让文字真正“写进”图像：阿里巴巴发布Qwen-Image

大数据文摘出品

阿里巴巴发布了一款全新的多模态模型Qwen-Image，这款模型拥有200亿参数，专为解决“图中写字”这一难题而生。

这并非简单地在图片上“加字”。

Qwen-Image生成的文字具备真实感与融合度，不再漂浮在画面上，而是自然嵌入图像内部，仿佛原本就存在于其中。

在这张由Qwen-Image生成的古代集市画面中，出现了多个阿里云门店的招牌，分别售卖云存储、算力、AI平台与模型服务。街景复杂，信息密集，所有的文字元素却丝毫不突兀。

在这张PPT中，阿里巴巴将“通义千问视觉基础模型”的名称镶嵌在一张科技蓝背景的幻灯片上，四周点缀抽象植物图案，文字清晰、工整、准确地匹配PPT结构。

02 结构重构，技术更迭

为了实现这种“写得准、嵌得牢”的文字图像融合，Qwen团队对模型结构进行了彻底革新。

Qwen-Image的架构由三大核心部分组成。

第一部分是Qwen2.5-VL，专注于图文理解。它识别图像中的物体与结构，同时理解文字内容与语义。

第二部分是一个变分自编码器（Variational AutoEncoder），用于压缩图像信息，提升效率。

第三部分是多模态扩散变换器（Multimodal Diffusion Transformer），负责生成最终输出。

但最关键的创新来自于一种全新的位置编码方法——MSRoPE。传统方法将文字当作一串字符，在图像中以横排或网格方式简单排布。

MSRoPE从图像中央出发，沿对角线方向布置文字位置编码。这种布局更贴合图像的自然结构，让模型能够在不同分辨率下依然精准定位每个文字元素。

结果就是：不论是幻灯片、街头广告、海报设计，甚至是漫画对话框中的对话，文字都不会跑偏、错位或重叠。

这项技术不仅提升了对中文复杂字符的渲染能力，还让模型在中英文切换中保持流畅。

03 不靠AI图训练，照样超越对手

生成文字图像的最大风险，在于训练数据的质量。整个训练集共分为四类：55%为自然图片、27%为设计类内容（如海报和PPT）、13%为人物照片，剩下5%为受控合成数据。

所有图像都必须通过多级筛选流程，亮度、饱和度、色彩熵、清晰度四项指标全面把关，极端异常的图像会被标记并复查。

在此基础上，Qwen-Image采用三种训练策略：纯渲染策略，即在简单背景上显示清晰文字；组合渲染策略，将文字置于真实场景中；复杂渲染策略，则处理多栏排版、手写风格、演示幻灯片等高难度格式。

这三种策略协同发力，覆盖从基础到高级的各种文本图像组合，构建出多层次、强鲁棒性的训练数据集。。

在一项包含一万多次匿名对比评估的测试中，Qwen-Image的表现优于GPT-Image-1与Flux.1 Context等商业模型。

整体排名第三，仅次于少数研究性模型。在图像生成、图像编辑、中英文文字渲染这三项指标上，Qwen-Image几乎全面领先。

图注：在与 Seedream 3.0、GPT-Image-1、Flux.1 和 Bagel 的正面测试中，Qwen-Image 在图像生成与编辑方面表现领先。该模型在中文文本渲染方面也位居第一，并在英文表现上与竞争对手持平。

在最关键的中文渲染测试中，它一骑绝尘，稳居第一。在业界认可的GenEval测试中，Qwen-Image在对象生成项目上得分高达0.91，远高于其他同类模型。

这说明，它不仅擅长生成“看起来好”的图像，更能处理结构复杂、任务精细的图文嵌合内容。

阿里巴巴也在同步推进一个名为Qwen VLo的模型，用于文字能力更强的图文任务。

Qwen-Image现已在GitHub与Hugging Face平台开放，可免费试用，亦提供在线演示。

Github：

https://github.com/QwenLM/Qwen-Image?tab=readme-ov-file

demo：

https://huggingface.co/spaces/Qwen/Qwen-Image

paper：

https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-Image/Qwen_Image.pdf

作者长期关注 AI 产业与学术，欢迎对这些方向感兴趣的朋友添加微信Q1yezi，共同交流行业动态与技术趋势！

GPU 训练特惠！

H100/H200 GPU算力按秒计费，平均节省开支30%以上！

扫码了解详情☝