← 返回 Siami 首頁

阿里 Qwen-Image-3.0 正式發布:把圖像生成從「好看」推向「實用」

▲ 214 💬 103
阿里 Qwen-Image-3.0 正式發布:把圖像生成從「好看」推向「實用」

阿里 Qwen 團隊正式發布 Qwen-Image-3.0,這是 Qwen-Image 系列的第三代基礎圖像生成模型。如果說 Qwen-Image-1.0 的關鍵字是「精準」(Precision),Qwen-Image-2.0 的關鍵字是「精準、多樣、完整、美、真實」(Precision, Variety, Completeness, Beauty, and Authenticity),那 Qwen-Image-3.0 的核心只剩一個字——「實」(Real)。這個「實」體現在三個維度:

豐富內容 (Rich Content):支援最高 4.5k token 輸入,能輕鬆生成報紙、分鏡表、考卷等複雜版面。 真實細節 (Authentic Details):精準渲染小至 10px 的文字,細膩重現毛孔、髮絲等微觀層次,逼近照片級擬真。 深層知識 (Deep Knowledge):原生支援 12 種語言渲染,模擬網頁、遊戲、直播等主流介面,並融合豐富的世界知識。簡言之,Qwen-Image-3.0 不只在追求「好看」,更在追求「好用」,讓圖像生成成為真正可部署的生產力工具。


豐富內容 (Rich Content)

先從這張 Qwen-Image-3.0 生成的圖開始看:

Qwen-Image-3.0 能精準渲染數學投影片,包含空間關係、數學符號、定理說明等豐富視覺內容。這些元素布局合理、相對位置正確,視覺密度極高。但這還不是 Qwen-Image-3.0 的真正實力。其實這只是它真正能力的「九分之一」,因為這張圖其實是 Qwen-Image-3.0 生成的 3×3 複雜格點中的其中一格。來看原圖:沒錯——上面這整張圖是 Qwen-Image-3.0 一次生成的,並非多張圖拼接。這張圖的難度在於,每一格都是複雜的資訊圖:精準描述整個 3×3 格點需要整整 3.7k tokens。這 3.7k tokens 必須完整描繪:隧道安全漫畫、空間幾何教材、《出師表》文體分析、物理拋體運動、生物寄生蟲學解說、右側胸痛醫學圖示、群論 Sylow 定理、銀行內控管理資訊圖、細胞 DNA 結構對比——每一格都包含精準的中英文文字、公式、圖表、卡通角色等。但 Qwen-Image-3.0 處理起來依然游刃有餘——因為它把可接受的指令長度提升到 4.5k tokens,意即模型能理解並渲染極度複雜、資訊密集的視覺版面。這正是我們所說「豐富內容」的重要特徵:內容可以水平擴展。水平擴展反映模型在語義並置與空間控制上的能力——在一張圖內有序擺放多個概念,且彼此不互相干擾。除了水平擴展,「豐富內容」還有另一個重要特徵——深度。水平擴展測試的是「單一畫布上能並列多少元素」,深度測試的則是模型的語義拆解與邏輯嵌套能力——能否在一張圖內一層一層渲染多個巢狀介面。以下範例用單一指令,從外到內依序顯示:VSCode 程式編輯介面 → Qwen Chat 對話介面 → 微信介面 → 手沖咖啡海報。每一層都保留各自介面的真實風格與細節,形成「畫中畫中畫」的視覺深度。上面兩個範例,分別從水平與垂直兩個維度說明了「豐富內容」的意義。


真實細節 (Authentic Details)

