Qwen-Image 發布：原生文字渲染與精準影像編輯

TL;DR

Qwen 已發布 Qwen-Image，一個 20B MMDiT 影像基礎模型，旨在解決 AI 生成圖像中高保真文字渲染的長期挑戰。該模型在多行版面、雙語文字（英語與中文）以及精準影像編輯方面表現卓越，於多項生成與編輯基準測試中超越現有的最先進模型。

原生文字渲染能力

Qwen-Image 在多種語言與版面上提供卓越的文字渲染，支援英語等字母語系與中文等表意文字。模型能夠處理複雜的語意與空間需求，包括：

• 多行與段落渲染：模型能生成長段文字，包括在玻璃板等表面上的手寫風格，且即使文字僅佔總圖像面積的一小部分（不到十分之一），仍能保持精確度。
• 複雜版面：Qwen-Image 能自動將文字與圖示排列成結構化格式，例如具多子模組的精美資訊圖、具層級文字（標題、副標題、演員、導演）的電影海報，以及企業風格的 PPT 投影片。
• 雙語支援：模型可在同一圖像中切換英語與中文，並在兩種語言上皆保持高保真度。
• 書法與風格化：模型支援特定藝術風格，例如傳統中文對聯與橫向卷軸的書法。

影像編輯與一般生成

除了文字渲染之外，Qwen-Image 是一個多功能的基礎模型，用於一般視覺內容創作：

• 精準影像編輯：透過增強的多任務訓練範式，模型支援廣泛的編輯操作，包括風格轉換、添加或刪除物件、細節增強、編輯現有文字，以及調整角色姿勢，同時保留語意與視覺寫實性。
• 一般生成：模型支援多種藝術風格，從寫實場景、動畫風格到印象派畫作與極簡設計皆可。

基準表現

Qwen-Image 在廣泛的公共基準測試中達到最先進（SOTA）表現，展示了其在生成與編輯兩方面的實力：

• 一般影像生成：在 GenEval、DPG 與 OneIG-Bench 上進行評估。
• 影像編輯：在 GEdit、ImgEdit 與 GSO 上進行評估。
• 文字渲染：在 LongText-Bench、ChineseWord 與 TextCraft 上表現尤為突出，顯著超越先前的 SOTA 模型，尤其在中文文字生成方面。