Qwen-Image— 阿里通义千问开源的文生图模型

发布时间：2025-08-06

点击次数：

Qwen-Image是什么

qwen-image 是由阿里通义千问团队推出的开源200亿参数mmdit图像生成模型，作为通义千问系列首款专注于视觉生成的基础模型，它在复杂文本渲染与精准图像编辑方面表现卓越。该模型支持多行排版、段落级文字生成以及高度细致的图像细节呈现，能够实现中英文内容的高质量、高保真输出。在通用图像生成和高级编辑任务中，qwen-image展现出强大的适应能力，兼容多种艺术风格并支持复杂的图像操作。目前，用户可通过qwen chat平台的图像生成功能直接体验其强大性能。

AdMaker AI

从0到爆款高转化AI广告生成器

65 查看详情 AdMaker AI

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
Qwen-Image的主要功能

复杂文本渲染：支持多行文本与段落生成，可清晰展现微小字体内容，在中文和英文的文字生成上具有出色表现。
精确图像编辑：具备风格迁移、对象添加/删除/修改、细节增强、文本内容编辑及人物姿态调整等能力，同时保持图像整体自然真实。
通用图像生成：支持多样艺术风格，可根据用户描述生成富有创意的图像内容。

Qwen-Image的技术原理

模型架构：采用先进的多模态大语言模型（MLLM）作为文本编码器，精准解析语义信息并转化为图像生成所需的特征向量。变分自编码器（VAE）用于将图像压缩至潜在空间，并在推理阶段完成高质量解码。核心结构为多模态扩散变换器（MMDiT），通过逐步去噪机制生成图像，并结合文本特征引导，确保图文高度一致。
数据处理：构建了涵盖自然场景、设计作品、人物图像及合成数据的大规模高质量数据集，经过多阶段过滤流程剔除低质或不合规样本，保障训练数据的多样性与纯净度。
训练策略：采用流匹配（Flow Matching）作为预训练目标，结合常微分方程（ODE）优化训练稳定性，同时保持与最大似然估计的等价性。融合文本到图像（T2I）、图像到图像（I2I）和文本图像联合输入（TI2I）的多任务训练范式，基于共享潜在空间实现跨任务协同学习。

Qwen-Image的性能表现

总体性能表现：
- 多基准领先：在多个公开评测中取得12项SOTA（当前最优）成绩，彰显其在图像生成与编辑领域的领先地位。
- 超越主流模型：在通用生成测试（如GenEval、DPG、OneIG-Bench）和图像编辑评估（如GEdit、ImgEdit、GSO）中，性能优于Flux.1、BAGEL等开源模型，且超过字节跳动SeedDream 3.0和OpenAI GPT Image 1（High）等闭源系统，整体生成质量与编辑精度达到行业领先水平。
文本渲染能力表现：
- 文本渲染评测领先：在LongText-Bench、ChineseWord、TextCraft等权威文本图像评测中表现突出，尤其在中文文本生成方面显著优于现有先进模型，包括SeedDream 3.0与GPT Image 1（High）。
- 中文渲染优势明显：针对中文语言特点，在语义理解、字体生成、版式布局等方面进行了专门优化，能更好应对中文字符的复杂结构与多样性需求。