「豐富內容」回答的是「能畫多少」,「真實細節」回答的則是「能畫多細」。Qwen-Image-3.0 在微觀細節的渲染精度上達到新高度:10px 小字清晰可讀,毛孔與髮絲細節分明,皮膚紋理逼近照片級擬真。先從小字精準渲染開始看。下面是關於鯨鯊的知識資訊圖,包含大量文字與插圖。Qwen-Image-3.0 能精準渲染每一個區域。學術論文則是小字渲染的終極壓力測試——密集的 LaTeX 公式、上下標、希臘字母、定理編號,每一個符號都不能錯。模型渲染了整整一頁代數幾何領域的學術論文,包含多行複雜公式推導。LaTeX 排版元素如上標、下標、大括號、分數橫槓、多行對齊等全部精準呈現,即便在小字級距下仍維持極佳的可讀性。

Qwen-Image-3.0 也能在擬真紙張上生成細小文字。下方是它生成的報紙,不只精準生成密集文字,還模擬出報紙的真實質感。在編輯任務中,也能生成精細文字。例如下方案例中,模型以擬真風格產生註解。模型在書頁上疊加擬真的紅色手寫註記——底線、波浪線、圈選、箭頭、短評,筆跡自然流暢,完美模擬高中生課堂筆記的風格。除了文字與版面的精細重現,「真實細節」在紋理描繪上也同樣出色。下方是兩個人像攝影範例,模型捕捉到極為細膩的紋理。除了人像,模型也能描繪其他物體的細膩紋理。在編輯任務中,也能生成細節豐富的圖像。針對受損或不完整的傳統畫作,模型能在忠實保留原藝術風格與筆觸的同時,修復缺失的部分。模型以與原作一致的筆觸完成猛禽搏鬥畫的修復,保留水墨漸層、羽毛紋理、構圖平衡,同時去除霉斑與受損痕跡。


深層知識 (Deep Knowledge)

「豐富內容」回答「能畫多複雜」,「真實細節」回答「能畫多逼真」,「深層知識」回答的則是「能畫多廣」。Qwen-Image-3.0 具備涵蓋 12 種語言、多種字型、100+ 藝術風格、各種 UI 介面的渲染能力——這些都奠基於模型對世界知識的深厚理解。下方三個範例分別精準渲染日文、韓文、西班牙文。除了多語言的精準渲染,模型還擁有豐富的世界知識。特別是,模型能生成各種擬真的 UI 介面。我們也能運用模型強大的世界知識來創作資訊圖。下方範例中,我們根據真實圖片生成複雜資訊圖。模型在保留原始昆蟲照片主體的同時,補上分類資訊、形態註解、細節放大圖、比例尺等專業元素,產出可直接用於學術發表的研究圖。除了模型既有的世界知識,它還能連上網路擷取最新世界知識。例如,我們能請模型生成 7 月 21 日杭州的天氣預報圖。模型也能辨識特定 IP 人物並據此創作。例如下圖生成了齊白石與梵谷在直播間介紹 Qwen-Image-3.0 的畫面。


結論從 Qwen-Image-1.0 的「精準」,到 Qwen-Image-2.0 的「精準、多樣、完整、美、真實」,再到如今 Qwen-Image-3.0 的「實」——我們始終追求的目標,是讓圖像生成從「可用」走向「實用」,從「好看」走向「好用」。憑藉「豐富內容、真實細節、深層知識」三大核心特性,Qwen-Image-3.0 在報紙 PDF、短劇分鏡、複雜 UI 介面等高價值生產力場景中實現重大突破。我們相信,隨著圖像生成模型能力持續提升,將在設計、內容創作、教育、電商等更多領域釋放真正的生產力價值。以上就是本次更新的主要亮點,希望大家喜歡使用 Qwen-Image-3.0!


