阿里 Qwen 项目组发布 Qwen-Image：首个 20B 级 MMDiT 图像生成基础模型

阿里 Qwen 项目组正式推出 Qwen-Image，这是通义千问系列中首个专注于图像生成的基础大模型。基于 20B 参数的 MMDiT（Multimodal Diffusion Transformer）架构，Qwen-Image 在复杂文本渲染、精确图像编辑和跨任务泛化能力方面实现了显著突破。

• GitHub：https://github.com/QwenLM/Qwen-Image
• Hugging Face：https://huggingface.co/Qwen/Qwen-Image
• 魔塔：https://modelscope.cn/models/Qwen/Qwen-Image
• LiblibAI：https://www.liblib.art/modelinfo/c62a103bd98a4246a2334e2d952f7b21
• Demo：https://modelscope.cn/aigc/imageGeneration

核心能力

卓越的文本渲染能力

Qwen-Image 在多语言、复杂排版场景下的文本渲染表现尤为突出，解决了长期困扰生成模型的“可读文字生成”难题。

• 支持多行文本布局与段落级内容生成，可准确呈现标题、正文、注释等结构化文本。
• 实现对中英文文本的高保真输出，字符清晰、排布合理，适用于海报设计、广告创意、UI 示例图等强文本依赖场景。
• 在 LongText-Bench、ChineseWord、TextCraft 等专业文本渲染基准上大幅领先现有 SOTA 模型，尤其在中文生成质量上优势明显。

无论是“春节促销海报”还是“英文科技博客截图”，Qwen-Image 都能生成语义正确、视觉自然的文字内容。

一致性的图像编辑能力

传统图像编辑模型常面临“修改一处、牵连全局”的问题。Qwen-Image 通过增强的多任务联合训练范式，显著提升了编辑过程中的语义一致性与局部控制精度。

• 支持对象替换、风格迁移、属性编辑等常见操作。
• 编辑后整体构图稳定，非目标区域保持不变，避免“意外变形”。
• 在 GEdit、ImgEdit、GSO 等图像编辑基准测试中均达到最先进水平（SOTA）。

这意味着你可以放心地让模型“把猫换成狗”或“将白天改为夜晚”，而背景、人物姿态等关键元素将被完整保留。

强大的跨基准性能表现

为全面评估 Qwen-Image 的能力，团队在多个权威公开基准上进行了系统测试：

结果表明，Qwen-Image 在所有测试中均取得当前最优性能（State-of-the-Art），展现出其作为通用图像生成基础模型的强大潜力。

技术定位

Qwen-Image 不仅是一个图像生成工具，更是通义千问多模态体系的重要基石。它标志着 Qwen 系列从纯语言模型向“文生图”能力的正式延伸，为后续的视频生成、视觉推理、跨模态理解等任务奠定基础。

其 20B 规模的 MMDiT 架构设计，在计算效率与生成质量之间取得了良好平衡，既支持高分辨率输出，也具备良好的推理优化空间。

如何体验？

目前，Qwen-Image 已集成至 Qwen Chat 平台，用户可通过以下方式体验：

1. 访问 Qwen Chat
2. 在对话界面选择“图像生成”模式
3. 输入你的创意描述（支持中文/英文）
4. 等待几秒，即可获得由 Qwen-Image 生成的高质量图像

示例展示

Qwen-Image的突出能力之一是能够在不同场景中实现高保真的文本渲染。我们来看下面这个中文渲染的case：

宫崎骏的动漫风格。平视角拍摄，阳光下的古街热闹非凡。一个穿着青衫、手里拿着写着“阿里云”卡片的逍遥派弟子站在中间。旁边两个小孩惊讶的看着他。左边有一家店铺挂着“云存储”的牌子，里面摆放着发光的服务器机箱，门口两个侍卫守护者。右边有两家店铺，其中一家挂着“云计算”的牌子，一个穿着旗袍的美丽女子正看着里面闪闪发光的电脑屏幕；另一家店铺挂着“云模型”的牌子，门口放着一个大酒缸，上面写着“千问”，一位老板娘正在往里面倒发光的代码溶液。

