大模型之家讯 8月5日，阿里云通义团队再度推进开源节奏，正式推出其首个图像生成基础模型 Qwen-Image。该模型为通义千问（Qwen）体系下的图像生成成员，拥有200亿参数，并采用了多模态架构 MMDiT。模型与技术报告同步开放，代码与权重现已上线 ModelScope、Hugging Face 及 GitHub 平台，用户可通过 QwenChat 实时体验。
这一发布标志着通义在多模态生成领域的重要延伸，也意味着其AI能力从文本理解、语言生成，进一步扩展至高复杂度图文融合与图像编辑任务。
复杂文本渲染能力：让AI“看懂”字
Qwen-Image 的最大亮点之一，在于对“复杂文本渲染”的支持。从官方展示和实测情况来看，模型在中英文文字的理解与画面融合方面，表现出较高的保真度和一致性。
例如，在“李白站在窗前写‘床前明月光’”的古风场景提示下，模型生成的画面不仅保留了古典氛围，文字也与场景融合自然，非贴图式的“摆拍”，体现出一定的语境理解与空间适配能力。而在PPT与海报生成任务中，模型在图文排版、字体风格、颜色控制、构图精度等方面，也展现出较高的一致性与准确性。
尤其在文字细节生成上，相较目前主流图像生成模型对中英文字符的不稳定表现，Qwen-Image在中文渲染任务中表现出明显领先。
图像编辑能力与性能表现：从“会画”到“会改”
通义千问团队为Qwen-Image设计了较为完备的图像编辑能力体系。模型支持风格迁移、局部增改、细节增强、文字替换、人物姿态调整等典型编辑任务，在多任务学习范式下保持编辑前后一致性。
在多个权威基准数据集上，包括GenEval、DPG、OneIG-Bench（图像生成），以及GEdit、ImgEdit、GSO（图像编辑）中，Qwen-Image均取得当前最优表现（SOTA）。而在专注文本渲染评估的LongText-Bench、ChineseWord和TextCraft上，其表现同样领先。
官方报告披露，为实现复杂文本渲染能力，Qwen-Image采用了渐进式课程学习策略：从无文字到有文字，从单字到整段语义结构，逐步强化模型对文本的理解与生成能力。这一训练路径有效提升了其原生处理文字的能力，尤其适用于图文海报、商业宣传图、视觉化叙事等高文字占比场景。
从通义模型家族到多模态生态
Qwen-Image 的发布，使通义千问家族的多模态布局进一步完善，继文本、代码、语音之后，图像生成成为其又一基础支柱。该模型的开源也延续了通义团队一贯的开放策略，源代码、模型权重、技术细节同步释出，意图明显：以开放生态拉动多模态应用的标准化与落地进程。
发布同期，通义官方也通过Demo方式“剧透”了一张以“通义千问视觉基础模型”为主题的PPT封面，或许预示着更多视觉模型的到来。正值AI基础模型格局剧烈变动的8月，Qwen-Image无疑为国内AI模型生态注入了一枚新的变量。
原创文章，作者：志斌，如若转载，请注明出处：http://www.damoai.com.cn/archives/11983