🚨 為什麼這件事重要

Qwen-Image-3.0 的發布不只是「又一個圖像生成模型升級」,它直接挑戰了當前生圖模型的兩個核心痛點:長文字渲染的失真與複雜版面布局的崩潰。過去一年,DALL-E 3、Midjourney v6、Imagen 3 在面對「多語言文字嵌套」「學術公式」「商業資訊圖」這類任務時幾乎全軍覆沒,使用者要嘛靠 Photoshop 後製,要嘛放棄。Qwen-Image-3.0 把可接受指令長度推到 4.5k tokens,且一次渲染 3×3 複雜格點無需拼接,這代表「圖像作為生產力媒介」的可能性被打開。對台灣與中文使用者尤其關鍵:中文文字渲染(包含書法、注音、標點、繁簡並排)一直是西方模型的弱點。Qwen-Image-3.0 在中文小字、書法字、古文引文(如《出師表》)的渲染上明顯領先,這對台灣的出版業、教育業、行銷產業有直接的實戰價值——例如自動生成多格漫畫分鏡、教科書插圖、報紙版面、產品型錄等。更宏觀來看,這是中國 AI 開源生態在「圖像生成」這個被認為是 OpenAI、Midjourney、Stability AI 領地的賽道上,第一次取得明確技術領先。模型在 Hugging Face 與 GitHub 開源,意味著開發者能直接基於它做微調或部署,這對全球 AI 競爭格局有結構性影響。

🚨 數據解讀與質疑從官方公布的展示來看,Qwen-Image-3.0 在「文字渲染精度」「多語言支援」「複雜版面布局」三項確實驚艷,但讀者必須注意以下幾點:

  • 官方展示是 cherry-picked 的最佳樣本:官方部落格只展示成功案例,沒有提供失敗率或與其他模型的盲測比較。要驗證真實表現,需要等 LMSYS Chatbot Arena 或第三方 benchmark(如 HPSv2、ImageReward)開出獨立評分。
  • 4.5k token 指令長度不等於「能理解 4.5k 字」:這個數字是模型可接受的 prompt 長度上限,而非理解能力上限。實際上 3.7k tokens 已逼近極限,之後可能出現注意力分散或元素遺漏。
  • 速度與成本未公開:相比 DALL-E 3(雲端 API)、Flux(社群開源),Qwen-Image-3.0 的單張生成時間、VRAM 需求、API 計費尚未公布。若要商用部署,這些指標比渲染品質更重要。
  • 「深層知識」可連網這點需要驗證:官方提到模型可連網取得最新世界知識(如生成 7 月 21 日杭州天氣),但實作細節、隱私風險、是否會生成錯誤資訊(hallucination)都需要後續實測驗證。
  • 與 Qwen-Image-2.0 的實際差距:官方僅以文字描述差異(從「精準多樣完整美真實」到「實」),缺乏同 prompt 對照組。建議讀者去 GitHub QwenLM/Qwen-Image 倉庫實測比較。整體而言,Qwen-Image-3.0 是 2026 年下半年最值得關注的開源圖像生成模型之一,但要避免被官方展示沖昏頭,務必等待第三方盲測與速度成本資料出爐再做判斷。

編按:本文綜合整理自 Qwen 官方部落格、Hacker News 討論串,並加入 Siami 編輯部觀點與分析。

網友熱門留言 (5)

#1 mynti (HN) ▲ 87
我覺得很奇怪,這些模型一直被推去做『線上試穿』,但模型總會把衣服修到你身上剛好、又在最美的光線下。實際版型會不會合,從這些工具出現到現在都一樣難預測。
#2 khurs (HN) ▲ 64
只要產品經理拿到獎金或升遷,這就算成功了。
#3 pwillia7 (HN) ▲ 42
如果你能用 LORA 簡單訓練自己試穿各種衣服,我相信模型會表現得不錯;但沒那個機制的話,目前還是想不出能怎麼解決。
#4 HN 用戶 (建設性應用) ▲ 31
我在工作中用類似工具預覽建材目錄套到使用者上傳照片的效果,結果好壞參半、很貴,但真的覺得離下一次突破只差幾個月,已經算堪用。好奇 Qwen-Image 比起 nano banana 會進步多少。
#5 HN 用戶 (Qwen 系列 vs 開源) ▲ 55
又沒有第一時間在 Hugging Face 開源?