新時代的PS來了，你會用嗎？就在8月19日，阿里發(fā)布了圖像生成基礎模型Qwen-Image。該模型通過系統(tǒng)性的數(shù)據(jù)工程、漸進式的學習策略、改進的多任務訓練范式以及可擴展的架構(gòu)優(yōu)化，致力于解決復雜文本渲染和精準圖像編輯的核心難題。

近年來，圖像生成技術(shù)作為AI領域的重要分支取得顯著進展。無論是文本直接生成圖像（T2I），還是對現(xiàn)有圖像進行編輯（TI2I），關鍵在于機器能否精準理解并以視覺形式再現(xiàn)人類意圖。盡管擴散模型等架構(gòu)提升了生成圖像的分辨率與細節(jié)表現(xiàn)力，但該領域仍面臨兩大挑戰(zhàn)。

在文本到圖像的生成任務中，模型對復雜、多維度文本指令的理解與對齊能力不足。處理多行文本渲染、非字母文字（如漢字）渲染、特定位置文字嵌入以及文字與視覺元素融合等精細任務時，現(xiàn)有模型效果不佳。

在圖像編輯任務中，確保編輯后的圖像與原始圖像在視覺和語義上保持一致是難題。這既要求視覺上只修改目標區(qū)域，不影響其他部分細節(jié)；也要求語義上進行結(jié)構(gòu)性調(diào)整（如改變?nèi)宋镒藨B(tài)）時，保留主體身份特征與場景整體邏輯。

01

Qwen團隊發(fā)布《Qwen-Image Technical Report》技術(shù)報告，詳細介紹Qwen-Image的功能。

為實現(xiàn)精準文本渲染，Qwen-Image構(gòu)建了全面的數(shù)據(jù)處理體系。該體系大規(guī)模收集數(shù)十億級圖文數(shù)據(jù)，注重質(zhì)量。數(shù)據(jù)經(jīng)過七個階段的精細化過濾管道，從低分辨率基礎篩選到高分辨率美學提純，提升了數(shù)據(jù)質(zhì)量與圖文對齊度。

考慮到真實圖像中漢字等內(nèi)容的長尾分布特性，模型通過“純粹渲染”“組合渲染”和“復雜渲染”三種策略合成高質(zhì)量文本圖像數(shù)據(jù)，彌補自然數(shù)據(jù)不足。在此基礎上，采用由簡到繁的“課程學習”策略訓練，增強了渲染復雜中英文文本的能力。

為實現(xiàn)精準圖像編輯，Qwen-Image提出增強的多任務學習框架。其核心是將輸入圖像編碼為兩種互補特征：一是通過Qwen2.5-VL模型提取的高層“語義特征”，用于理解圖像內(nèi)容和編輯指令；二是通過變分自編碼器（VAE）提取的低層“重建特征”，用于保留圖像視覺細節(jié)和紋理。

這兩種特征作為引導信號輸入到多模態(tài)擴散Transformer（MMDiT）中?！半p重編碼”設計使模型在執(zhí)行編輯指令時，能平衡語義連貫性與視覺保真度。

Qwen-Image的模型架構(gòu)由Qwen2.5-VL（條件編碼器）、VAE（圖像壓縮與解碼）和MMDiT（核心生成網(wǎng)絡）三部分組成。VAE采用“單編碼器、雙解碼器”架構(gòu)，為未來視頻生成任務奠定基礎。MMDiT引入MSROPE新型位置編碼方法，改善了文本與圖像特征的對齊。

訓練過程是漸進式的，從低分辨率到高分辨率，從無文本圖像到有文本圖像，結(jié)合監(jiān)督微調(diào)（SFT）與直接偏好優(yōu)化（DPO）等強化學習方法，優(yōu)化生成結(jié)果質(zhì)量與指令遵循準確性。大量測試和評估表明，Qwen-Image在圖像生成、文本渲染和圖像編輯任務上達到業(yè)界領先水平。

下面來看一些實際生成效果。我故意讓Qwen-Image生成自然界不存在的東西。結(jié)果顯示，Qwen的冰山渲染效果比GPT-5更好，但火焰跟冰山較為割裂，而GPT-5用熔巖填充火焰和冰山之間的部分，畫面更自然。

提示詞：A colossal iceberg that is on fire, with bright orange flames licking its crystalline blue surfaces, emitting thick steam and smoke into a freezing arctic sky. The water around the iceberg is boiling. Photorealistic, dramatic lighting.

