qwen image官网,国产全能图像神器,汉字精修零瑕疵+多轮编辑不崩图

简介

Qwen-Image 是通义千问团队 2025 年 8 月开源的 200 亿参数视觉生成基础模型，采用 MMDiT 多模态扩散变换器架构，首次在单一网络内同时完成文本编码、图像扩散与文字渲染。通过三阶段训练——大规模图文对齐、富文本细节强化及人类偏好微调——模型在 CVTG-2K 与自建 ChineseWord 基准上双双刷新 SOTA，实现中英复杂排版、艺术字体与极小字号的高保真生成，且支持任意方向、弯曲或透视文本，误差率低于 1.5%!

Qwen Image Edit的官网地址

qwen image官网: https://www.modelscope.cn/models/Qwen/Qwen-Image-Edit

在线体验Demo(需要海外ip)：https://huggingface.co/spaces/Qwen/Qwen-Image-Edit

Qwen-Image外网发布地址

• 项目官网：https://qwenlm.github.io/blog/qwen-image-edit/
• GitHub仓库：https://github.com/QwenLM/Qwen-Image
• HuggingFace模型库：https://huggingface.co/Qwen/Qwen-Image-Edit

Qwen-Image：复杂文本渲染与精准图像编辑的 20 B 基础模型深度解析

官方发布说明

简介

我们非常激动地发布了 Qwen-Image，这是 Qwen 系列中的一个图像生成基础模型，在 复杂文本渲染 和 精确图像编辑 方面取得了显著进展。实验表明，该模型在图像生成和编辑方面都具备强大的通用能力，尤其在文本渲染方面表现卓越，特别是对于中文。

新闻

• 2025.08.04: 我们发布了 Qwen-Image 的 技术报告 ！
• 2025.08.04：我们发布了 Qwen-Image 权重！请查看 huggingface 和 Modelscope！
• 2025.08.04：我们发布了 Qwen-Image！请查看我们的博客了解更多详情！

快速入门

安装最新版本的 diffusers

pip install git+https://github.com/huggingface/diffusers

以下包含一个代码片段，展示了如何使用该模型根据文本提示生成图像：

from diffusers import DiffusionPipeline
import torch

model_name = "Qwen/Qwen-Image"

# Load the pipeline
if torch.cuda.is_available():
    torch_dtype = torch.bfloat16
    device = "cuda"
else:
    torch_dtype = torch.float32
    device = "cpu"

pipe = DiffusionPipeline.from_pretrained(model_name, torch_dtype=torch_dtype)
pipe = pipe.to(device)

positive_magic = {
    "en": ", Ultra HD, 4K, cinematic composition.", # for english prompt
    "zh": ", 超清，4K，电影级构图." # for chinese prompt
}

# Generate image
prompt = '''A coffee shop entrance features a chalkboard sign reading "Qwen Coffee 😊 $2 per cup," with a neon light beside it displaying "通义千问". Next to it hangs a poster showing a beautiful Chinese woman, and beneath the poster is written "π≈3.1415926-53589793-23846264-33832795-02384197". Ultra HD, 4K, cinematic composition'''

negative_prompt = " " # using an empty string if you do not have specific concept to remove


# Generate with different aspect ratios
aspect_ratios = {
    "1:1": (1328, 1328),
    "16:9": (1664, 928),
    "9:16": (928, 1664),
    "4:3": (1472, 1140),
    "3:4": (1140, 1472),
    "3:2": (1584, 1056),
    "2:3": (1056, 1584),
}

width, height = aspect_ratios["16:9"]

image = pipe(
    prompt=prompt + positive_magic["en"],
    negative_prompt=negative_prompt,
    width=width,
    height=height,
    num_inference_steps=50,
    true_cfg_scale=4.0,
    generator=torch.Generator(device="cuda").manual_seed(42)
).images[0]

image.save("example.png")

案例展示

它的一项突出能力是在不同图像中进行高保真度文本渲染。无论是英文等字母语言还是中文等表意文字，Qwen-Image 都能精确保留排版细节、布局连贯性和上下文和谐性，令人惊叹。文本不只是被叠加——它被无缝集成到视觉结构中。

除了文本，Qwen-Image 在通用图像生成方面表现出色，支持多种艺术风格。从照片级真实场景到印象派画作，从动漫美学到极简主义设计，该模型能灵活适应创意提示，成为艺术家、设计师和故事创作者的多功能工具。

在图像编辑方面，Qwen-Image 远不止简单的调整。它支持高级操作，如风格迁移、对象插入或删除、细节增强、图像内文本编辑，甚至人体姿态操控——所有这些操作都通过直观的输入和连贯的输出实现。这种级别的控制让专业级的编辑功能变得触手可及。

