文字渲染更专业，阿里千问推出新一代图像生成基础模型 Qwen-Image-2.0

IT之家 2 月 10 日消息，今日阿里千问宣布推出新一代图像生成基础模型 Qwen-Image-2.0。

据介绍，Qwen-Image-2.0 主要特色包括：

阿里云百炼上已开通 API 邀测，开发者也可通过 Qwen Chat（chat.qwen.ai）免费体验新模型。

IT之家附官方详细介绍如下：

我们在 AI Arena 进行了模型盲测，数据显示 Qwen-Image-2.0 作为一个生图编辑二合一的模型，同一模型在文生图和图生图基准中获得优越性能。

在我们介绍 Qwen-Image-2.0 之前，让我们先用一页 PPT 来回顾一下 Qwen-Image 的发展历程：

正如 PPT 展示的那样，在 Qwen-Image-2.0 之前，我们一直在两条支线进行探索：生图支线和编辑支线。在生图支线中，我们探索了图像生成的准确性和真实性。例如 8 月发布的 Qwen-Image 着重突出文字渲染的精准，而 12 月发布的 Qwen-Image-2512 则强化了细节质感和真实性。在编辑支线中，我们更多在功能性和一致性上进行了探索，从 8 月份的单图编辑，到 9 月份的多图编辑，再到 12 月份的一致性提升。而今天，我们发布的 Qwen-Image-2.0 成功的将两条支线合二为一，并且在同时在两个任务上取得了理想的结果。

那新模型从效果上有哪些特点呢？让我们就从这一页 PPT 说起。相信眼尖的读者能观察到，其实上面这一页 PPT 不是人工制作出来的。事实上，这一页 PPT 就是 Qwen-Image-2.0 直接生成的，生成用到的提示词如下：

分析这页 PPT 可以观察到，Qwen-Image-2.0 不仅可以生成发展历程的两个支线时间轴，准确渲染每一个文字，甚至还可以进行复杂的“画中画”绘制。例如对于“下方是一个组图，上面是戴帽子的小狗，下面是同一只小狗去除帽子的图”这段提示词的渲染中，模型不仅完成了渲染，甚至还做到了一致性。这种“画中画”的准确渲染使得模型可以更容易的制作专业的 PPT。

除了渲染的“准”，Qwen-Image-2.0 另一特点是渲染的“多”。模型支持 1k token 的指令，使得模型支持非常复杂的渲染指令，例如下面这个非常夸张的提示词：

有读者可能有疑问，如此复杂的提示词对于用户而言并不友好。而真相是，由于 LLM 蕴含的世界知识，获得详细描述的提示词其实并不困难。比如我们输入下面的例子：

我们可以将这个提示词输入 LLM 进行改写，借助其世界知识，得到如下提示词：

而这样的复杂描述恰恰是 Qwen-Image-2.0 所擅长渲染的，我们看一下成品图：

除了渲染的“准”和“多”之外，“美”也是 Qwen-Image-2.0 文字渲染的一大特色。这种“美”体现在字和图的排版布局上。例如，我们看下面这个例子：

在生成图和字的混合画面时，模型会更倾向于在空白处渲染文字，以达到不遮盖图像主体的目的。

此外，模型也支持多种字体，例如我们用宋徽宗赵佶的瘦金体来书写他创作的宋词《探春令 · 帘旌微动》：

再比如，我们可以利用《兰亭集序》来压测一下小楷：

从图中可以看到，Qwen-Image-2.0 除了极个别字，基本上达成了《兰亭集序》全文的小楷准确渲染。

除了“准”、“多”、“美”，Qwen-Image-2.0 在文字渲染上的另一特点是“真”。让我们来看下面这个提示词：

在上面例子中，模型渲染了多种介质上的字体：玻璃板上的，衣服上的以及杂志上的。这些不同的介质材质不同、摆放的空间斜度不同。Qwen-Image-2.0 准确的渲染了这些不同介质上的文字，使得生成图像真实感更强。

这种真实感也体现在当写实图片和文字同时出现时，模型会在准确渲染文字的前提下，保证真实性，一个典型的例子是电影海报：

除了“准”、“多”、“美”、“真”以外，Qwen-Image-2.0 在文字的渲染还有一个特点是“齐”。让我们看下面一个例子：

在上述例子中，我们可以看到，整个文字的排布是对齐的。而这种对齐，也体现在漫画中的文字，例如下面这个例子：

在每个漫画窗格中，而且对话框中的文字都是规整排版在对话框中，并且居中对齐，这使得每一个对话框看起来更加的自然。

再比如，在下方这个 OKR 信息图中，相似文字段落会自动对齐：

回顾一下，刚刚介绍了 Qwen-Image-2.0 在文字渲染上的 5 大特性：“准”、“多”、“美”、“真”、“齐”。除此之外，Qwen-Image-2.0 在非文字渲染的例子上，写实性也得到了大幅度提高。比如下面这个例子：

Qwen-Image-2.0 建模了多种绿色，自然细节也精细了精细的刻画。

除了文生图以外，Qwen-Image-2.0 在图像编辑中也获得了增强。令人兴奋的是，由于这是一个生图编辑二合一的模型（或者说 omni 的模型），文生图带来的文字渲染和真实质感的增益也带给了图像编辑。这种增益对于编辑而言是全方面的。例如由于文字渲染的增强，模型可以直接在一幅图片上题词：

这一增强可以带来很多有趣的应用，例如可以上传任意照片，并且让模型在上面题诗。比如下面这个例子：

除了文字之外，编辑的真实质感得到了显著提升，例如：

我们再看一个双图编辑的例子：

再比如一个跨次元编辑的例子：

这次的 report 比较长，感谢你看到这里！最后，我们分享一下千问街道图片的提示词：