阿里巴巴近日正式推出新一代圖像生成基礎(chǔ)模型Qwen-Image 2.0，這款模型在文字渲染、長指令遵循及多場景應(yīng)用方面展現(xiàn)出顯著優(yōu)勢。相較于前代產(chǎn)品，新模型支持千級token超長指令輸入，分辨率提升至2k級別，同時通過輕量化架構(gòu)設(shè)計大幅壓縮模型體積，推理速度提升明顯。

在文字渲染測試中，Qwen-Image 2.0展現(xiàn)出獨特技術(shù)突破。當輸入包含888個token的超長提示詞時，模型能精準還原文字字體、排版及格式要求，在《蘭亭集序》毛筆字渲染任務(wù)中，文字與山水畫面的協(xié)調(diào)性達到新高度，僅存在極少量渲染瑕疵。該模型還支持一次性生成包含24個連貫畫面的漫畫作品，人物形象與畫風保持高度統(tǒng)一。

針對AI生成圖像常見的"油膩感"問題，研發(fā)團隊通過優(yōu)化色彩飽和度與光影效果，使輸出結(jié)果更接近真實拍攝質(zhì)感。在阿里AI盲測平臺AI Arena的基準測試中，Qwen-Image 2.0在文生圖領(lǐng)域位列第三，圖生圖領(lǐng)域排名第二，雖與谷歌Nano Banana Pro存在差距，但已形成差異化競爭優(yōu)勢。

技術(shù)架構(gòu)層面，新模型將圖像生成與編輯功能深度融合。通過分層訓練機制，文生圖能力有效遷移至編輯任務(wù)，例如照片題詩功能即體現(xiàn)這種技術(shù)協(xié)同。相較于初代200億參數(shù)規(guī)模，2.0版本在壓縮模型體積的同時，通過改進變分自編碼器（VAE）重構(gòu)能力，顯著提升了對細小文字的建模精度。

在復(fù)雜場景生成測試中，當要求呈現(xiàn)"倒置水晶城市漂浮海面"的超現(xiàn)實畫面時，Qwen-Image 2.0雖在建筑朝向和云層對稱性上存在不足，但整體畫面構(gòu)圖完整。與之對比，谷歌模型更準確還原了提示詞中的空間關(guān)系，字節(jié)模型則呈現(xiàn)出更強的科幻風格。

應(yīng)用場景拓展方面，研發(fā)團隊正探索PPT生成、多圖海報設(shè)計等復(fù)雜任務(wù)處理。通過強化分層編輯能力，設(shè)計師可結(jié)合AI生成與傳統(tǒng)手段進行精細化創(chuàng)作。該模型已與WPS等國民級應(yīng)用達成合作，未來將通過真實用戶反饋持續(xù)優(yōu)化技術(shù)路線，形成應(yīng)用需求與技術(shù)迭代的閉環(huán)發(fā)展模式。