিরোধী নির্দেশনা ও বৈশিষ্ট্য মিশে যাওয়ার ঝুঁকি বাড়ে—কমিউনিটিতে এমন রিপোর্টও আছে।
4. নেটিভ RGBA ও স্বচ্ছ ব্যাকগ্রাউন্ড
কেবল পোস্ট-প্রসেসিং দিয়ে ব্যাকগ্রাউন্ড সরানো নয়; এটি স্বচ্ছ চ্যানেলসহ ছবি সরাসরি তৈরি করতে পারে। ছবি থেকে বিষয় আলাদা করা, স্বচ্ছ উপাদানের আকৃতি সম্পাদনা করা এবং একাধিক উপাদানসহ ট্রান্সপারেন্ট অ্যাসেট তৈরিতে এটি উপযোগী।
5. লোকাল এডিটিং ও মাস্ক এডিটিং
বৃত্ত, রঙে ভরা নোট বা আলাদা মাস্ক দিয়ে পরিবর্তনের এলাকা নির্দিষ্ট করা যায়। ComfyUI-তে ছবির ওপর রং লাগিয়ে “লাল এলাকার পোশাকটিই শুধু বদলাও”-এর মতো নির্দেশনা পরীক্ষা করা হয়েছে। LanPaint-এর সঙ্গে ব্যবহার করলে শুধু রং নয়, আলফা চ্যানেলও ইনপেইন্ট করা যায়।
6. আউটপেইন্টিং
ক্যানভাসের ওপর, নিচ, ডান বা বাম প্রসারিত করে খালি অংশ মূল ছবির প্রেক্ষাপট অনুযায়ী পূরণ করা যায়। Reddit-এ একসঙ্গে একাধিক দিকে প্রসারণ করা যায় এবং প্রচলিত বিশেষায়িত ওয়ার্কফ্লোর চেয়ে দ্রুত—এমন রিপোর্ট আলোচিত হয়েছে।
7. পরিচয় সংরক্ষণ
ব্যক্তির মুখ, পোশাক, ভঙ্গি কিংবা পণ্যের আকৃতি ও ব্র্যান্ড উপাদান বজায় রেখে শুধু ব্যাকগ্রাউন্ড বা কিছু বৈশিষ্ট্য বদলানো এটির মূল ব্যবহার। চরিত্র শিট ও ধারাবাহিক শট তৈরিতে এটি বিশেষ আলোচিত, তবে অত্যন্ত চরম অ্যাঙ্গেল, তীব্র অভিব্যক্তি ও দীর্ঘ ধারাবাহিক সিকোয়েন্সে ড্রিফট পরীক্ষা করা জরুরি।
8. টেক্সট রেন্ডারিং ও ডিজাইন
পোস্টার, প্যাকেজিং, সাইনবোর্ড ও টাইপোগ্রাফিসহ ছবি সমর্থন করে। বাহ্যিক LLM দিয়ে কম্পোজিশন, তথ্যের স্তরবিন্যাস, ফন্টের আকার ও ফাঁকা জায়গা সাজিয়ে দেওয়ার ওয়ার্কফ্লো জনপ্রিয়। তবে ইংরেজি ইনফোগ্রাফিকে অনিচ্ছাকৃত চীনা লেখা ঢুকে পড়ার রিপোর্টও আছে।
9. প্রম্পট রিরাইট
অফিসিয়াল রিপোজিটরিতে T2I এবং I2I-এর জন্য প্রম্পট রিরাইটার আছে। এটি সংক্ষিপ্ত অনুরোধকে বিস্তারিত কম্পোজিশনে প্রসারিত করে এবং এডিটিংয়ে পরিবর্তন-ছাড়া অংশ বজায় রাখার নির্দেশনায় রূপান্তর করে। কমিউনিটি থেকে এমন রিপোর্টও এসেছে যে, মানক রিরাইটের চেয়ে ব্যবহারভিত্তিক টেমপ্লেট অনেক সময় ভালো ফল দেয়।
10. গতি বৃদ্ধি, কম মেমরি ও কোয়ান্টাইজেশন
Diffusers-এর CPU offload, vLLM-Omni-এর prefix KV cache, CUDA Graph, FP8, টেনসর প্যারালেলিজম এবং SGLang-এর মেমরি অফলোড ও অপ্টিমাইজড কার্নেল সমর্থিত। ComfyUI-এর জন্য BF16, INT8 ConvRot, GGUF ও 4bit ধরনের ডেরিভেটিভ সংস্করণও এসেছে। 4-স্টেপ LoRA-তে প্রায় দ্বিগুণ গতি পাওয়ার ব্যবহারকারী রিপোর্ট এবং 8GB VRAM-এ প্রম্পট এক্সপ্যানশন চালানোর কাস্টম নোডও আছে, তবে গতি ও মানের বিনিময় সবসময় যাচাই করা উচিত।
11. সমর্থিত পরিবেশ
অফিসিয়াল ইমপ্লিমেন্টেশন, Hugging Face Diffusers, ComfyUI, vLLM-Omni, SGLang-Diffusion, LightX2V এবং ModelScope নির্দেশিত হয়েছে। AMD Radeon-এর জন্য ROCm উদাহরণ এবং FlagOS-এর মাধ্যমে একাধিক চিপ সমর্থনের কথাও বলা হয়েছে।
12. লাইসেন্স সংক্রান্ত সতর্কতা
