阿里發佈Qwen-Image-3.0圖像模型，支持超長指令複雜圖文生成

新浪科技訊 7月21日下午消息，阿里發佈最新圖像生成基礎模型Qwen-Image-3.0。該模型支持最大4.5k token超長輸入，可一次生成涵蓋公式符號、幾何圖形、邏輯推導步驟等多元素融合的知識圖解、複雜UI界面，同時支持12國語言和20多款字體原生渲染，大幅降低了多語言產品海報、影視/漫畫分鏡等“可讀可用”商業素材的生產成本。

Qwen-Image-3.0是千問圖像生成和編輯模型系列的第三代基礎模型，對於GPT-Image-2擅長的直播間頁面，Qwen-Image-3.0也能輕鬆生成，人像攝影、數學試卷、古碑拓片，千問生成的圖片細節滿滿，栩栩如生。

Qwen-Image-3.0著重提升了模型對於複雜信息的承載能力，較前代在文本輸入長度上實現了4.5倍的躍升。這意味著，在影視短劇分鏡、複雜信息圖、產品說明頁等需要超長提示詞輸入的場景中，用戶不再需要將需求壓縮成一句話，而是可以像給設計師撰寫需求文檔一樣，完整描述畫面結構、文字內容、視覺風格和排版細節，從而讓模型更精準地生成圖文內容，減少反複生成和人工調試成本。憑藉Qwen-Image-3.0對語義並置和空間控製能力的極致把握，新模型可一次性生成涵蓋9種不同領域的9宮格知識圖解，字字清晰，幅幅準確。

此外，Qwen-Image-3.0還能輕鬆理解複雜指令和畫面的邏輯嵌套關係，可根據一條指令在同一幅圖中生成網頁、軟件界面、聊天窗口、海報等多類視覺內容的組合式表達。比如，當用戶輸入“在 VSCode 編程界面中，通過千問App生成一張發佈在聊天界面里的手衝咖啡海報”時，模型能夠準確理解其中的多層UI嵌套關係，並依次生成VSCode編程界面、千問App界面、社交媒體聊天界面和咖啡海報，在保持各層界面結構、風格準確的同時，甚至連手機截圖里的時間數字，低至10像素的小字，都清晰可辨。（文猛）