模型不仅仅准确展示了宫崎骏的动漫风格，店铺的牌匾“云存储”，“云计算”，“云模型”，包括酒缸上的“千问”，都随着构图的景深，被真实准确的渲染。并且保留了人物姿势、神态刻画。

让我们再看一个中文渲染的case：

一副典雅庄重的对联悬挂于厅堂之中，房间是个安静古典的中式布置，桌子上放着一些青花瓷，对联上左书“义本生知人机同道善思新”，右书“通云赋智乾坤启数高志远”， 横批“智启通义”，字体飘逸，中间挂在一着一副中国风的画作，内容是岳阳楼。

模型准确了绘制了左右联和横批，并且使用了书法效果，并在中间准确的生成了岳阳楼。桌子上放着的青花瓷也看着非常真实。

那么，模型在英文上的能力如何呢？ 让我们来看一个英文渲染的case：

Bookstore window display. A sign displays “New Arrivals This Week”. Below, a shelf tag with the text “Best-Selling Novels Here”. To the side, a colorful poster advertises “Author Meet And Greet on Saturday” with a central portrait of the author. There are four books on the bookshelf, namely “The light between worlds” “When stars are scattered” “The slient patient” “The night circus”

在这个样例中，模型不仅仅准确输出了"New Arrivals This Week"， 而且还把四本书的封面文字"The light between worlds" “When stars are scattered” “The slient patient” “The night circus"准确的生成了出来。

让我们来看一个更复杂的英文渲染的case：

A slide featuring artistic, decorative shapes framing neatly arranged textual information styled as an elegant infographic. At the very center, the title “Habits for Emotional Wellbeing” appears clearly, surrounded by a symmetrical floral pattern. On the left upper section, “Practice Mindfulness” appears next to a minimalist lotus flower icon, with the short sentence, “Be present, observe without judging, accept without resisting”. Next, moving downward, “Cultivate Gratitude” is written near an open hand illustration, along with the line, “Appreciate simple joys and acknowledge positivity daily”. Further down, towards bottom-left, “Stay Connected” accompanied by a minimalistic chat bubble icon reads “Build and maintain meaningful relationships to sustain emotional energy”. At bottom right corner, “Prioritize Sleep” is depicted next to a crescent moon illustration, accompanied by the text “Quality sleep benefits both body and mind”. Moving upward along the right side, “Regular Physical Activity” is near a jogging runner icon, stating: “Exercise boosts mood and relieves anxiety”. Finally, at the top right side, appears “Continuous Learning” paired with a book icon, stating “Engage in new skill and knowledge for growth”. The slide layout beautifully balances clarity and artistry, guiding the viewers naturally along each text segment.

在这个case中，模型需要生成6个子模块，每个部分都有各自的图标、标题和对应的介绍文本。Qwen-Image准备完成了排版。

那如果是更小的文字呢？让我来测试一个：

A man in a suit is standing in front of the window, looking at the bright moon outside the window. The man is holding a yellowed paper with handwritten words on it: “A lantern moon climbs through the silver night, Unfurling quiet dreams across the sky, Each star a whispered promise wrapped in light, That dawn will bloom, though darkness wanders by.” There is a cute cat on the windowsill.

在这个case中，纸张不足整个画面的十分之一，而且段落文字也比较长，模型还是准确的生成了纸张地上的文字。

那如果是更多的文字呢？让我们试一个更难的case：

一个穿着"QWEN"标志的T恤的中国美女正拿着黑色的马克笔面相镜头微笑。她身后的玻璃板上手写体写着 “一、Qwen-Image的技术路线： 探索视觉生成基础模型的极限，开创理解与生成一体化的未来。二、Qwen-Image的模型特色：1、复杂文字渲染。支持中英渲染、自动布局； 2、精准图像编辑。支持文字编辑、物体增减、风格变换。三、Qwen-Image的未来愿景：赋能专业内容创作、助力生成式AI发展。”

