据IT之家8月5日报道，阿里通义千问团队正式发布了开源项目Qwen-Image，这一基于MMDiT架构的20B参数模型代表了通义千问系列在图像生成领域的全新突破。作为首个专注于复杂文本渲染与精确图像编辑的基础模型，Qwen-Image展现出卓越的技术性能和应用潜力。
Qwen-Image的核心优势体现在以下几个方面：
-
强大的文本渲染能力：该模型在处理复杂文本布局、段落生成和细节呈现方面表现优异，尤其在多语言支持上实现了突破。无论是英文还是中文内容，均能确保高保真度的输出效果。
-
统一的编辑能力：通过创新性的多任务学习框架，Qwen-Image能够在图像编辑过程中保持高度一致性，显著提升了操作的稳定性和可靠性。
-
领先的跨模态性能：在GenEval、DPG等权威基准测试中，Qwen-Image均达到了最优水平（SOTA），展现出卓越的生成与编辑能力。
为全面验证模型能力，通义千问团队进行了系统性评估。评估涵盖多个维度：包括通用图像生成测试（GenEval、OneIG-Bench）、专业编辑评测（GEdit等），以及专门针对文本渲染的LongText-Bench等。
测试结果显示，Qwen-Image在中文文本处理方面表现尤为突出。与现有先进模型相比，在复杂文本渲染任务中展现出显著优势，尤其是在书法字体识别和多行布局优化等方面实现了重大突破。
为了直观展示Qwen-Image的功能，IT之家提供了多个创作示例：
画面展现的是宫崎骏风格的古街场景。阳光下，一位身着青衫、手持”阿里云”卡片的侠客站在街道中央，两个孩童好奇围观。左侧店铺挂着”云存储”标识，陈列着发光服务器；右侧则有”云计算”和”云模型”店铺，分别展示互动界面和特色装饰。
画面呈现一副书法对联，内容为：”义本生知人机同道善思新”与”通云赋智乾坤启数高志远”，横批”智启通义”。背景是古典建筑风格的厅堂，悬挂着描绘岳阳楼的中国画。
一位身着印有”QWEN”标志的美女正在微笑，背景是手写风格的英文与中文双语介绍：”Meet Qwen-Image — a powerful image foundation model capable of complex text rendering and precise image editing. 欢迎了解 Qwen-Image, 一款强大的图像基础模型，擅长复杂文本渲染与精准图像编辑”。
在视觉艺术创作方面，Qwen-Image支持多样化风格输出。从超现实主义场景到印象派绘画，从动漫二次元到极简设计，模型能够精准理解并实现各类创意需求。
作为图像编辑领域的革新工具，Qwen-Image提供全面的功能支持：包括风格迁移、对象增删、细节优化、文字修改以及人物动作调整等。这些功能使专业级的图像处理变得触手可及。
如需获取Qwen-Image的详细信息及使用指南，可参考以下资源地址：
-
ModelScope平台：https://modelscope.cn/models/Qwen/Qwen-Image
-
Hugging Face社区：https://huggingface.co/Qwen/Qwen-Image
-
官方代码仓库：https://github.com/…
-
在线文档：https://qwen-image.readthedocs.io
如需进一步了解Qwen-Image的功能与应用，可访问上述官方链接获取详细信息。
相关文章
