Qwen-Image Technical Report

一、文章主要内容和创新点

主要内容

本文介绍了Qwen-Image，一款Qwen系列的图像生成基础模型，其核心优势在于复杂文本渲染和精确图像编辑。

1. 文本渲染优化：通过构建大规模数据 pipeline（包含数据收集、过滤、标注、合成与平衡），结合渐进式训练策略（从非文本任务过渡到文本渲染，从简单文本到段落级描述），显著提升了模型对多语言（尤其是中文等表意文字）的文本渲染能力。
2. 图像编辑增强：提出改进的多任务训练范式，整合文本到图像（T2I）、文本-图像到图像（TI2I）、图像到图像（I2I）重建任务，并设计双编码机制——通过Qwen2.5-VL获取语义表示、通过VAE编码器获取重建表示，实现语义一致性与视觉保真度的平衡。
3. 性能评估：在GenEval、DPG等通用生成基准，GEdit、ImgEdit等编辑基准，以及LongText-Bench、ChineseWord等文本渲染基准上均达到当前最优水平，尤其在中文文本生成上显著超越现有模型。

创新点

1. 复杂文本渲染方案：通过全面的数据工程（大规模高质量数据+合成数据）和渐进式课程学习，首次实现对段落级、多语言（尤其是中文）文本的高保真渲染。
2. 图像编辑一致性机制：融合多任务训练与双编码机制，解决了编辑中“视觉一致性”（仅修改目标区域）和“语义连贯性”（保持全局语义）的双重挑战。</