Scribble at 2026-11-16 14:54:36 Last modified: 2026-11-17 08:25:27
今年も年末に向けて、新しい DiT が揃ってきた。画像生成 AI が一般ユーザにまで普及してから3年目となるわけだが、ひとまず僕の環境で動くモデルとしては、現状で Krea 2、Qwen 2.1、そして P-H3-Image というのが最新のラインナップとなっている。そして、これからどれを使っていくかだが、学習効率の比較がプロンプトだけの問題であるなら、恐らくは大きく差はないと思う。どれも原則として構造化された key - value タイプのプロンプトにも対応するし、自然文でのプロンプトにも対応するので、矛盾のないプロンプトを組み立てられるなら、どのモデルを使っても大差はないだろう。個別にキーワードの選択や順番などを微調整するていどで済むと思う。
でも、これらは他の条件で比較する必要もあろう。たとえば、オープン・ウェイトとしてリリースされ続けるかどうかという継続性について考えると、Qwen はアリババがシェアを維持するために継続してアップデートするだろうと期待できるけれど、Krea 2 や Pruna AI のような企業は、オープン・ウェイトをリリースして技術的なケーパビリティを示して、自社のサービスに誘導するための販促をやっていると言えるから、そこまで積極的なアップデートは行わないであろう。特に P-H3-Image は、もともとが MiniMax-H3-Image をベースにしているのだから、MiniMax のリリース方針へ依存しており、独立したアップデートはしないはずである。Krea 2 も、画質は非常によいし、デザイナー用途のすぐれたプロンプト応答性を示していると評価されているけれど、逆に言えば無償で使い続ける僕らのようなライト・ユーザは即座に捨てられる可能性もあろう。
ということなので、Qwen 2.1 をしっかり扱えるようにしたい。それに、テキスト・エンコーダにはもともと定評があるから、自然文のプロンプトを組む基本的な練習材料にもなるだろうし、Qwen 2.1 Image には prompt rewriting model、いわゆるプロンプト・エンジニアと呼ばれるモデルもあって、key - value タイプの入力を書き換えてくれる期待もある。