Qwen-Image 发布：原生文本渲染与精确图像编辑

TL;DR

Qwen 发布了 Qwen-Image，这是一款 20B MMDiT 图像基础模型，旨在解决 AI 生成图像中高保真文本渲染的长期难题。该模型在多行布局、双语文本（英文和中文）以及精确图像编辑方面表现出色，在多个生成和编辑基准上超越了现有的最先进模型。

原生文本渲染能力

Qwen-Image 在多种语言和布局下提供卓越的文本渲染，支持英文字母等字母语言和中文等表意文字。该模型能够处理复杂的语义和空间需求，包括：

• 多行和段落渲染：模型可以生成长段文本，包括在玻璃板等表面上的手写风格，并且即使文本仅占总图像面积的一小部分（不到十分之一），也能保持准确性。
• 复杂布局：Qwen-Image 能自动将文本和图标排列成结构化格式，例如具有多个子模块的精美信息图、层次分明的电影海报（标题、副标题、演员、导演）以及企业风格的 PPT 幻灯片。
• 双语支持：模型可以在同一图像中在英文和中文之间切换，并在两种语言中保持高保真度。
• 书法与风格化：模型支持特定的艺术风格，例如用于对联和横幅的传统中文书法。

图像编辑与通用生成

除了文本渲染，Qwen-Image 还是一个用于通用视觉内容创作的多功能基础模型：

• 精确图像编辑：通过增强的多任务训练范式，模型支持广泛的编辑操作，包括风格迁移、添加或删除对象、细节增强、编辑已有文本以及在保持语义和视觉真实感的同时调整人物姿势。
• 通用生成：模型支持多种艺术风格，从写实场景、动漫风格到印象派绘画和极简设计。

基准性能

Qwen-Image 在广泛的公开基准测试中实现了业界领先（SOTA）的性能，展示了其在生成和编辑两方面的优势：

• 通用图像生成：在 GenEval、DPG 和 OneIG-Bench 上进行评估。
• 图像编辑：在 GEdit、ImgEdit 和 GSO 上进行评估。
• 文本渲染：在 LongText-Bench、ChineseWord 和 TextCraft 上表现尤为突出，显著超越了之前的 SOTA 模型，尤其在中文文本生成方面。