阿里通义千问推出新文生图模型Qwen-Image

快速阅读: 7月11日，通义千问团队发布Qwen-Image图像生成模型，具备复杂文本渲染和精确图像编辑能力，在多个基准测试中表现优异，支持多语言高保真输出，大幅降低视觉内容创作门槛。

7月11日，通义千问团队首次发布了名为Qwen-Image的20亿参数多模态扩散变换器（MMDiT）图像生成基础模型。该模型在复杂文本渲染和精确图像编辑方面取得突破，并在多个公开基准测试中展现卓越性能，成为图像生成与编辑领域的新星。

Qwen-Image凭借强大的文本渲染能力脱颖而出，支持多行布局、段落级文本生成及细粒度细节呈现，无论英语还是中文，均能实现高保真输出。例如，在渲染宫崎骏风格的动漫场景时，模型能精准呈现店铺牌匾、人物姿势及神态，甚至酒缸上的细小文字也清晰可见。同样，在中文对联的渲染中，Qwen-Image不仅准确绘制了左右联和横批，还巧妙融入了书法效果，令人叹为观止。

在英文文本渲染方面，Qwen-Image同样表现出色。无论是书店橱窗的展示信息，还是复杂的信息图表，模型都能准确生成文本内容，并巧妙融入整体构图，展现出高度的艺术性和信息性。更令人印象深刻的是，即便在处理更小或更多的文字时，Qwen-Image仍能保持高度的准确性和清晰度，如准确生成手中纸张上的长段文字，或在玻璃板上完整呈现手写体段落。

除了文本渲染，Qwen-Image在图像编辑方面也展现了非凡实力。通过增强的多任务训练范式，模型在编辑过程中能出色保持一致性，支持风格迁移、物体增减、细节增强及人物姿态调整等多种操作。这使得普通用户也能轻松实现专业级的图像编辑，大大降低了视觉内容创作的技术门槛。

在多个公开基准测试中，Qwen-Image表现亮眼。从通用图像生成的GenEval、DPG和OneIG-Bench，到图像编辑的GEdit、ImgEdit和GSO，Qwen-Image均取得了最先进的性能，展现了其在图像生成与编辑方面的全面优势。特别是在中文文本渲染上，Qwen-Image大幅领先现有最先进模型，凸显了其作为先进图像生成模型的独特地位。

目前，Qwen-Image已在魔搭社区、Hugging Face及GitHub等平台开源，并提供了详细的Technical report和Demo展示。用户可通过访问QwenChat(chat.qwen.ai)选择“图像生成”功能，亲身体验这款强大模型的魅力。

(以上内容均由Ai生成)