阿里Qwen-Image图像生成模型登顶HuggingFace，或成新时代图像编辑利器

新时代的PS来了，你会用吗？就在8月19日，阿里发布了图像生成基础模型Qwen-Image。该模型通过系统性的数据工程、渐进式的学习策略、改进的多任务训练范式以及可扩展的架构优化，致力于解决复杂文本渲染和精准图像编辑的核心难题。

近年来，图像生成技术作为AI领域的重要分支取得显著进展。无论是文本直接生成图像（T2I），还是对现有图像进行编辑（TI2I），关键在于机器能否精准理解并以视觉形式再现人类意图。尽管扩散模型等架构提升了生成图像的分辨率与细节表现力，但该领域仍面临两大挑战。

在文本到图像的生成任务中，模型对复杂、多维度文本指令的理解与对齐能力不足。处理多行文本渲染、非字母文字（如汉字）渲染、特定位置文字嵌入以及文字与视觉元素融合等精细任务时，现有模型效果不佳。

在图像编辑任务中，确保编辑后的图像与原始图像在视觉和语义上保持一致是难题。这既要求视觉上只修改目标区域，不影响其他部分细节；也要求语义上进行结构性调整（如改变人物姿态）时，保留主体身份特征与场景整体逻辑。

01

Qwen团队发布《Qwen-Image Technical Report》技术报告，详细介绍Qwen-Image的功能。

为实现精准文本渲染，Qwen-Image构建了全面的数据处理体系。该体系大规模收集数十亿级图文数据，注重质量。数据经过七个阶段的精细化过滤管道，从低分辨率基础筛选到高分辨率美学提纯，提升了数据质量与图文对齐度。

考虑到真实图像中汉字等内容的长尾分布特性，模型通过“纯粹渲染”“组合渲染”和“复杂渲染”三种策略合成高质量文本图像数据，弥补自然数据不足。在此基础上，采用由简到繁的“课程学习”策略训练，增强了渲染复杂中英文文本的能力。

为实现精准图像编辑，Qwen-Image提出增强的多任务学习框架。其核心是将输入图像编码为两种互补特征：一是通过Qwen2.5-VL模型提取的高层“语义特征”，用于理解图像内容和编辑指令；二是通过变分自编码器（VAE）提取的低层“重建特征”，用于保留图像视觉细节和纹理。

这两种特征作为引导信号输入到多模态扩散Transformer（MMDiT）中。“双重编码”设计使模型在执行编辑指令时，能平衡语义连贯性与视觉保真度。

Qwen-Image的模型架构由Qwen2.5-VL（条件编码器）、VAE（图像压缩与解码）和MMDiT（核心生成网络）三部分组成。VAE采用“单编码器、双解码器”架构，为未来视频生成任务奠定基础。MMDiT引入MSROPE新型位置编码方法，改善了文本与图像特征的对齐。

训练过程是渐进式的，从低分辨率到高分辨率，从无文本图像到有文本图像，结合监督微调（SFT）与直接偏好优化（DPO）等强化学习方法，优化生成结果质量与指令遵循准确性。大量测试和评估表明，Qwen-Image在图像生成、文本渲染和图像编辑任务上达到业界领先水平。

下面来看一些实际生成效果。我故意让Qwen-Image生成自然界不存在的东西。结果显示，Qwen的冰山渲染效果比GPT-5更好，但火焰跟冰山较为割裂，而GPT-5用熔岩填充火焰和冰山之间的部分，画面更自然。

提示词：A colossal iceberg that is on fire, with bright orange flames licking its crystalline blue surfaces, emitting thick steam and smoke into a freezing arctic sky. The water around the iceberg is boiling. Photorealistic, dramatic lighting.

Qwen-Image：

GPT-5：

在图片重构方面，GPT-5除猫整体改变，包括背景。因要求猫漂浮在空中，GPT-5把猫送上了大气层，而Qwen-Image让猫漂浮在半空中。

提示词：make the cat floating in the air and holding a sign that reads 'this is fun' written with a blue crayon

原图片：

Qwen-Imgae：

GPT-5：

有意思的是，由于原图片中出现星条旗，GPT-5和Gemini都不能完成对原图片的修改。但Qwen-Image完成了命令，不过生成图片中马斯克变得更苍老了。

提示词：Keep Elon Musk and his hat exactly as they are in terms of pose and size, but place them on the surface of Mars during a massive dust storm. The sky should be a swirling orange and red, with visible streaks of dust. Add a futuristic, slightly damaged SpaceX rover partially buried in the Martian sand in the background.

原图：

Qwen-Image：

02

Qwen-Image展现出强大的图像生成与编辑能力，它能成为“AI版的Photoshop”吗？要回答这个问题，需比较它与传统图像编辑软件的异同。

从功能上看，Qwen-Image与Photoshop有相似的编辑能力，但实现方式不同。Photoshop依赖工具箱、图层和滤镜，用户直接操作实现修改；Qwen-Image依赖自然语言指令，用户通过“描述”完成编辑。

在对象处理方面，Photoshop用套索、魔棒等工具精确选区后操作；Qwen-Image通过文本指令实现类似操作，还能理解风格要求并自动化处理。

在材质与风格转换上，Photoshop提供滤镜库等功能；Qwen-Image通过指令完成，如将普通图标变为特定风格的冰箱贴。此外，其精准的文本编辑能力对标Photoshop的文字工具。

在处理图像结构性变化时，比如人物姿态调整，Qwen-Image展现出超越传统工具的潜力。Photoshop调整姿态需手动修改，且难保证衣物纹理和背景过渡自然；Qwen-Image能理解指令，在保持人物身份、服装细节和背景一致性的前提下生成新姿态。

然而，不能简单将Qwen-Image视为Photoshop的替代品，二者核心工作范式存在根本差异。

最重要的是控制粒度。Photoshop提供像素级精确控制，用户可精确控制像素颜色；Qwen-Image是语义级、概率性控制，用户描述“什么”而非“如何做”，编辑结果有一定随机性。

Photoshop基于图层的工作流是非线性、非破坏性的，用户可随时修改图层；Qwen-Image的编辑更像“一次性”再生成过程，虽有“链式编辑”，但与PS图层调整逻辑不同。

精通Photoshop需掌握复杂知识；使用Qwen-Image需掌握“提示词工程”。它降低了图像编辑技术门槛，但引入新技能壁垒。

Qwen-Image并非Photoshop的直接替代品，而是全新的图像内容创作与编辑范式。Photoshop为专业人士提供精确控制能力；Qwen-Image将人的意图从技术操作中解放出来，侧重于创意构想实现和语义内容调整。

它们满足不同场景需求。专业设计师进行精细排版和品牌设计离不开Photoshop；需要快速产出创意概念图、营销素材或无专业设计技能的用户，Qwen-Image更高效、直观。

目前一些修图软件的AI功能较浅，未来二者可能深度融合，如在Photoshop中嵌入强大的语义理解和生成引擎，Qwen-Image标志着融合之路的“语义引擎”端达到新高度。

本文来自微信公众号“直面AI”，作者：苗正，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com