通义千问图像生成模型 Qwen-Image

是什么

Qwen-Image 是一个 200 亿参数的图像生成基础模型，2025 年 8 月 4 日发布，同一天公开了技术报告、模型权重和博客文章^[1]。所谓基础模型（foundation model），指的不是为某一个具体任务专门训练的模型，而是可以支撑多种图像任务的通用模型；参数则是训练中学习到的那些数值，它们共同决定了模型看到一段文字描述后会画出什么。这类模型通常从随机噪声出发，在文字提示的约束下一步步把噪声整理成图像。

规模也直接体现在硬件上。模型卡（model card）列出 Qwen-Image 为 200 亿参数、BF16 精度^[3]。BF16 是一种 16 位浮点格式，用这个精度存放 200 亿个参数，仅权重就要占用几十 GB 量级的显存，还没算生成图像时需要的中间计算空间。权重托管在 Hugging Face 上，Qwen-Image 的 Space 也在 Qwen 组织的公开演示之列^[2]。

图像里的文字

真正让 Qwen-Image 受到注意的是图像内文字渲染，尤其是中文^[1]。模型卡把它描述为既能渲染英语等字母文字，也能渲染中文等表意文字（logographic script）^[3]。文字对图像模型一向苛刻：多一笔少一画，一个字就变成另一个字，或者干脆成了乱码，所以早先的图像模型经常画出似是而非的字母形状。两种文字对模型的要求并不相同：字母文字由少量可复用的字母拼成，中文则是成千上万个各自独立的整体字形，每个字内部还有相对固定的笔画结构。

输出尺寸与许可

模型卡的快速上手示例给出 3 种输出尺寸：1:1 用 1328×1328，16:9 用 1664×928，4:3 用 1472×1140^[3]。这是按画幅比例预设分辨率：与其固定生成一个正方形再裁剪，不如直接在与常见画幅匹配的尺寸上生成。权重以 Apache 2.0 协议发布^[1]，这是一个宽松的开源许可，允许使用和修改（包括商业用途），条件是保留许可条款。

编辑与后续版本

Qwen-Image 不只是文生图模型，它也支持图像编辑；后续的编辑与生成 checkpoint 包括 Qwen-Image-Edit-2511 和 Qwen-Image-2512^[1][2]。命名上把编辑模型与纯生成模型分开，使用者可以按任务挑选对应的权重。

在 Qwen 系列中的位置

首次发布之后，这一条线继续推进。2026 年 9 月至 10 月间，Hugging Face 上出现了 Qwen-Image-2.1——一个 70 亿参数的文生图模型——以及 Qwen-Image-2.1-Turbo 变体^[2]。新一代的规模比最初 200 亿参数的原版小得多，但沿用了 Qwen-Image 的名字，说明这个系列在保留大模型的同时，也在往更小、更容易运行的方向扩展。