মডেলের ওয়েট প্রকাশিত হলেও এটি Apache 2.0-তে নয়, “Qwen Research License Agreement”-এর অধীনে দেওয়া হয়। অফিসিয়াল লাইসেন্সে স্পষ্টভাবে বলা আছে যে বাণিজ্যিক ব্যবহারের জন্য আলাদা কমার্শিয়াল লাইসেন্স প্রয়োজন। পুনর্বিতরণের সময় নোটিশ দেওয়ার বাধ্যবাধকতা এবং ডেরিভেটিভ AI মডেলের নথিতে “Built with Qwen” অথবা “Improved using Qwen” প্রদর্শনের শর্তও রয়েছে। পেশাগতভাবে ব্যবহারের আগে অবশ্যই মূল লাইসেন্স পড়ুন।
উৎস: অফিসিয়াল লাইসেন্স
অফিসিয়াল উদাহরণে 50টি দৃষ্টিভঙ্গি
এখানে Qwen টিম প্রকাশিত Qwen-Image 2.1-এর অফিসিয়াল নমুনাগুলোকে কেন্দ্র করে Reddit-এ বিশেষভাবে আলোচিত বিষয়গুলোর সঙ্গে মিলিয়ে 50টি উদাহরণ দেওয়া হলো। শুধু “সুন্দর একখানা ছবি” নয়, ইনপুট, সম্পাদনার ফল, মাস্ক, বহু রেফারেন্স, ক্যামেরা পরিবর্তন এবং ডকুমেন্ট জেনারেশনও অন্তর্ভুক্ত করা হয়েছে, যাতে বোঝা যায় মডেলটি সৃজন প্রক্রিয়ার কোন পর্যায়ে সহায়ক।
স্বচ্ছ অ্যাসেট ও ইলাস্ট্রেশন তৈরি
উদাহরণ 1: সিংহ নাচের মোটিফে স্বচ্ছ ইলাস্ট্রেশন। সূক্ষ্ম প্রান্তসজ্জা ও আলফা ব্যাকগ্রাউন্ড একসঙ্গে সামলানোর উদাহরণ।
উদাহরণ 2: ফুলে ঘেরা নারীর অলংকারমূলক ইলাস্ট্রেশন। চুল, পাপড়ি ও পাতার জটিল সীমানা অন্তর্ভুক্ত।
উদাহরণ 3: ল্যাপটপ ব্যবহারকারী ব্যবসায়িক ব্যক্তি। ওয়েব ও প্রেজেন্টেশন উপাদানের জন্য কাটআউট ইলাস্ট্রেশন।
উদাহরণ 4: একাধিক ঝুলন্ত সাজসজ্জা। আধা-স্বচ্ছতা, সূক্ষ্ম সুতো ও ভিন্ন উপাদানের অনুভূতি একটি ছবিতে একত্র করে।
উদাহরণ 5: বহু কুকুর চরিত্র। একাধিক বিষয়কে আলাদাভাবে চিত্রায়ন ও দলগত কম্পোজিশনের উদাহরণ।
ছবি সম্পাদনা ও লেখা প্রতিস্থাপন
উদাহরণ 6: ক্লান্ত অফিসকর্মীর মূল ছবি। পরবর্তী এডিট ফলাফলের সঙ্গে তুলনার জন্য কন্ডিশন ছবি।
উদাহরণ 7: অভিব্যক্তি ও আবহ বদলানো অফিসকর্মী। লেআউট বজায় রেখে চরিত্রের আবেগ পরিবর্তন করা হয়েছে।
উদাহরণ 8: “BLOOM” ফুলের অক্ষর। লেখা, অলংকরণ ও কেন্দ্রস্থ বিন্যাসের ভিত্তি উদাহরণ।
উদাহরণ 9: “Qwen-Image”-এ লেখা প্রতিস্থাপন। ফুলের স্টাইল ধরে রাখা টাইপোগ্রাফি এডিট।
উদাহরণ 10: দিনের টাওয়ার ছবি। সময় ও ব্যাকগ্রাউন্ড এডিটিংয়ের ইনপুট উদাহরণ।
ব্যাকগ্রাউন্ড, সময় ও একাধিক ব্যক্তি
উদাহরণ 11: রাতের ফুলগাছ। দিনের ছবিকে রাতের দৃশ্য বা ভিন্ন আবহে বদলানোর সম্পাদনা ক্ষমতা দেখায়।
উদাহরণ 12: একাধিক ব্যক্তির রেফারেন্স থেকে গ্রুপ ছবি তৈরি। সর্বোচ্চ 10 রেফারেন্সের মূল ক্ষমতা প্রদর্শন করে।
উদাহরণ 13: পোশাক ও ব্যক্তির বহু রেফারেন্সে স্টাইলিং। ভার্চুয়াল ট্রাই-অন ধারণার কাছাকাছি।
উদাহরণ 14: অনেক আসবাবের ছবি থেকে ইন্টেরিয়র গঠন। পণ্য ক্যাটালগের উপাদান ঘরে বসানোর ব্যবহার।
উদাহরণ 15: বিড়ালের চারপাশে রঙ দিয়ে নির্দেশনা আঁকা। আঁকা অ্যানোটেশনের মাধ্যমে লোকাল নির্দেশনার ইনপুট।
লোকাল এডিটিং, মাস্ক ও কম্পোজিটিং
উদাহরণ 16: শুধু নির্দিষ্ট এলাকায় বিড়াল পরিবর্তন। বিছানা ও ব্যক্তিকে অক্ষুণ্ণ রেখে বিষয় প্রতিস্থাপন।
