Qwen-Image-3.0 發佈說明

Qwen-Image-3.0 是第三代基礎圖像生成模型，旨在將 AI 圖像從美學吸引力轉向實際的生產力。該模型專注於三個核心能力：用於複雜佈局的豐富內容生成、真實的微觀細節，以及用於多語言和介面渲染的深厚世界知識。

高密度佈局與豐富內容

Qwen-Image-3.0 支持高達 4.5k token 的輸入提示詞，能夠生成資訊密集的視覺佈局，這在以往通常需要多次生成或手動拼接。

水平擴展與垂直擴展

• 水平擴展（語義並列）： 模型可以在單張圖像中以有序的方式渲染多個不同的概念。開發者提供的一個範例包括一個 3×3 網格，其中包含九個複雜的資訊圖表，包括物理拋體運動、生物寄生蟲學和群論定理，全部在單次生成中完成。
• 垂直擴展（邏輯嵌套）： 模型支持「畫中畫」深度，允許嵌套介面。單個指令即可生成一個包含 Qwen Chat 介面的 VSCode 介面，而該介面又包含一個 WeChat 介面和一張咖啡海報。

真實的微觀細節

渲染的精確度是 Qwen-Image-3.0 的主要焦點，特別針對小文字的可讀性以及物理紋理的真實感。

文字渲染與學術精確度

• 小文字可讀性： 模型可以渲染小至 10px 的文字。這可以透過生成詳細的知識資訊圖表和包含密集 LaTeX 公式、下標、上標和希臘字母的學術論文來證明。
• 模擬媒體： 模型可以模擬報紙和手寫註釋的真實外觀，包括模仿學生課堂筆記的紅色墨水底線和波浪線。

紋理與修復

• 寫實紋理： 模型在人像攝影中捕捉微觀層級的細節，例如皮膚毛孔和髮絲。
• 藝術修復： Qwen-Image-3.0 可以執行編輯任務來修復受損的傳統繪畫，在保持原始水墨漸層和筆觸的同時，去除霉斑和老化痕跡。

深厚知識與多語言支持

Qwen-Image-3.0 利用世界知識來生成準確的介面和多語言內容。

• 多語言渲染： 模型原生支持 12 種語言的渲染，包括日語、韓語和西班牙語。
• UI 模擬： 它能夠模擬主流數位介面，包括網頁、遊戲和直播佈局。
• 網路整合： 模型可以連接到網路以獲取即時數據，例如為特定日期和地點生成天氣預報圖像。
• 學術資訊圖表： 模型可以將標準照片（例如昆蟲照片）轉換為專業的研究圖表，透過添加分類學資訊、形態學註釋和比例尺。

社群回饋與技術評論

雖然官方發佈說明強調了生產力的重大飛躍，但 Hacker News 上的社群討論揭示了關於模型部署和準確性的幾個爭議點。

模型存取與透明度

幾位用戶指出，關於模型權重和定價缺乏透明度。

"Not a single word about when/if they'll actually release the weights for this... Appears to be closed-weights entirely."

準確性與品質疑慮

儘管有「真實」細節的聲稱，一些用戶回報了輸出結果的不一致性：

• 語言錯誤： 一位用戶指出，促銷範例中的韓語文字包含幾個母音和拼寫錯誤（例如，"듘뢔마" 而不是 "벌래마"）。
• 解剖學問題： 一些用戶在 chat.qwen.ai 上測試模型時，回報看到「第三條腿和發光的眼睛」，這表明解剖學正確性可能仍是一個挑戰。
• 假資訊風險： 社群對模型生成具有說服力但錯誤的歸屬，例如一張聲稱由已故作者監督的漫畫圖像，提出了疑慮。

實際效用

用戶對這些模型在電子商務中的應用表示懷疑，指出 AI 生成的服裝試穿效果總是顯得非常完美，可能無法準確地現代表真實人類身體的穿著效果。