Qwen-Image：

GPT-5：

在圖片重構(gòu)方面，GPT-5除貓整體改變，包括背景。因要求貓漂浮在空中，GPT-5把貓送上了大氣層，而Qwen-Image讓貓漂浮在半空中。

提示詞：make the cat floating in the air and holding a sign that reads 'this is fun' written with a blue crayon

原圖片：

Qwen-Imgae：

GPT-5：

有意思的是，由于原圖片中出現(xiàn)星條旗，GPT-5和Gemini都不能完成對原圖片的修改。但Qwen-Image完成了命令，不過生成圖片中馬斯克變得更蒼老了。

提示詞：Keep Elon Musk and his hat exactly as they are in terms of pose and size, but place them on the surface of Mars during a massive dust storm. The sky should be a swirling orange and red, with visible streaks of dust. Add a futuristic, slightly damaged SpaceX rover partially buried in the Martian sand in the background.

原圖：

Qwen-Image：

02

Qwen-Image展現(xiàn)出強大的圖像生成與編輯能力，它能成為“AI版的Photoshop”嗎？要回答這個問題，需比較它與傳統(tǒng)圖像編輯軟件的異同。

從功能上看，Qwen-Image與Photoshop有相似的編輯能力，但實現(xiàn)方式不同。Photoshop依賴工具箱、圖層和濾鏡，用戶直接操作實現(xiàn)修改；Qwen-Image依賴自然語言指令，用戶通過“描述”完成編輯。

在對象處理方面，Photoshop用套索、魔棒等工具精確選區(qū)后操作；Qwen-Image通過文本指令實現(xiàn)類似操作，還能理解風格要求并自動化處理。

在材質(zhì)與風格轉(zhuǎn)換上，Photoshop提供濾鏡庫等功能；Qwen-Image通過指令完成，如將普通圖標變?yōu)樘囟L格的冰箱貼。此外，其精準的文本編輯能力對標Photoshop的文字工具。

在處理圖像結(jié)構(gòu)性變化時，比如人物姿態(tài)調(diào)整，Qwen-Image展現(xiàn)出超越傳統(tǒng)工具的潛力。Photoshop調(diào)整姿態(tài)需手動修改，且難保證衣物紋理和背景過渡自然；Qwen-Image能理解指令，在保持人物身份、服裝細節(jié)和背景一致性的前提下生成新姿態(tài)。

然而，不能簡單將Qwen-Image視為Photoshop的替代品，二者核心工作范式存在根本差異。

最重要的是控制粒度。Photoshop提供像素級精確控制，用戶可精確控制像素顏色；Qwen-Image是語義級、概率性控制，用戶描述“什么”而非“如何做”，編輯結(jié)果有一定隨機性。

Photoshop基于圖層的工作流是非線性、非破壞性的，用戶可隨時修改圖層；Qwen-Image的編輯更像“一次性”再生成過程，雖有“鏈式編輯”，但與PS圖層調(diào)整邏輯不同。

精通Photoshop需掌握復雜知識；使用Qwen-Image需掌握“提示詞工程”。它降低了圖像編輯技術(shù)門檻，但引入新技能壁壘。

Qwen-Image并非Photoshop的直接替代品，而是全新的圖像內(nèi)容創(chuàng)作與編輯范式。Photoshop為專業(yè)人士提供精確控制能力；Qwen-Image將人的意圖從技術(shù)操作中解放出來，側(cè)重于創(chuàng)意構(gòu)想實現(xiàn)和語義內(nèi)容調(diào)整。

它們滿足不同場景需求。專業(yè)設計師進行精細排版和品牌設計離不開Photoshop；需要快速產(chǎn)出創(chuàng)意概念圖、營銷素材或無專業(yè)設計技能的用戶，Qwen-Image更高效、直觀。

目前一些修圖軟件的AI功能較淺，未來二者可能深度融合，如在Photoshop中嵌入強大的語義理解和生成引擎，Qwen-Image標志著融合之路的“語義引擎”端達到新高度。

本文來自微信公眾號“直面AI”，作者：苗正，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com