উদাহরণ 17: পানির নিচে হাঙর ও লোকাল নির্দেশনা। লক্ষ্যবস্তুর ওপর সরাসরি আঁকা এডিটিং ইনপুট।
উদাহরণ 18: ডুবুরি যোগ করা পানির নিচের দৃশ্য। পানির নিচের আলো ও স্কেলের সঙ্গে সামঞ্জস্যপূর্ণ কম্পোজিট।
উদাহরণ 19: গাধায় চড়া ব্যক্তির মূল ছবি। মাস্ক এডিটিংয়ের ভিত্তি ছবি।
উদাহরণ 20: ব্যক্তি ও গাধাকে নির্দেশ করা মাস্ক। পরিবর্তনের এলাকা সাদা-কালোয় স্পষ্ট করার বিকল্প পদ্ধতি।
ব্যক্তির পুনর্বিন্যাস ও মুখ সংরক্ষণ
উদাহরণ 21: মাস্ক ব্যবহার করা ব্যক্তি সম্পাদনার ফল। ঘাসভরা পটভূমির সঙ্গে সামঞ্জস্যও তুলনা করা যায়।
উদাহরণ 22: মুখ রেফারেন্সের পোর্ট্রেট। পরবর্তী পূর্ণদেহ ও নতুন পরিবেশ তৈরির ভিত্তি ছবি।
উদাহরণ 23: রেফারেন্স ব্যক্তিকে বাইরের পূর্ণদেহ ছবিতে প্রসারিত করা। মুখ ও পোশাককে নতুন কম্পোজিশনে স্থানান্তর করা হয়েছে।
উদাহরণ 24: সামনের দিকের মুখের ছবি। চুলের স্টাইল সম্পাদনার ইনপুট শর্ত।
উদাহরণ 25: চুলের স্টাইল বদলানো মুখের ছবি। মুখাবয়ব ও পটভূমি রেখে শুধু চুল লম্বা করা হয়েছে।
ভঙ্গি, দৃশ্য ও পণ্যের ছবি
উদাহরণ 26: বন্দরে বসে থাকা ব্যক্তি। জটিল ভঙ্গি, ছোট উপকরণ ও দূরের দৃশ্যসহ উদাহরণ।
উদাহরণ 27: ঘরে বাক্স খোলা ব্যক্তি। হাতের আঙুল, বাক্স ও শরীরের ওভারল্যাপ দেখার কম্পোজিশন।
উদাহরণ 28: হাতে ধরা প্রসাধনী। লেবেলের লেখা ও আঙুলের সংস্পর্শসহ পণ্যের ছবি।
উদাহরণ 29: প্রসাধনীকে ঘরের পণ্য শটে রূপান্তর। প্রাকৃতিক আলো, টেবিল ও খাদ্য উপকরণ যোগ করা হয়েছে।
উদাহরণ 30: ম্যানিকুইনে পরানো পোশাক। পরবর্তী ব্যক্তির ট্রাই-অন তৈরির পণ্য রেফারেন্স।
ভার্চুয়াল ট্রাই-অন ও পরিধান কম্পোজিট
উদাহরণ 31: রেফারেন্স পোশাক ব্যক্তির গায়ে পরানো। নকশা, দৈর্ঘ্য ও সিলুয়েট শরীরের সঙ্গে মানানো হয়েছে।
উদাহরণ 32: ব্রেসলেটের একক পণ্য ছবি। পরিধান কম্পোজিটের কন্ডিশন ছবি।
উদাহরণ 33: ব্যক্তির কবজিতে ব্রেসলেট পরানো। ত্বকের সংস্পর্শ ও ছায়া স্বাভাবিকভাবে মেলানো হয়েছে।
উদাহরণ 34: টাওয়ারের সামনে সেলফি। দৃষ্টিভঙ্গি বদলের ইনপুট ছবি।
উদাহরণ 35: সেলফি থেকে তৃতীয়-ব্যক্তির দৃষ্টিভঙ্গি। একই ব্যক্তি ও স্থানকে বড় ফ্রেমে পুনর্গঠন করা হয়েছে।
চরিত্র শিট ও ধারাবাহিকতা
উদাহরণ 36: সাদা পোশাকের ব্যক্তির পোর্ট্রেট। চরিত্র সেটিং রেফারেন্সের ইনপুট।
উদাহরণ 37: ব্যক্তির সেটিং এক পাতায় সাজানো ডিজাইন শিট। মুখ, পোশাক, উপকরণ ও টেক্সট তথ্য একত্র করা হয়েছে।
উদাহরণ 38: সামনে, পাশ ও পেছনসহ চরিত্র শিট। ভিডিও ও কমিকের রেফারেন্স অ্যাসেটের জন্য।
উদাহরণ 39: একই ব্যক্তিকে একাধিক দৃশ্যে স্থাপন। ভঙ্গি ও স্থান বদলালে মুখ ও পোশাক কতটা বজায় থাকে তা দেখায়।
উদাহরণ 40: স্থাপত্যের ব্যাখ্যামূলক চিত্র। লেখা, নকশা, উপাদানের নমুনা ও নোট এক ছবিতে একীভূত করা ডকুমেন্ট জেনারেশন।
UI, নথি ও স্বাভাবিক ব্যক্তিচিত্র
উদাহরণ 41: ভ্রমণ বুকিং অ্যাপের UI। ছোট লেখা, কার্ড, ছবি ও বোতামসহ স্ক্রিন ডিজাইন।
উদাহরণ 42: জ্যামিতির প্রশ্নসহ নথি। দীর্ঘ লেখা ও চিত্রসহ পাতা তৈরির কঠিনতা দেখা যায়।
