Qwen VLo：统一的多模态理解与生成
Qwen VLo 是一个统一的多模态模型，旨在弥合视觉感知与创意生成之间的差距。不同于主要侧重于理解的以往模型，Qwen VLo 能够既“理解”世界，又基于这种理解生成高质量的再现，使用户能够在单一界面中从分析转向创作。
统一的多模态能力
Qwen VLo 将多模态理解与生成整合到同一框架中，实现文本与图像之间的双向流动。模型支持三种主要的运行模式：
1. 开放式图像编辑与再创作
Qwen VLo 支持使用自然语言的指令式编辑。这使用户能够在保持语义一致性和结构完整性的前提下，对现有图像进行复杂的修改。关键能力包括：
- 风格迁移： 将图像转换为特定的艺术风格，如《千与千寻》、《海贼王》、《龙珠》或皮克斯 3D。
- 对象修改： 添加、删除或替换对象（例如，将西瓜换成榴莲，或给狗加上一顶红帽子）。
- 场景重建： 更换背景（例如，将主体从房间移动到埃菲尔铁塔）或改变整体氛围。
- 复杂指令： 在单一指令中执行多步骤任务，例如创建具有特定布局、配色方案和手写文字的宣传海报。
2. 文本到图像生成
除了编辑之外，模型还能根据文本提示生成全新的图像。它支持中英双语指令，能够产出多种形式的输出，从写实照片、3D 渲染到传统水墨画和排版艺术。
3. 视觉感知与定位
Qwen VLo 保留了强大的理解能力，能够通过简易的编辑指令执行传统的计算机视觉任务：
- 检测与分割： 生成检测框或分割掩码（例如，使用红色掩码对香蕉进行分割）。
- 边缘检测： 为图像预测边缘检测图。
- 自我分析： 模型可以重新分析其生成的图像，以识别特定细节，例如它刚刚创建的狗或猫的品种。
技术实现与机制
Qwen VLo 采用特定的架构选择，以提升输出的灵活性和可控性：
渐进式生成过程
Qwen VLo 使用一种生成机制，按自上而下、从左到右的顺序逐步构建图像。此方法旨在提升生成效率并提供更好的控制，尤其适用于包含长文本段落或复杂布局（如漫画格子）的任务。
动态分辨率支持
通过动态分辨率训练，模型支持任意分辨率和宽高比的输入与输出图像。这消除了固定格式的限制，使得能够创建适用于网页横幅或社交媒体封面的超长比例（如 4:1 或 1:3）图像。
当前局限性与未来方向
作为预览版，Qwen VLo 目前面临若干挑战：
- 稳定性： 可能出现不准确、与原图不一致或未能遵循特定指令的情况。
- 意图识别： 模型有时难以稳定地识别生成图像背后的意图。
展望未来，Qwen 团队计划利用生成能力来监督和完善理解。通过生成中间结果（如分割图或检测图），模型可以自行验证视觉理解，从而进一步提升整体性能。