可以看到模型完完整整的在玻璃板生成了完整的手写体段落。

那如果是中英双语呢？对于同样的场景，我们试这样的prompt：

一个穿着"QWEN"标志的T恤的中国美女正拿着黑色的马克笔面相镜头微笑。她身后的玻璃板上手写体写着 “Meet Qwen-Image – a powerful image foundation model capable of complex text rendering and precise image editing. 欢迎了解Qwen-Image, 一款强大的图像基础模型，擅长复杂文本渲染与精准图像编辑”

可以看到，模型在双语间也可以随时切换。

Qwen-Image的文字能力使得其可以轻松的制作一些海报，比如

A movie poster. The first row is the movie title, which reads “Imagination Unleashed”. The second row is the movie subtitle, which reads “Enter a world beyond your imagination”. The third row reads “Cast: Qwen-Image”. The fourth row reads “Director: The Collective Imagination of Humanity”. The central visual features a sleek, futuristic computer from which radiant colors, whimsical creatures, and dynamic, swirling patterns explosively emerge, filling the composition with energy, motion, and surreal creativity. The background transitions from dark, cosmic tones into a luminous, dreamlike expanse, evoking a digital fantasy realm. At the bottom edge, the text “Launching in the Cloud, August 2025” appears in bold, modern sans-serif font with a glowing, slightly transparent effect, evoking a high-tech, cinematic aesthetic. The overall style blends sci-fi surrealism with graphic design flair—sharp contrasts, vivid color grading, and layered visual depth—reminiscent of visionary concept art and digital matte painting, 32K resolution, ultra-detailed.

既然可以制作海报，当然我们也可以直接制作PPT啦,我们看一个中文制作PPT的case：

一张企业级高质量PPT页面图像，整体采用科技感十足的星空蓝为主色调，背景融合流动的发光科技线条与微光粒子特效，营造出专业、现代且富有信任感的品牌氛围；页面顶部左侧清晰展示橘红色Alibaba标志，色彩鲜明、辨识度高。主标题位于画面中央偏上位置，使用大号加粗白色或浅蓝色字体写着“通义千问视觉基础模型”，字体现代简洁，突出技术感；主标题下方紧接一行楷体中文文字：“原生中文·复杂场景·自动布局”，字体柔和优雅，形成科技与人文的融合。下方居中排布展示了四张与图片，分别是：一幅写实与水墨风格结合的梅花特写，枝干苍劲、花瓣清雅，背景融入淡墨晕染与飘雪效果，体现坚韧不拔的精神气质；上方写着黑色的楷体"梅傲”。一株生长于山涧石缝中的兰花，叶片修长、花朵素净，搭配晨雾缭绕的自然环境，展现清逸脱俗的文人风骨；上方写着黑色的楷体"兰幽"。一组迎风而立的翠竹，竹叶随风摇曳，光影交错，背景为青灰色山岩与流水，呈现刚柔并济、虚怀若谷的文化意象；上方写着黑色的楷体"竹清"。一片盛开于秋日庭院的菊花丛，花色丰富、层次分明，配以落叶与古亭剪影，传递恬然自适的生活哲学；上方写着黑色的楷体"菊淡"。所有图片采用统一尺寸与边框样式，呈横向排列。页面底部中央用楷体小字写明“2025年8月，敬请期待”，排版工整、结构清晰，整体风格统一且细节丰富，极具视觉冲击力与品牌调性。

其实，除了文本处理，Qwen-Image 也会在通用图像生成方面也表现出色，支持多种艺术风格。从照片级写实场景到印象派绘画，从动漫风格到极简设计，该模型能够灵活响应各种创意提示，成为艺术家、设计师和故事创作者的多功能工具，这些我们在技术报告中会详细描述。

在图像编辑方面，Qwen-Image支持风格迁移、增删改、细节增强、文字编辑，人物姿态调整等多种操作。这让普通用户也能轻松实现专业级的图像编辑。这些在技术报告中会详细描述。