> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Qwen-Image
- URL: https://www.hubwiz.com/blog/qwen-image/
- Published: 2025-08-05T18:08:17.000Z
- Updated: 2025-08-05T18:08:17.000Z
- Description: Qwen-Image不仅仅是一个扩散模型。这是一个完整的图像生成系统，专门用于一件事：理解你想要什么并正确绘制它。
- Author: admin
- Tags: MODEL-ZOO, QWEN-IMAGE, #Import 2026-10-14 14:41

每个月都会有人推出一个“开源DALL·E杀手”。但一旦你让它写一个招牌，或者在街头广告牌上放一句话，它们就会失效。它们无法对齐，无法渲染文字，无法保持布局。要么是好的风格，要么是好的结构。两者不能兼得。

然后Qwen-Image出现了。这一次，它不是试图用艺术风格或动漫滤镜来耍聪明。它专注于真正重要的事情：保真度、对齐、多语言渲染、图像编辑、布局控制和硬核提示遵循。

这不仅仅是一个扩散模型。这是一个完整的图像生成系统，专门用于一件事：**理解你想要什么并正确绘制它**。

## 1、什么是Qwen-Image？

![](https://www.hubwiz.com/blog/content/images/2025/08/image-76.png)

来自Qwen系列的新开源图像基础模型（与Qwen2.5-VL和Qwen3同属一个团队）。它进行文本到图像、图像编辑、视图合成、分割、深度估计等操作。但主要亮点是：**它实际上可以渲染可读的、布局正确的多语言文本**。不仅仅是气球上的“L O V E”涂鸦，还有中文诗歌、UI原型、PowerPoint幻灯片、海报。

## 2、架构：三个大脑协同工作

![](https://www.hubwiz.com/blog/content/images/2025/08/image-78.png)

1. **Qwen2.5-VL**：可以将其视为理解您提示的大脑。它了解语言、视觉和上下文。在训练期间被冻结，以保持其敏锐。
2. **VAE（变分自编码器）**：这个模型压缩并重建图像。特别训练以保留**小字体、边缘文字、布局保真度**，特别是真实文档如PDF、海报、幻灯片。
3. **MMDiT（多模态扩散变压器）**：主生成器。从其他两个模型中获取噪声和指导，并将其转换为最终图像。

![](https://www.hubwiz.com/blog/content/images/2025/08/image-79.png)

**关键创新**：而不是将所有内容塞入一个流中，他们将输入分为两种类型：

- 语义（图像的含义）
- 重建（图像的外观）

这种双重编码意味着它可以**在保持视觉保真度和上下文完整的同时编辑图像**。

## 3、位置编码修复：MSRoPE

这是大多数模型出错的地方，它们无法区分文字和图像的边界。Qwen-Image添加了一种称为\*\*多模态可扩展RoPE（MSRoPE）\*\*的东西。它将文字嵌入图像网格的对角线上，而不是将一切扁平化。奇怪的技巧，但有效——模型不再混淆“Hello”和窗户了。

## 4、数据：质量胜于数量

![](https://www.hubwiz.com/blog/content/images/2025/08/image-80.png)

他们没有只是把100亿张爬取的图片扔给模型，希望一切顺利。

训练数据是**平衡、过滤和结构化的**，特别强调四个类别：

- **自然**（风景、室内、食物等）：55%
- **设计**（幻灯片、UI、海报、艺术）：27%
- **人物**（肖像、活动）：13%
- **合成（文字密集的图像）**：5%

每张图片都经过**七轮过滤**：

- 移除模糊、旋转、低分辨率、重复、不适宜、嘈杂、过度饱和的图像
- 拒绝长或无效的标题
- 根据模型弱点分类和重新平衡
- 增强表现不佳的集合，如肖像和布局

**对于文字渲染**，他们没有依赖发现的数据，而是自己构建。使用受控的合成流程：

- **纯渲染**：带有大段文字的简单背景
- **组合渲染**：嵌入现实场景中的文字
- **复杂模板**：结构化文档如UI原型或幻灯片

所有内容都通过单次标注+元数据提取系统进行注释。设置后没有人工参与。干净且可扩展。

## 5、训练策略

Qwen-Image并没有仓促行事。它是通过逐步阶段进行训练的：

1. 从256p低分辨率开始
2. 逐渐提高到640p，然后是1328p
3. 首先学习通用图像生成
4. 然后教它如何渲染文字
5. 最后重新平衡类别和分辨率

没有激活检查点（太慢），仅使用Megatron-LM进行分布式训练，采用混合并行性。生产者-消费者框架将预处理与训练解耦。生产者对所有内容进行编码和缓存；消费者只需训练。干净的设置。

## 6、基准测试：它在哪里获胜

**文本到图像**：

- 在**GenEval**上，Qwen-Image在RL之后达到**0.91**，高于Seedream 3.0、GPT Image 1和所有其他模型。
- 在**DPG**上，得分**88.32**，超过GPT Image 1（85.15）和FLUX.1（83.84）。
- 在**OneIG-Bench**上，在英文和中文赛道上均排名第一。
- 在**TIIF**上，排名第二，仅次于GPT Image 1——仍然领先于大多数。

**文本渲染**：

- 在**CVTG-2K（英文）和他们自己的ChineseWord**基准测试中击败了整个领域。
- **LongText-Bench**：在英文和中文的长文本中都是最佳。

**图像编辑**：

- 包括风格转移、姿态操控、文本编辑、对象增删，同时**保持其余图像不变且语义连贯**。

**VAE性能**：

- 在自然和文字密集的图像集上，PSNR和SSIM均为最佳。
- 即使只有19M编码器参数和25M解码器参数，它也超过了FLUX-VAE、Cosmos-CI和Hunyuan。

## 7、AI Arena排行榜：人类判断

这不仅仅是关于基准测试。在**AI Arena**上，用户可以比较生成结果（就像棋局中的Elo评分）：

- Qwen-Image是**排名第一的开源模型**
- 超过GPT Image 1和FLUX.1 Kontext
- 仅落后于Imagen 4 Ultra约30 Elo点

而且它是**完全开源的**。你可以微调它、破解它、破坏它、修复它。没有API付费墙。

## 8、有什么不同之处

1. **能工作的文本渲染**。任何语言，任何布局。海报、文档、应用屏幕？没问题。
2. **不会破坏事物的编辑**。可以改变发色而不破坏面部。
3. **开放模型，封闭API质量**。第一个严肃的商业黑盒模型替代品。
4. **训练做得很好**。渐进式、过滤、平衡，并使用真实世界和合成数据。

## 9、如何免费使用Qwen-Image？

权重是开源的，你可以在[huggingface](https://huggingface.co/Qwen/Qwen-Image?source=post%5Fpage-----d09b6e7f6c71---------------------------------------)上获取，也可以在[qwen-chat](https://chat.qwen.ai/?source=post%5Fpage-----d09b6e7f6c71---------------------------------------)上免费试用。

**TL;DR**：Qwen-Image不是关于炫酷的风格或艺术滤镜。它是一个实用工具。旨在准确、多语言、可编辑和智能。如果你正在开发需要**可靠图像生成并遵循指令**的应用程序，这可能是第一个真正实现的开源模型。

---

原文链接：[Qwen-Image : Best open-sourced AI image generation is here](https://medium.com/data-science-in-your-pocket/qwen-image-best-open-sourced-ai-image-generation-is-here-d09b6e7f6c71?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处