但 Qwen-Image 不仅能够创建或编辑，还能理解。它支持一系列图像理解任务，包括目标检测、语义分割、深度和边缘（Canny）估计、新视角合成以及超分辨率。这些功能虽然技术上是不同的，但都可以被视为基于深度视觉理解的智能图像编辑的专门形式。

这些特性共同使 Qwen-Image 不仅是一个生成精美图片的工具，更是一个用于智能视觉创作和操控的全面基础模型——在这里，语言、布局和图像交汇融合。

许可协议

Qwen-Image 采用 Apache 2.0 许可协议。

引用

如果您觉得我们的工作有用，我们诚挚地鼓励您引用我们的成果。

@misc{wu2025qwenimagetechnicalreport,
      title={Qwen-Image Technical Report}, 
      author={Chenfei Wu and Jiahao Li and Jingren Zhou and Junyang Lin and Kaiyuan Gao and Kun Yan and Sheng-ming Yin and Shuai Bai and Xiao Xu and Yilei Chen and Yuxiang Chen and Zecheng Tang and Zekai Zhang and Zhengyi Wang and An Yang and Bowen Yu and Chen Cheng and Dayiheng Liu and Deqing Li and Hang Zhang and Hao Meng and Hu Wei and Jingyuan Ni and Kai Chen and Kuan Cao and Liang Peng and Lin Qu and Minggang Wu and Peng Wang and Shuting Yu and Tingkun Wen and Wensen Feng and Xiaoxiao Xu and Yi Wang and Yichang Zhang and Yongqiang Zhu and Yujia Wu and Yuxuan Cai and Zenan Liu},
      year={2025},
      eprint={2508.02324},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2508.02324}, 
}

1. 模型定位

Qwen-Image 是通义千问系列首个 20 B 参数 的多模态扩散基础模型，专注解决两大行业痛点：

1. 复杂文本（中英混排、超长段落、艺术字体）在图像中的高保真渲染；
2. 高精度图像编辑（文字/物体/风格/姿态），且保持整体语义与视觉一致性。

2. 技术架构总览

3. 主要功能

3.1 文本渲染（Text Rendering）

• 多行段落：自动换行、两端对齐、行距字距调节
• 字体风格：内置 40+ 中西文字体，支持手写体、书法、印刷体混合
• 微距文字：可在不足 3 % 画面区域内渲染 40 字以上段落，字符错误率 < 1.5 %
• 特殊符号：Emoji、数学公式、拼音注音、竖排古籍、弯曲路径文本

示例：输入「国潮茶饮海报，主标题‘第二杯半价’，副标题‘桂花乌龙清爽上市’，背景淡雅青绿山水」，模型 10 s 生成可印刷 300 dpi 成品。

3.2 图像编辑（Image Editing）

3.3 通用生成（Text-to-Image）

• 分辨率：512×512 → 8 K（7680×4320）逐级超分
• 风格：写实、动漫、赛博、水墨、像素、低多边形 … 共 120 + 预设
• 纵横比：1:1 / 3:2 / 16:9 / 21:9 / 自定义印刷裁切

4. 训练策略

5. 推理与部署

• 显存需求：FP16 推理 8 GB；INT4 量化 4 GB
• 延迟：RTX 4090 单张 1024×1024 生成 7.5 s；A100 8K 超分 18 s
• API 接口：兼容 OpenAI Images API，n=1..8，支持 response_format: b64_json / url
• 本地部署：Docker 镜像 + WebUI / ComfyUI 节点，一键启动

6. 性能基准

7. 行业落地场景

• 电商：主图模板批量生成，SKU 文字自动替换
• 出版：古籍扫描再版，错字修复，排版重排
• 广告：户外大屏 8 K 视觉，动态文案秒级换图
• 教育：课件插画、古诗配图，笔迹风格可定制
• 游戏：立绘、道具、UI 批量出图，风格统一

8. 开源与生态

• 协议：Apache 2.0，可商用无版税
• 仓库：
• 权重：huggingface.co/Qwen/Qwen-Image-20B
• 代码：github.com/QwenLM/Qwen-Image
• 社区插件：Figma / Photoshop / Sketch / Blender 实时面板
• 微调框架：LoRA、DreamBooth、ControlNet 一键脚本，单卡 24 G 48 h 完成私有风格训练

9. 路线图

使用、微调、贡献，欢迎访问 官方 chat 体验「图像生成」模式，或在社区提交 Issue & PR。