就在8月19日，阿里发布了Qwen-Image，这是一个图像生成基础模子。这个模子的特质是，通过系统性的数据工程、渐进式的学习计谋、更正的多任务执行范式以及可扩展的架构优化，旨在处分复漫笔本渲染和精确图像裁剪的中枢清贫。

在AI范围，图像生成手艺行动其遑急分支，连年来获得了权贵进展。不管是从文本径直生成图像（T2I），照旧对现存图像进行裁剪（TI2I），其中枢都在于机器能否精确地领略并以视觉花式再现东谈主类的意图。尽管扩散模子等架构的出现极地面普及了生成图像的分别率与细节发扬力，但该范围仍面对两个永恒存在的挑战。

在文本到图像的生成任务中，模子关于复杂、多维度的文本指示的领略与对皆智力尚有不及。尤其是在处理多行文本渲染、非字母笔墨（如汉字）渲染、特定位置的笔墨镶嵌，以及将笔墨与视觉元素无缝和会等精细任务时，现存模子时时难以达到理思后果。

而在图像裁剪任务中，若何确保裁剪后的图像与原始图像在视觉和语义上保持一致性，是一个双重清贫。这既要求视觉上的一致性，即只修改主见区域而不影响其他部分的视觉细节；也要求语义上的连贯性，即在进行结构性赈济（如调动东谈主物姿态）时，必须保留主体的身份特征与场景的全体逻辑。

01

Qwen团队专门发布了一份手艺请问，名为《Qwen-Image Technical Report》，以此详备先容Qwen-Image的功能。

为完毕精确的文本渲染，Qwen-Image构建了一个全面的数据处理体系。该体系始于大限制网罗数十亿级别的图文数据，并强调质地优于数目。数据经过一个分为七个阶段的精细化过滤管谈，从低分别率的基础筛选到高分别率的好意思学提纯，系统性地普及了数据质地与图文对皆度。

同期，探讨到着实图像中汉字等实质的长尾漫步性情，模子还通过“地谈渲染”、“组合渲染”和“复杂渲染”三种计谋大都合成高质地的文本图像数据，弥补了当然数据的不及。在此基础上，模子秉承由简到繁的“课程学习”计谋进行执行，权贵增强了其渲染复杂中英文文本的智力。

为完毕精确的图像裁剪，Qwen-Image提倡了一种增强的多任务学习框架。其中枢是将输入图像编码为两种互补的特征：一是通过Qwen2.5-VL模子索求的高层“语义特征”，用于领略图像实质和裁剪指示；二是通过变分自编码器（VAE）索求的低层“重建特征”，用于保留图像的视觉细节和纹理。

这两种特征共同行动贯串信号，输入到行动模子主干的多模态扩散Transformer（MMDiT）中。这种“双重编码”打算，使得模子在膨胀裁剪指示时，既能领略“改什么”，又能知谈“保留什么”，从而在语义连贯性与视觉保真度之间获得了邃密的均衡。

模子架构上，Qwen-Image由Qwen2.5-VL（要求编码器）、VAE（图像压缩与解码）和MMDiT（中枢生成荟萃）三部分构成。其中，VAE秉承了特有的“单编码器、双解码器”架构，使其在保证高质地图像重建的同期，也为改日扩展到视频生成任务奠定了基础。MMDiT里面则引入了一种名为MSROPE的新式位置编码门径，通过将文本信息在观念上置于图像网格的对角线，改善了文本与图像特征的对-皆。

执行流程相似是渐进式的，从低分别率到高分别率，从无文本图像到有文本图像，并归拢了监督微调（SFT）与径直偏好优化（DPO）等强化学习门径，赓续优化生成扫尾的质地与衔命指示的准确性。最终，大都的基准测试和东谈主类评估扫尾标明，Qwen-Image在通用的图像生成、复杂的文本渲染以及指示式图像裁剪任务上，均达到了业界向上水平。

未几说谎话，让咱们径直看制品。我千般刁难Qwen-Image，既然官方手艺团队请问中暗示优化了对提醒词的领略，那么我就要它生成当然界不存在的东西。从扫尾上来看，Qwen的冰山渲染后果比GPT-5更好，关联词火焰跟冰山较为割裂，而GPT-5则用熔岩填充了火焰和冰山之间的部分，让画面更当然。

提醒词：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除了猫全体都发生了调动，包括布景。可能是因为但愿要求它飞动在空中，GPT-5果然把这只猫奉上了大气层，关联词Qwen-Image则是飞动在了半空中。

提醒词：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：

迥殊旨真谛的来了，由于原图片中出现了星条旗，GPT-5和Gemini都不成完成对原图片的修改。关联词Qwen-Image完成了这个大叫，诚然在生成的图片中，马斯克变得愈加年迈了。