উদাহরণ 43: বাইরের প্রাকৃতিক আলোর পোর্ট্রেট। টুপি, চুল ও পাতার ফাঁক দিয়ে আসা আলো।
উদাহরণ 44: মেরিনার ব্যক্তিচিত্র। দড়ি, নৌকা, সরঞ্জামসহ সূক্ষ্ম ব্যাকগ্রাউন্ডের ফটোরিয়াল উদাহরণ।
তুলনার সুবিধার জন্য বড় দৃশ্য ও বিকল্প দৃষ্টিভঙ্গি
উদাহরণ 45: গ্রুপ ছবির ফলের বড় অংশ। বহু রেফারেন্সকে এক স্থানে মিলানোর সময় মুখ, ভঙ্গি ও আলো যাচাই করা যায়।
উদাহরণ 46: আসবাব একীভূত করার পর ঘরের বড় অংশ। পৃথক পণ্য রেফারেন্স থেকে পুরো ঘরের পার্সপেক্টিভ ও আলো তৈরি করা হয়েছে।
উদাহরণ 47: ক্যামেরা দৃষ্টিভঙ্গি বদলের পর বর্গাকার ক্রপ। পটভূমির টাওয়ার ও ব্যক্তির স্কেল সম্পর্ক আরও স্পষ্ট করা হয়েছে।
উদাহরণ 48: ক্যারেক্টার ডিজাইন শিটের বড় অংশ। মুখের ভিন্নতা, লেখা ও উপকরণের লোকাল গুণমান দেখা যায়।
উদাহরণ 49: একই ব্যক্তিকে বহু দৃশ্যে প্রসারিত করা অংশের বড় দৃশ্য। দীর্ঘ সৃজন প্রক্রিয়ায় গুরুত্বপূর্ণ পোশাক ও মুখের ধারাবাহিকতা দেখা যায়।
উদাহরণ 50: স্থাপত্য ইনফোগ্রাফিকের বড় অংশ। লাইন আর্ট, উপাদান, নোট ও ফাঁকা জায়গার নকশার যৌথ চ্যালেঞ্জ দেখায়।
ছবির উৎস: Qwen Team-এর “Qwen-Image-2.1” অফিসিয়াল নমুনা। বড় করে দেখানো 6টি ছবি তুলনামূলক ব্যাখ্যার জন্য সম্পাদিত ক্রপ।
Reddit-এ আলোচিত উদাহরণ ও পরীক্ষা: 100টি নির্বাচন
নিচে Reddit-এর প্রধান Qwen-Image 2.1 পোস্ট থেকে বাস্তবে আলোচিত ছবি তৈরি ও সম্পাদনার ধরনগুলোকে 100টি পয়েন্টে সাজানো হয়েছে। পোস্টদাতার ব্যক্তিগত মতামত ও পরিবেশভেদ অন্তর্ভুক্ত থাকায় এগুলো বেঞ্চমার্ক নয়; বরং “কী পরীক্ষা করলে মডেলের স্বভাব বোঝা যায়”—এমন একটি ব্যবহারিক ক্যাটালগ হিসেবে পড়ুন।
A. ব্যক্তিচিত্র ও পোর্ট্রেট (1–10)
- স্মার্টফোনে তোলা শখের নারী ছবি।
- সুপারমার্কেটের শেলফের সামনে তোলা দৈনন্দিন পোর্ট্রেট।
- সিনেমাটিক ব্যাকলাইটে ব্যক্তিচিত্র।
- রাতের শহরের পটভূমিতে ব্যক্তির পুনরায় আলো নির্ধারণ।
- বৃষ্টির রাতে আবহাওয়া ও সময় একসঙ্গে বদলানো।
- ত্বকের টেক্সচার বজায় রাখা ফ্যাশন ছবি।
- নিচু ক্যামেরা অবস্থান থেকে ডান পাশের শট।
- সামনের ছবি থেকে থ্রি-কোয়ার্টার অ্যাঙ্গেলে ক্যামেরা পরিবর্তন।
- বড় অভিব্যক্তিগত পরিবর্তনসহ মুখ পুনর্জন্ম।
- একাধিক আলোর অবস্থা থেকে সমন্বিত “রেফারেন্স মুখ” তৈরি।
উল্লেখযোগ্য উৎস: 200টির বেশি 1girl পরীক্ষা (প্রায় 1,483 ভোট), প্রাথমিক রিভিউ
B. চরিত্রের সামঞ্জস্য (11–20)
- একই চরিত্রের সামনে, পাশে ও পেছনের শিট।
- মুখের ক্লোজ-আপ ও পূর্ণদেহ একত্র করা সেটিং রেফারেন্স।
- 2×2 মুখ রেফারেন্স থেকে একক সামঞ্জস্যপূর্ণ মুখ তৈরি।
- একই ব্যক্তিকে অন্য স্থানে নিয়ে গিয়েও মুখ বজায় রাখা।
- একই ব্যক্তির শুধু পোশাক পরিবর্তন।
- একই ব্যক্তির শুধু চুলের স্টাইল পরিবর্তন।
- একই ব্যক্তির শুধু ভঙ্গি প্রতিস্থাপন।
- একই ব্যক্তিকে ফটোরিয়াল ও কমিক সংস্করণে আঁকা।
- ধারাবাহিক শটের জন্য একাধিক ভঙ্গি তৈরি।
