阿里巴巴开源 200 亿参数图像模型 Qwen-Image

背景

图像生成模型接收一段文字描述，然后生成一张图。这些年在形状、光影和风格上它们已经做得不错，但有一件事一直很难：写字。让模型画一块招牌、一张海报或一个产品标签，出来的字母往往看上去像那么回事，拼写却不对。一部分原因是这类模型学的是视觉规律，而不是拼写规则；另一部分原因是训练素材里以英文等字母语言为主。中文更难：一个能用的模型要生成成千上万个不同的汉字，每个字由笔画构成、又被压进一小块像素里，还要把字与字之间的位置摆对。

发布了什么

2025 年 8 月 4 日，Qwen 团队发布图像生成基础模型 Qwen-Image，参数量为 200 亿^[1]。这次发布是一个打包动作：一份描述方法的技术报告、模型权重本身，以及一篇博客文章，同时放出^[1]。公开权重意味着别人可以把模型下载下来在自己机器上跑，而不只是通过某个现成接口去调用。

许可为 Apache 2.0^[1]。这是一个宽松的开源许可，允许使用、修改和再分发（包括商用），只要保留声明。Hugging Face 上的 Qwen-Image 模型卡写明：模型为 200 亿参数，精度 BF16，许可 Apache-2.0^[3]。BF16 是一种 16 位浮点格式，在大模型的推理和微调中很常见；把它标明，等于告诉使用者大致需要多少显存、要准备什么样的硬件。

图像里的文字

这次发布最受关注的特点是能在生成的图像里渲染文字，尤其是中文^[1]。模型卡称，Qwen-Image 既能渲染英文这类字母语言，也能渲染中文这类表意文字^[3]。表意文字的特点是字符对应词或意义单位而不是读音，所以字符表很大，每个字自己还有内部结构。让这些字清晰、字形正确、顺序正确，与画出看起来像字母的形状是两回事，而这恰恰是图像模型过去最容易出错的地方。

编辑能力与后续版本

Qwen-Image 不只是生成器，它也支持图像编辑^[1]：可以拿一张已有的图片进来，按指令改动，而不是从零画出。这条线也没有停在首个版本上，后续的图像编辑与生成权重包括 Qwen-Image-Edit-2511 和 Qwen-Image-2512^[1][2]；从命名可以看出，某个权重是为「编辑」还是为「生成」而做的。

为什么重要

有三点值得注意。第一是规模加上开放：一个 200 亿参数的模型以 Apache 2.0 发布，研究团队和企业可以直接下载、查看、微调和部署，不必先谈访问权限^[1][3]。第二是语言覆盖：一个同时处理字母语言与汉字的模型^[3]，对以这些文字为默认选项的市场里的设计、广告、出版和标牌制作都有实际意义。第三是发布方式：权重、技术报告和博客文章在 2025 年 8 月 4 日一同出现^[1]，让人既有东西可试，也有材料可读它是怎么做的；而后续的多个权重^[2]说明这是一条持续的版本线，而不是一件孤立的作品。