阿里巴巴发布Qwen-Image：20B参数的MMDiT模型，实现文字精准图像生成

阿里巴巴通义千问团队发布了Qwen-Image，这是一个拥有200亿参数的MMDiT图像基础模型。该模型在GenEval、DPG、OneIG-Bench（图像生成）、GEdit、ImgEdit、GSO（图像编辑）以及LongText-Bench、ChineseWord、TextCraft（文字渲染）等基准测试中均达到了领先水平。它擅长渲染复杂的多行文字，包括字母语言（如英语）和表意语言（如中文），涵盖手写文字、海报、PPT幻灯片以及双语内容。此外，该模型还支持一致的图像编辑操作，如风格迁移、对象添加/删除和文字编辑，并能准确渲染微小文字——例如，一张图片中占据不到十分之一面积的纸张上的段落。Qwen-Image现已通过通义千问的聊天平台以及GitHub、Hugging Face和ModelScope等平台提供。