继推出开源AI代码模型Qwen3-Coder后，阿里巴巴近日在图像生成领域再推新作——开源模型Qwen-Image。针对AI绘图工具长期存在的文本渲染难题，Qwen-Image展现了出色的处理能力，为克服这一行业痛点提供了新的解决方案。
模型的架构和训练过程
Qwen-Image基于多模态扩散Transformer (MMDiT) 架构构建，拥有200亿参数，处于直接生成含复杂文本（包括多行中文）高质量图像的技术前沿。为精准理解用户指令，该模型采用Qwen2.5-VL视觉-语言模型作为条件编码器，实现语言与视觉数据的对齐。
训练方面，模型采用课程学习（Curriculum Learning） 策略，从基础非文本图像逐步进阶至复杂段落级描述。其核心亮点在于双编码机制：一方面通过Qwen2.5-VL提取高级语义特征，另一方面利用变分自编码器 (VAE) 捕捉低级重建细节。这种结合了MMDiT、Qwen2.5-VL和VAE三大模块的架构，使其在公开基准测试中表现卓越。
在LongText-Bench和ChineseWord等文本导向评估中，Qwen-Image展现出强大竞争力，足以抗衡领先专有系统。不过也有部分试用反馈指出，其在文本及命令行遵循能力上与Midjourney相比暂无显著优势。但在GenEval、DPG、OneIG-Bench、TIIF以及CVTG-2K等多维度评测中，Qwen-Image的表现与GPT Image 1、Seedream 3.0、FLUX.1 Kontext等闭源模型相当甚至更优，尤其在中文文本处理上显著优于对比系统。在万人参与的双盲测试AI Arena排行榜中，Qwen-Image位列第三，稳居最佳开源模型行列。
Qwen-Image 能生成什么？
Qwen-Image具备极高的创作自由度，从照片级真实场景到印象派绘画，从动漫美学到极简设计 均可驾驭。其编辑能力尤为突出，支持风格迁移、对象增删及复杂人体姿态操控，且在姿态变化中能精准保留发丝等细微细节及被遮挡的服装纹理。
在商业应用层面，该模型可生成品牌标志、风格化书法及双语海报 等营销素材；在教育与设计领域，支持创建包含标题层级、排版规范的幻灯片演示 、图表 及教学文本材料 ；此外还能制作产品标签、标牌、橱窗展示，以及嵌入故事文本的手写诗歌和动漫插图。
据官方介绍，Qwen-Image仅需简单编辑指令即可完成物体检测、语义分割、深度估计、边缘预测及新视角合成等多种图像理解任务。
目前，Qwen-Image已在Hugging Face等平台开放，采用Apache 2.0许可协议。用户也可通过Qwen Chat网站体验，只需在输入区下方选择“图像生成”模式即可交互使用。