提醒词：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

手艺请问展示了Qwen-Image强大的图像生成与裁剪智力，这当然引出一个问题：它能成为一个“AI版的Photoshop”吗？或者说，它在多猛进程上调动了咱们与图像交互的方式？要回话这个问题，咱们需要比拟它与传统图像裁剪软件的中枢异同。

从功能上看，Qwen-Image如实展现出了好多与Photoshop相似的中枢裁剪智力，但完毕方式千差万别。Photoshop依赖于器具箱、图层和滤镜，用户通过径直操作（如画笔涂抹、选区拖动）来完毕修改。而Qwen-Image则依赖于当然说话指示，用户通过“描摹”来完成裁剪。

在对象处理方面，Photoshop使用套索、魔棒等器具进行精确选区，然后进行复制、粘贴或实质识别填充。Qwen-Image则通过文本指示完毕雷同操作，举例“添加一只猫和一只狗”或“移除画面里通盘的东谈主”。它不仅能完成增删，还能领略立场要求（如添加卡通立场的动物），这雷同于PS中需要手动赈济新元素立场以匹配布景的操作，但Qwen-Image将其自动化了。

在材质与立场调节上，Photoshop提供滤镜库、图层边幅和纹理叠加等功能。Qwen-Image相似能通过指示完成，举例将一个庸碌图标变为“搪瓷彩玻璃艺术”立场的雪柜贴。这种基于语义的材质渲染，是其强大之处。此外，其精确的文本裁剪智力，如修改、增删图像中的笔墨并保持原有立场，径直对标了Photoshop的中枢功能——笔墨器具。

更进一步，在处理图像结构性变化时，比如东谈主物姿态赈济，Qwen-Image展现了越过传统器具的后劲。在Photoshop中，赈济姿态可能需要使用液化、操控变形等器具进行细密的手动修改，且很难保证衣物纹理和布景的当然过渡。

而Qwen-Image大概领略“让她站起来，单手叉腰”这么的指示，并在保持东谈主物身份、服装细节（以至能臆想出被装束的衣物部分）和布景一致性的前提下，生成一个全新的、合适逻辑的姿态。这种智力更接近于“从头思象”而非“修改”。

磋商词，尽管功能上有诸多沟通，将Qwen-Image浅近地视为Photoshop的替代品并不准确。二者的中枢责任范式存在根柢相反。

最遑急的地点在于摈弃的粒度。Photoshop提供的是像素级的、详情味的精确摈弃。用户不错选中淘气一个像素点，赋予它一个精确的RGB值。而Qwen-Image的摈弃是语义级的、概猖獗的。用户描摹的是“什么”，而不是“若何作念”。你无法通过指示去精确摈弃某个特定像素的神气，裁剪扫尾老是在一定进程上由模子“目田明白”，带有一定的赶快性。

Photoshop的中枢是基于图层的非线性、非龙套性责任流。用户不错随时复返修改淘气一个图层，而不影响其他部分。Qwen-Image的裁剪更像是一个“一次性”的再生成流程。尽管手艺请问中展示了“链式裁剪”（即在上一次生成扫尾的基础上连续裁剪），但这与PS中生动赈济图层堆栈的逻辑全都不同。

耀眼Photoshop需要掌捏复杂的器具、蒙版和颜色表面。而使用Qwen-Image则需要掌捏“提醒词工程”——用明显、准确的说话描摹视觉意图的智力。它极地面镌汰了图像裁剪的手艺门槛，但同期也引入了一种新的手段壁垒。

Qwen-Image并非Photoshop的径直替代品，而是一种全新的图像实质创作与裁剪范式。Photoshop是一个“数字暗房”和“画布”，为专科东谈主士提供了无与伦比的径直操控和精确摈弃智力。而Qwen-Image则是一个“语义指示引擎”，它将东谈主的意图从繁琐的手艺操作中解放出来，更侧重于创意构思的快速完毕和语义层面的实质赈济。

它们怡悦了不同场景的需求。一个需要进行精细排版和品牌视觉打算的专科打算师，依然离不开Photoshop的精确摈弃。但关于一个需要快速产出创意观念图、营销素材，或者不具备专科打算手段的用户来说，Qwen-Image无疑是更高效、更直不雅的器具。

诚然当今依然出现了一些带有AI功能的修图软件体育游戏app平台，关联词能完毕的功能还比拟浅，比如排斥图片中的东谈主物、赈济神气等。改日，二者很可能会深度和会——在Photoshop这么的专科软件中，镶嵌像Qwen-Image一样强大的语义领略和生成引擎，这在PS的“生成式填充”功能中已初见线索。Qwen-Image的出现，记号着这条和会之路上的“语义引擎”一端，依然达到了一个新的练习高度。