Qwen-Image-2.0技术报告

我们推出 Qwen-Image-2.0，这是一款全能型图像生成基础模型，在单一框架内统一了高保真生成与精准图像编辑功能。尽管近期取得了进展，现有模型在处理超长文本渲染、多语言文字排版、高分辨率照片级真实感、稳健的指令遵循以及高效部署方面仍面临挑战，尤其是在文本密集且构图复杂的场景中。Qwen-Image-2.0 通过将 Qwen3-VL 作为条件编码器，与多模态扩散 Transformer 架构相结合，实现联合条件-目标建模，并辅以大规模数据整理和定制化的多阶段训练流程，从而解决了这些难题。这使得模型在保持灵活生成与编辑能力的同时，具备了强大的多模态理解能力。该模型支持长达 1K 模型 token 的指令，用于生成幻灯片、海报、信息图和漫画等文本丰富的内容，同时显著提升了多语言文字保真度和排版效果。它还增强了照片级真实感生成，呈现更丰富的细节、更逼真的纹理和连贯的光照，并能更可靠地遵循不同风格的复杂提示词。广泛的人工评估表明，Qwen-Image-2.0 在生成和编辑两方面均大幅超越之前的 Qwen-Image 模型，标志着向更通用、更可靠、更实用的图像生成基础模型迈出了一步。