- ভিডিও তৈরির রেফারেন্স অ্যাসেট হিসেবে চরিত্র শিট ব্যবহার।
উল্লেখযোগ্য উৎস: ক্যারেক্টার ডিজাইন শিট, চার দিকের মুখ রেফারেন্স (প্রায় 157 ভোট), Qwen বনাম FLUX.2 Krea (প্রায় 116 ভোট)
C. ভঙ্গি, ক্যামেরা ও কম্পোজিশন স্থানান্তর (21–30)
- রেফারেন্স 1-এর ব্যক্তিতে রেফারেন্স 2-এর ভঙ্গি স্থানান্তর।
- বসা ব্যক্তিকে অন্য ছবির হলুদ চেয়ারে স্থাপন।
- দাঁড়ানো ভঙ্গিকে বসা ভঙ্গিতে বদলেও পোশাক বজায় রাখা।
- সামনের কম্পোজিশনকে নিচু অ্যাঙ্গেলের মিড শটে পরিবর্তন।
- বিষয়ের আকার বজায় রেখে শুধু ফ্রেম প্রসারিত করা।
- পোজ স্টুডিও ছবি থেকে ফটোরিয়াল ব্যক্তিতে ভঙ্গি স্থানান্তর।
- ফটোরিয়াল ব্যক্তিকে Simpsons-ধাঁচে রূপান্তর করেও ভঙ্গি রাখা।
- ক্যামেরা অ্যাঙ্গেল বদলেও পণ্যের পরিধানের অবস্থান রাখা।
- ফোরগ্রাউন্ড ও ব্যাকগ্রাউন্ড উভয়ে গভীর depth of field প্রয়োগ।
- একাধিক ব্যক্তির সারিবিন্যাস না ভেঙে গ্রুপ ছবি করা।
উল্লেখযোগ্য উৎস: এডিটিং টিপস (প্রায় 513 ভোট), Editing Beast (প্রায় 840 ভোট)
D. পণ্য, বিজ্ঞাপন ও ভার্চুয়াল ট্রাই-অন (31–40)
- চ্যাপ্টা কোক ক্যানকে একযোগে অন্য পণ্যের ক্যানে প্রতিস্থাপন।
- ক্যানের বিকৃতি রেখে শুধু রং ও ডিজাইন বদলানো।
- পণ্যের রং আশপাশের সাদা পৃষ্ঠে প্রতিফলিত করা।
- অন্য ছবির হাতঘড়ি ব্যক্তির কবজিতে স্বাভাবিকভাবে পরানো।
- মূল ভঙ্গি, শরীরের গঠন ও আলো বজায় রাখা হাতঘড়ির বিজ্ঞাপন।
- মডেল, পোশাক, জুতা, ব্যাগ ও টুপির 5টি রেফারেন্সে ট্রাই-অন।
- পণ্যের ছবিতে অন্য ছবির লোগো বসানো।
- শুধু প্যাকেজিং বদলে শুটিং সেট অক্ষুণ্ণ রাখা।
- ই-কমার্স পণ্যের স্বচ্ছ ব্যাকগ্রাউন্ড কাটআউট।
- একই পণ্যকে বিভিন্ন ব্যাকগ্রাউন্ড ও আলোয় উপস্থাপন।
উল্লেখযোগ্য উৎস: Editing Beast (প্রায় 840 ভোট), অফিসিয়াল ব্লগের বহু রেফারেন্স উদাহরণ
E. ব্যাকগ্রাউন্ড, আলো ও উপাদান সম্পাদনা (41–50)
- দিনের ব্যাকগ্রাউন্ডকে বৃষ্টির রাতে বদলানো।
- ব্যক্তিকে রেখে শুধু ব্যাকগ্রাউন্ড বদলানো।
- রেফারেন্স ছবির আলো ও ব্যাকগ্রাউন্ড একসঙ্গে স্থানান্তর।
- দেয়ালকে অন্য ছবির সবুজ টেক্সচারে প্রতিস্থাপন।
- ঘরকে উষ্ণ সন্ধ্যার আলোয় বদলানো।
- হাই-ফ্যাশন ফটোশুটের মতো তীক্ষ্ণ আলোয় বদলানো।
- ব্যাকগ্রাউন্ডের আলোর সঙ্গে মিলিয়ে ব্যক্তির ছায়া পুনর্নির্ণয়।
- সাধারণ নোইজ ও Brownian নোইজের ফটোরিয়ালিজম তুলনা।
- Euler ও কাস্টম eta 0.50 sampler-এর টেক্সচার তুলনা।
- দুই-ধাপের sampler-এ শার্পনেস ও স্বাভাবিকতার ভারসাম্য।
উল্লেখযোগ্য উৎস: এডিটিং টিপস, সেটিং পরীক্ষা থ্রেড (প্রায় 80 ভোট)
F. স্বচ্ছ PNG, কাটআউট ও লোকাল এডিটিং (51–60)
- একক চরিত্রের স্বচ্ছ ব্যাকগ্রাউন্ড PNG।
- পণ্যের স্বচ্ছ ব্যাকগ্রাউন্ড অ্যাসেট।
- একাধিক উপাদানে তৈরি স্বচ্ছ ডিজাইন অ্যাসেট।
- ছবি থেকে শুধু ব্যক্তি বের করা।
- স্বচ্ছ লেয়ারে বিষয় সম্পাদনা।
- আলফা সীমানাসহ আকৃতির ইনপেইন্টিং।
- হেডফোনের আকৃতি ও স্বচ্ছ এলাকা একসঙ্গে পরিবর্তন।
- লাল রঙে চিহ্নিত পোশাকের এলাকা মাত্র প্রতিস্থাপন।
