Qwen-Image – 阿里通義千問開源的文生圖模型

Qwen-Image 是一款由阿里通義千問團隊傾力打造的開源 20B 參數 MMDiT 模型，它在復雜文本渲染和精準圖像編輯方面展現出卓越性能，尤其擅長處理中文和英文，實現高保真輸出。

Qwen-Image：圖像創作的革新者

Qwen-Image，由阿里通義千問團隊精心研發，是一款擁有 200 億參數的開源 MMDiT 模型。作為通義千問系列的首個圖像生成基礎模型，它不僅在圖像生成領域獨樹一幟，更在圖像編輯方面展現出驚人的能力。這款模型支持多行布局、段落級文本生成以及精細的細節呈現，能夠以高保真的效果輸出中文和英文內容。用戶現在可以通過 Qwen Chat 的圖像生成功能親身體驗其卓越性能。

核心功能一覽

• 文本渲染大師：輕松處理多行文本和段落文本，即使是細小的文字也能清晰呈現，尤其擅長中文和英文的渲染。
• 圖像編輯專家：支持風格遷移、對象增刪、細節增強、文字編輯和人物姿態調整，確保圖像的自然與真實。
• 創意圖像生成器：根據用戶描述，生成各種藝術風格的創意圖像。

訪問 Qwen-Image

您可以通過以下方式體驗 Qwen-Image 的強大功能：

• Qwen Chat：訪問 Qwen Chat 官方網站，體驗圖像生成功能。
• 在線 Demo：在 Hugging Face 空間 體驗模型。

Qwen-Image 的技術基石

• 模型架構：以先進的多模態大語言模型（MLLM）為文本特征提取模塊，精準理解文本語義。變分自編碼器（VAE）將圖像編碼為緊湊潛在表示，MMDiT 模塊則基于逐步去除噪聲生成圖像，結合文本特征引導，實現高質量圖像生成。
• 數據處理：通過大規模的數據收集和精心標注，構建了涵蓋廣泛內容的豐富數據集。模型采用多階段數據過濾流程，確保數據的質量和多樣性。
• 訓練策略：采用流匹配（Flow Matching）作為預訓練目標，結合普通微分方程（ODE）穩定訓練，并保持與最大似然目標的等價性。模型同時融合文本到圖像（T2I）、圖像到圖像（I2I）和文本圖像到圖像（TI2I）的多任務訓練范式，實現多任務學習。

性能表現

• 卓越的基準測試成績：Qwen-Image 在多個公開基準測試中斬獲 12 項最佳表現（SOTA），在圖像生成與編輯領域具有強大的競爭力。
• 超越競爭對手：在通用圖像生成和圖像編輯測試中，Qwen-Image 均超越了 Flux.1、BAGEL 等開源模型，以及字節跳動的 SeedDream 3.0 和 OpenAI 的 GPT Image 1（High）等閉源模型。
• 中文文本渲染的優勢：在 LongText-Bench、ChineseWord 和 TextCraft 等測試中，Qwen-Image 表現出色，特別是在中文文本渲染方面，大幅領先現有最先進模型。

應用場景

• 內容創作：快速生成高質量的圖像，提升創意設計和演示文稿的制作效率。
• 藝術與設計：為藝術家和設計師提供豐富的靈感，加速藝術作品的創作。
• 教育與學習：生成教學材料和語言學習相關的圖像，輔助學習。
• 商業與營銷：快速生成吸引人的廣告圖像和品牌推廣素材，提升廣告效果。
• 娛樂與游戲：生成游戲角色、場景和道具圖像，加速娛樂內容的創作。

常見問題解答

Q: Qwen-Image 可以處理哪些語言？

A: Qwen-Image 支持中文和英文，并能實現高保真輸出。

Q: 如何使用 Qwen-Image 生成圖像？

A: 您可以通過 Qwen Chat 的圖像生成功能，輸入文本描述來生成圖像。

Q: Qwen-Image 的模型開源了嗎？

A: 是的，Qwen-Image 已經開源，您可以在 GitHub 和 Hugging Face 上找到相關資源。

項目資源

• GitHub 倉庫：https://github.com/QwenLM/Qwen-Image
• HuggingFace 模型庫：https://huggingface.co/Qwen/Qwen-Image
• 技術論文：技術論文