Modelli AI utilizzati da Qlara

Questa sezione include:

• Documentazione dei modelli di linguaggio, immagine e moderazione.

• Dettagli su framework, librerie e pipeline di inferenza.

• Linee guida sull’uso dei modelli in conformità con le rispettive licenze open source.

• Descrizione delle ottimizzazioni (quantizzazione, LoRA, acceleratori) applicate internamente.

 

 

1. Panoramica generale

L’infrastruttura AI di Qlara si basa su una combinazione modulare di modelli multimodali e motori di inferenza leggeri, integrati tramite pipeline ottimizzate per i casi d’uso della piattaforma:

• Generazione testuale (copywriting e assistenza conversazionale)

• Generazione ed editing di immagini

• Moderazione e classificazione dei contenuti

• Comprensione visiva (captioning e mascheratura)

Ogni componente è stato selezionato per garantire licenze compatibili (Apache 2.0 o MIT) e trasparenza d’uso.

 

2. Modelli linguistici

 

Modello	Funzione	Licenza	Fonte
Mistral-Small-24B-Instruct-2501 (AWQ)	Modello linguistico principale per generazione copy, assistenza conversazionale e logiche di intervista. Versione quantizzata AWQ per massima efficienza.	Apache 2.0	Mistral-Small-24B-Instruct-2501
GPT-OSS (20B, GGUF con llama.cpp)	Alternativa compatta e compatibile con llama.cpp; utilizzata per task di generazione secondaria e fallback.	Apache 2.0	GPT-OSS 20B
vLLM	vLLM è un motore di serving per modelli linguistici (LLM) ottimizzato per massimizzare la velocità e l’efficienza GPU.	Apache 2.0	vLLM

Libreria di inferenza:

• llama.cpp (MIT License) – per esecuzione quantizzata su CPU e GPU.

 

 

3. Modelli di generazione e editing di immagini

 

Modello	Funzione	Licenza	Fonte
Stable Diffusion XL 1.0 base	Generazione di immagini da prompt testuale ad alta risoluzione.	CreativeML Open RAIL++-M	Stability AI
ByteDance/SDXL-Lightning	Variante ottimizzata di SDXL per generazioni ultraveloci (4–8 step).	CreativeML Open RAIL++-M	ByteDance SDXL Lightning
Qwen-Image / Qwen-Image-Edit	Modelli multimodali per generazione e editing. Utilizzano versione quantizzata tramite nunchaku.	Apache 2.0	Qwen-Image, Qwen-Image-Edit
Flux Schnell	Generatore di immagini testuali rapido, quantizzato con nunchaku.	Apache 2.0	FLUX.1-schnell
Florence-2	Captioning automatico e bounding-box per maschere visive.	MIT	Florence-2
SAM-2	Segmentazione e creazione maschere di oggetti.	Apache 2.0	SAM-2
ControlNet / Union PLUS	Editing e refining strutturale di immagini.	Apache 2.0	ControlNet Plus
IP Adapter	Adattamento di stile da immagine sorgente a target.	Apache 2.0	IP Adapter
Lightning LoRA	Ottimizzazioni per ridurre da 50 a 4/8 step di generazione	Apache 2.0	Lightning LoRA

Libreria di inferenza:

• nunchaku (Apache 2.0) – backend unificato per esecuzione e quantizzazione dei modelli visivi.

 

 

4. Modelli di moderazione e sicurezza

 

Modello	Funzione	Licenza	Fonte
EraX-Anti-NSFW (YOLO11 base)	Moderazione di contenuti visivi, rilevazione pornografia/nudità.	Apache 2.0	EraX Anti-NSFW
Qwen2.5-VL-7B-Instruct-AWQ	Comprensione multimodale e moderazione semantica.	Apache 2.0	Qwen2.5-VL-7B
CLIP (OpenAI)	Comprensione rapida e classificazione promptabile delle immagini.	MIT	CLIP

Librerie associate:

• Ultralytics YOLOv11 (AGPL v3.0) – motore di inferenza per EraX.

• Florence-2 + CLIP – supporto alla caption e cross-validation di contenuti.

 

 

5. Pipeline d’uso all’interno di Qlara

 

Area funzionale	Modelli impiegati	Obiettivo
Copywriting e generazione testi marketing	Mistral-Small-24B, GPT-OSS	Creazione testi promozionali, headline, email e descrizioni automatiche.
Generazione immagini e creatività	SDXL, Qwen-Image, Flux Schnell, IP Adapter	Creazione visual coerenti con i contenuti testuali.
Editing e refinement grafico	Qwen-Image-Edit, ControlNet, SAM-2	Modifica localizzata, mascherature e rigenerazione di elementi.
Moderazione contenuti	EraX-Anti-NSFW, CLIP, Qwen2.5-VL	Prevenzione contenuti inappropriati o vietati.
Comprensione contestuale multimodale	Florence-2, CLIP, Qwen2.5-VL	Analisi e allineamento semantico tra testo e immagine.

 

6. Principi di utilizzo e governance

• Tutti i modelli sono impiegati nel rispetto delle licenze open source (Apache 2.0, MIT, RAIL).

• Qlara non ri-addestra i modelli, ma li utilizza in modalità inferenza e quantizzata.

• Tutte le chiamate AI vengono processate attraverso infrastruttura interna con monitoraggio etico e privacy-by-design.

• I contenuti generati vengono verificati da pipeline di moderazione multilivello (semantica + visiva).

• L’uso dei modelli è tracciato e versionato per garantire riproducibilità e accountability tecnica.

 

 

7. Roadmap di evoluzione AI

• Integrazione futura di OWLv2 per mascheratura visiva avanzata.

• Miglioramento della pipeline di comprehension cross-modal (testo–immagine).

• Potenziamento della moderazione predittiva tramite ensemble Florence-2 + Qwen-VL.

• Estensione dei modelli quantizzati nunchaku a inferenza distribuita su GPU.