- বৃত্ত দিয়ে ঘেরা উপকরণ মাত্র সম্পাদনা।
- মাস্কের বাইরের অংশ পুরোপুরি ফিরিয়ে আনা লোকাল এডিটিং।
উল্লেখযোগ্য উৎস: LanPaint দিয়ে আলফা এডিটিং (প্রায় 77 ভোট), প্রাথমিক রিভিউ
G. আউটপেইন্টিং ও পুনরুদ্ধার (61–70)
- শুধু বাম দিকে ক্যানভাস প্রসারণ।
- শুধু ডান দিকে ক্যানভাস প্রসারণ।
- শুধু ওপরের দিকে ক্যানভাস প্রসারণ।
- শুধু নিচের দিকে ক্যানভাস প্রসারণ।
- বাম, ডান ও নিচ একসঙ্গে প্রসারণ।
- তির্যকভাবে কাত হওয়া ছবির খালি অংশ পূরণ।
- খারাপ ক্রপে বাদ পড়া পটভূমি পুনরুদ্ধার।
- আংশিক কাটা বিষয়ের চারপাশ পূরণ।
- মূল ব্যাকগ্রাউন্ড রেখে ওয়াইড ফ্রেম তৈরি।
- পুরোনো ছবি পুনরুদ্ধারে দানাদার ভাব ও কনট্রাস্ট পরিবর্তনের তুলনা।
উল্লেখযোগ্য উৎস: আউটপেইন্টিং পরীক্ষা (প্রায় 62 ভোট), ছবি পুনরুদ্ধার নিয়ে সমালোচনামূলক পরীক্ষা
H. পোস্টার, লেখা ও গ্রাফিক ডিজাইন (71–80)
- বড় শিরোনামসহ ইভেন্ট পোস্টার।
- আগে কম্পোজিশন ও তথ্যের স্তরবিন্যাস নির্ধারণ করা বিজ্ঞাপন ডিজাইন।
- 2–2.5MP-এ বড় লেখা স্থিতিশীল রাখার তুলনা।
- প্রায় 4MP-এ লেখাবিহীন ভিজ্যুয়ালের সূক্ষ্মতা বাড়ানোর তুলনা।
- পণ্যের নামসহ প্যাকেজ ডিজাইন।
- ভিনটেজ টিভিতে “Qwen” দেখানো গ্রাফিক।
- সাইনবোর্ড বা লোগো অন্য ছবিতে স্বাভাবিকভাবে কম্পোজিট করা।
- দীর্ঘ প্রম্পটে জটিল লেআউট।
- ইংরেজি ইনফোগ্রাফিকের লেখার বিকৃতি ও চীনা লেখা মিশে যাওয়ার পরীক্ষা।
- GPT-ভিত্তিক ইমেজ মডেলের সঙ্গে ডিজাইন গুণমান তুলনার পোস্টার।
উল্লেখযোগ্য উৎস: ডিজাইনের জন্য প্রম্পট টেমপ্লেট, সংক্ষিপ্ত রিভিউ ও ভিনটেজ TV উদাহরণ
I. স্টাইল রূপান্তর, ইলাস্ট্রেশন ও গল্প তৈরি (81–90)
- ফটোরিয়াল ছবি থেকে কমিক-ধাঁচে রূপান্তর।
- ফটোরিয়াল ব্যক্তি থেকে Simpsons-ধাঁচে রূপান্তর।
- রেফারেন্স ছবির শুধু শিল্পশৈলী অন্য ছবিতে স্থানান্তর।
- চরিত্র ও ব্যাকগ্রাউন্ড রেখে রঙের টোন বদলানো।
- Polaroid ছবির স্টাইলে ছবি তৈরি।
- 4-প্যানেলের স্টোরিবোর্ড তৈরি।
- একই ব্যক্তিকে একাধিক দৃশ্যে প্রসারিত করা।
- প্রাণী, গাড়ি ও ব্যক্তি বজায় রেখে ধারাবাহিক গল্পের শট।
- আধুনিক অ্যানিমে স্ক্রিনশট-ধাঁচে ছবি তৈরি।
- ফটোরিয়াল ও সিনেমাটিক দিকে টেনে নেওয়া অ্যানিমে-ধাঁচের ব্যর্থতার তুলনা।
উল্লেখযোগ্য উৎস: Polaroid পরীক্ষা, Krea 2-এর সঙ্গে অ্যানিমে ব্যবহারের তুলনা, প্রাথমিক রিভিউ
J. ওয়ার্কফ্লো, গতি ও গুণমানের তুলনা (91–100)
- CFG 1–5-এ কম্পোজিশন, টেক্সচার ও কনট্রাস্ট তুলনা।
- CFG 2-এর নিচে এবং CFG 4-এ “অতিরিক্ত পুড়ে যাওয়া” ফলের তুলনা।
- 16 স্টেপ, 1MP ও INT8-এ দ্রুত জেনারেশন।
- 25 স্টেপ ও 2K-এ এডিটিং গুণমান পরীক্ষা।
- 30 স্টেপ ও 2K থেকে 4K-এ আপস্কেল।
- 4-স্টেপ LoRA দিয়ে প্রায় দ্বিগুণ গতির এডিটিং।
- 8 স্টেপ, 1024×1280 ও RTX 3060-এ প্রায় 45 সেকেন্ডে ব্যক্তি তৈরি।
- Qwen ও FLUX.2 Krea-এর ক্যারেক্টার শিট গতির তুলনা।
- 2K-এ পিক্সেল নির্ভুলতা ও 10 রেফারেন্স ছবি একীভূতকরণ পরীক্ষা।
