近日，阿里巴巴宣布开源了其通义千问系列中的首个图像生成基础模型——Qwen-Image。这款模型在复杂文本渲染和多场景适应性方面表现出色，标志着国产图像生成技术迈出了重要一步。
Qwen-Image以其强大的文本处理能力脱颖而出，不仅能够准确生成不同语种和风格的文字，还能模拟书法笔触，甚至直接生成包含文本和图像的PPT页面。在展示案例中，Qwen-Image不仅精准还原了“宫崎骏”风格，还根据构图景深变化，将“云存储”、“云计算”等字样自然融入画面。
在英文内容生成方面，Qwen-Image同样表现出色。根据英文提示词，它成功创建了一个书店橱窗场景，不仅准确还原了所有指定文字，还为每本书生成了风格化的字体和封面，与书名相得益彰。
除了文本处理，Qwen-Image在通用图像生成方面也展现出了强大的能力，支持从照片级写实到印象派绘画等多种艺术风格。其20B的参数规模和多模态扩散Transformer（MMDiT）架构，使得模型在图像生成和文本渲染方面均达到了SOTA（最佳表现）水平。
阿里千问团队在多个公开基准上对Qwen-Image进行了评估，结果显示，该模型在通用图像生成和图像编辑测试上均超越了包括Flux.1、BAGEL、SeedDream 3.0和GPT Image 1（High）在内的多个开源和闭源模型。特别是在中文文本渲染方面，Qwen-Image大幅领先现有最先进模型。
Qwen-Image的技术报告已同步开源，详细揭示了模型的具体技术实现。该模型架构由三个核心组件构成：Qwen2.5-VL多模态大语言模型作为条件编码器，Wan-2.1视频生成模型的VAE作为图像分词器，以及多模态扩散Transformer作为主干扩散模型。三者协同工作，实现了从文本到图像的精准生成。
为了提升模型的生成能力，阿里团队构建了一套涵盖数十亿规模图文对的数据集，并通过七阶段渐进式数据过滤和课程学习策略，逐步增强模型的细节表现力和文本渲染能力。团队还设计了高效的分布式训练框架和混合并行策略，以应对模型巨大的参数量和数据量。
在图像编辑方面，Qwen-Image支持风格迁移、增删改、细节增强、文字编辑和人物姿态调整等多种操作。通过统一的多任务框架，模型能够支持文本到图像和图文到图像等多种生成模式，满足用户多样化的需求。
目前，Qwen-Image已在魔搭和Hugging Face等社区开源，普通用户可在QwenChat中选择图像生成功能，直接体验这款先进的模型。随着阿里持续开源图像模型，其可用性将得到进一步提升，为图像生成技术走入真实生产场景奠定坚实基础。