- Fix v2.0 ও বিশেষ sampler দিয়ে সূক্ষ্ম নোইজ কমানোর তুলনা।
উল্লেখযোগ্য উৎস: ComfyUI মডেল প্রকাশ থ্রেড (প্রায় 106 ভোট), 4-স্টেপ কম VRAM (প্রায় 44 ভোট), পরীক্ষার ফলাফল, Fix v2.0
Reddit-এর মূল্যায়নের সারাংশ
বেশি প্রশংসিত বিষয়
- এডিটিং পারফরম্যান্স: রং, ব্যাকগ্রাউন্ড, উপাদান, ভঙ্গি ও পণ্য বদলালেও মূল ছবিকে তুলনামূলকভাবে ভালো রাখে।
- বহু রেফারেন্স: ব্যক্তি, পণ্য, ফ্যাশন ও উপকরণ মিলিয়ে তৈরির কাজে শক্তিশালী।
- চরিত্রের সামঞ্জস্য: সেটিং রেফারেন্স ও ধারাবাহিক শট তৈরির সূচনাবিন্দু হিসেবে আশাব্যঞ্জক।
- স্বচ্ছ ছবি: শুধু কাটআউট নয়, আলফা নিজেই তৈরি ও সম্পাদনা করা যায়।
- আউটপেইন্টিং: একসঙ্গে একাধিক দিকে প্রসারণের কাজে ব্যবহারবান্ধব।
- আকার ও গতি: 7B জেনারেশন অংশ হিসেবে ব্যবহারিক, এবং কোয়ান্টাইজেশন ও দ্রুত করার বহু বিকল্প রয়েছে।
বারবার চিহ্নিত দুর্বলতা
- হাত, আঙুল, বাহু ও জটিল মানবদেহের গঠন অস্থির।
- দূরের মুখ ও সূক্ষ্ম রেখা সহজে ভেঙে যায়।
- ডিফল্ট আউটপুটে কখনও নোইজ বা সূক্ষ্ম বিবরণের অগোছালো ভাব দেখা যায়।
- কনট্রাস্ট বেশি হতে পারে এবং কালো অংশ অতিরিক্ত ডুবে যেতে পারে।
- ছবি পুনরুদ্ধারে মূল দানাদার ভাব বা সূক্ষ্ম আকৃতি অনিচ্ছায় বদলে যেতে পারে।
- চরিত্র শিটে শরীরের গঠন কিছুটা খাটো ও ভারী দেখায়—এমন সমালোচনা আছে।
- রেফারেন্স ছবি বাড়লে বৈশিষ্ট্য গুলিয়ে যাওয়া ও হ্যালুসিনেশন সহজ হয়।
- কিছু অ্যানিমে স্টাইল ফটোরিয়াল বা সিনেমাটিক দিকে টেনে নেওয়া হয়।
- লেখায় শক্তিশালী উদাহরণ থাকলেও ছোট লেখা বা ইংরেজি ইনফোগ্রাফিক অস্থির।
- সেটিং, প্রম্পট রিরাইট ও sampler-এর কারণে ফলাফলে বড় পার্থক্য হয়।
এই পক্ষে-বিপক্ষের মূল্যায়ন থেকে বোঝা যায়, Qwen-Image 2.1 “একবারেই নিখুঁত সর্বজনীন মডেল” নয়; বরং “এডিটিংকে কেন্দ্র করে, সেটিং ও ওয়ার্কফ্লো যত উন্নত করা যায় তত শক্তিশালী হয়ে ওঠা সৃজনশীল মডেল”।
ব্যবহারিকভাবে শুরু করার উপায়
ComfyUI ব্যবহার করলে সর্বশেষ সংস্করণে আপডেট করে বিল্ট-ইন টেমপ্লেট থেকে Text-to-Image অথবা Image Edit বেছে নিন। অফিসিয়াল সমর্থিত ওয়ার্কফ্লোগুলো GitHub-এও প্রকাশিত আছে। প্রথমে অফিসিয়ালের কাছাকাছি 40 স্টেপে একটি ভিত্তি ছবি তৈরি করুন, তারপর 16, 8 ও 4 স্টেপে নামিয়ে গতি ও গুণমান তুলনা করুন।
এডিটিংয়ে অস্পষ্টভাবে “আরও ভালো করো” না লিখে নিচের ক্রমে লিখলে পরীক্ষা করা সহজ হয়।
- কী পরিবর্তন করবেন।
- কোন রেফারেন্স ছবি থেকে কী আনবেন।
- কী কোনোভাবেই পরিবর্তন করা যাবে না।
- আলো, ব্যাকগ্রাউন্ড, শরীরের গঠন, ভঙ্গি ও কম্পোজিশন কীভাবে বজায় থাকবে।
- ব্যর্থ হওয়ার সম্ভাবনাময় উপাদানগুলো নেগেটিভ নির্দেশনায় যোগ করা।
যেমন পণ্য কম্পোজিটে, “ছবি 1-এর ব্যক্তি ও ভঙ্গি বজায় রাখুন, শুধু ছবি 2-এর হাতঘড়িটি কবজিতে পরান। শরীরের গঠন, ব্যাকগ্রাউন্ড ও আলো বদলাবেন না”—এভাবে বিষয় ও সংরক্ষণের শর্ত পরিষ্কার করুন। বহু রেফারেন্সে <image1>, <image2>-এর সম্পর্ক অস্পষ্ট না রাখা গুরুত্বপূর্ণ।
স্বচ্ছ ছবির ক্ষেত্রে Reddit-এ ভাগ করা উদাহরণগুলোতে “RGBA image”, “alpha channel”, “background is transparent” স্পষ্টভাবে উল্লেখ করা হয়েছে। স্বচ্ছ সীমানাসহ এডিট করতে চাইলে LanPaint-এর মতো আলফা-সমর্থিত মাস্ক প্রসেসিং ব্যবহার করুন।
কার জন্য উপযোগী
Qwen-Image 2.1 নিচের ব্যবহারগুলোর সঙ্গে ভালো মানায়।
- ComfyUI দিয়ে লোকালে কাজ করতে চান এমন ব্যক্তি।
- ব্যক্তি বা পণ্যের শুধু নির্দিষ্ট অংশ পরিবর্তন করতে চান এমন ব্যক্তি।
- একাধিক রেফারেন্স উপাদানকে এক বিজ্ঞাপন বা দৃশ্যে একত্র করতে চান এমন ব্যক্তি।
- চরিত্র সেটিং রেফারেন্স বা ভিডিওর জন্য রেফারেন্স ছবি বানাতে চান এমন ব্যক্তি।
- স্বচ্ছ PNG অথবা গেম ও ওয়েবের অ্যাসেট তৈরি করতে চান এমন ব্যক্তি।
- নিজস্ব সার্ভারে ছবি তৈরি ও সম্পাদনার API পরিচালনা করতে চান এমন গবেষণা ও উন্নয়ন দল।
অন্যদিকে, সম্পূর্ণ নির্ভুল ছবি পুনরুদ্ধার, দীর্ঘ ধারাবাহিক কাজে কঠোর পরিচয়-সামঞ্জস্য, হাত গুরুত্বপূর্ণ এমন জটিল ভঙ্গি, ছোট লেখায় ভরা ইনফোগ্রাফিক এবং বাণিজ্যিক ব্যবহার ধরে শর্তহীন গ্রহণের ক্ষেত্রে অন্য মডেলের সঙ্গে তুলনা ও লাইসেন্স যাচাই অপরিহার্য।
উপসংহার
Qwen-Image 2.1-এর সারমর্ম হলো, তুলনামূলক ছোট 7 বিলিয়ন প্যারামিটারের জেনারেশন অংশে T2I, ছবি সম্পাদনা, সর্বোচ্চ 10টি রেফারেন্স, লোকাল এডিটিং, স্বচ্ছ RGBA ও বিষয় আলাদা করাকে একীভূত করা। Reddit-এও সবচেয়ে বেশি আগ্রহ সাধারণ সুন্দরী চরিত্র তৈরিতে নয়; বরং হাতঘড়ি বা ক্যান প্রতিস্থাপন, চরিত্র শিট, ব্যাকগ্রাউন্ড ও আলো স্থানান্তর, আউটপেইন্টিং এবং আলফা এডিটিংয়ের মতো “সৃজন প্রক্রিয়া ছোট করার” ব্যবহারে।
তবে উদাহরণগুলোর মূল্যায়ন সেটিংসের ওপর ব্যাপকভাবে নির্ভরশীল। CFG, sampler, স্টেপ সংখ্যা, রেজোলিউশন, প্রম্পট রিরাইট ও দ্রুততর LoRA-এর কারণে একই মডেল থেকেও একেবারে ভিন্ন ফল আসতে পারে। প্রথমে অফিসিয়াল সেটিংয়ে ভিত্তি তৈরি করা, একবারে একটি পরিবর্তন তুলনা করা এবং গুরুত্বপূর্ণ কাজে অন্য মডেলের সঙ্গে ব্লাইন্ড তুলনা করা নিরাপদ পদ্ধতি।
সবচেয়ে বড় সতর্কতার বিষয় হলো লাইসেন্স। ওয়েট প্রকাশিত হলেও বাণিজ্যিক ব্যবহার স্বয়ংক্রিয়ভাবে মুক্ত নয়। প্রযুক্তিগত দিক থেকে এটি অত্যন্ত আকর্ষণীয়, কিন্তু পেশাগতভাবে গ্রহণের আগে অফিসিয়াল লাইসেন্স ও সর্বশেষ শর্ত যাচাই করে সিদ্ধান্ত নিন।
প্রধান লিংক
- Qwen-Image 2.1 অফিসিয়াল ব্লগ
- অফিসিয়াল GitHub রিপোজিটরি
- Hugging Face Diffusers ডকুমেন্টেশন
- ComfyUI-এর জন্য মডেল
- Reddit: 1girl উদাহরণ সংগ্রহ
- Reddit: Editing Beast
- Reddit: এডিটিং টিপস
- Reddit: আউটপেইন্টিং
- Reddit: আলফা চ্যানেল ইনপেইন্টিং
- Reddit: Qwen-Image 2.1 Fix v2.0
※ এই নিবন্ধটি 2026 সালের 4 অক্টোবর পর্যন্ত অফিসিয়াল তথ্য ও প্রকাশ্য কমিউনিটি পোস্টের ভিত্তিতে তৈরি। Reddit-এর ভোটসংখ্যা, মডেল-সম্পর্কিত টুল এবং লাইসেন্সের শর্ত পরিবর্তিত হতে পারে।