夢(mèng)瑤 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

文本一長(zhǎng)就糊、指令一雜就撂挑子、遇到中文更是一整個(gè)變形freestyle……

「AI生圖」的這點(diǎn)苦，到底有誰(shuí)懂?。。?！

停，不用擰巴了，因?yàn)楝F(xiàn)在的AI，已經(jīng)能穩(wěn)穩(wěn)吃下1K token的超長(zhǎng)文字指令了：

復(fù)雜指令也不在怕的，最近OpenClaw賊火，我索性讓AI直接幫roll出一個(gè)賽博信息圖海報(bào)（你就說(shuō)牛不牛吧）：

中文渲染表現(xiàn)也不孬，《蘭亭集序》這種公認(rèn)的高難度文本，這AI居然能做到文字1:1還原，排版、筆鋒都在線：

你以為到這兒就結(jié)束了，NONONO！因?yàn)樗€能——多圖編輯。

隨手丟給了它一張照片，人家直接給我甩出一組影棚級(jí)的9宮格寫真?。。ㄕO，突然感覺(jué)怒省一筆錢…

剛才幫我干活的這位，正是阿里剛剛發(fā)布的新一代圖像生成及編輯模型——Qwen-Image-2.0。

1K token長(zhǎng)文本、復(fù)雜指令、中文渲染、圖片編輯、2K分辨率一次性梭哈，連國(guó)際評(píng)測(cè)里的表現(xiàn)都已經(jīng)沖到了僅次于Nano Banana Pro的位置。

不廢話，這個(gè)中文版Nano Banana到底能不能打，咱實(shí)測(cè)見(jiàn)真章！！！

Qwen-Image-2.0 一手實(shí)測(cè)

復(fù)雜指令理解準(zhǔn)，1K token文本玩得轉(zhuǎn)

在AI生圖界，最讓人崩潰的倒不是寫Prompt詞，而是寫了太多，AI根本不吃消，好的提示詞真無(wú)！處！施！展！

不知道千問(wèn)團(tuán)隊(duì)受了啥啟發(fā)，這次在Qwen-Image-2.0中把提示詞的輸入字符硬生生搞到了「1K token」，而且對(duì)復(fù)雜指令的生成準(zhǔn)確率也上了一個(gè)level。

換句話說(shuō)，現(xiàn)在咱喂進(jìn)去一大段「七八九百字」的超長(zhǎng)地獄級(jí)提示詞，對(duì)AI來(lái)說(shuō)也是《手拿把掐》了。

但老話講得好，光說(shuō)不練假把式。

你說(shuō)1K token就1K token？你說(shuō)這AI能理解復(fù)雜指令就能理解？咱還得實(shí)測(cè)說(shuō)的算！

先來(lái)道開(kāi)胃菜，最近水墨風(fēng)多宮格漫畫在網(wǎng)上賊火，我直接反手就是輸入一個(gè)長(zhǎng)達(dá)700字，且包含復(fù)雜指令的提示詞：

這個(gè)提示指令的難度在于，既需要AI理解五宮格結(jié)構(gòu)、時(shí)間推進(jìn)、空間切換、人物關(guān)系與統(tǒng)一畫風(fēng)，還需要把700字的長(zhǎng)文本消化理解到位，這對(duì)長(zhǎng)上下文保持一致性要求很高！?。?/p>

結(jié)果還沒(méi)一分鐘，Qwen-Image-2.0就給我搓出來(lái)了完成度明顯高于我預(yù)期的唐僧師徒西天取經(jīng)的「五宮格漫畫」：

仔細(xì)看會(huì)發(fā)現(xiàn)，夜行、火焰山、打斗這些場(chǎng)景區(qū)分都很明顯，而且人物形象穩(wěn)定，唐僧、孫悟空、豬八戒、沙僧都保持了較好的角色一致性。

連唐僧臉上的emo情緒都還原得很到位，該有的要素一個(gè)不差？？？

（不是，家人們，我有點(diǎn)驚了…）

emm…一張圖說(shuō)明不了啥！

這回咱再試一個(gè)Nano Banana里很火的「美食爆炸圖」玩法，看看AI能不能接住招！

這次我輸入了一段長(zhǎng)達(dá)600多字的提示詞，逐層描述漢堡的十種食材及其上下位置，對(duì)AI的結(jié)構(gòu)理解與還原能力提出了很高要求：

萬(wàn)萬(wàn)沒(méi)想到，一個(gè)顏值和完成度都拉滿的「商業(yè)級(jí)」2k分辨率的漢堡分解信息圖，就這么被AI搓出來(lái)了：

質(zhì)感自然沒(méi)得說(shuō)，牛肉餅的焦化紋理、芝士拉絲、醬汁流動(dòng)都很真實(shí)，文字也沒(méi)有出現(xiàn)變形問(wèn)題，每一層食材之間的距離也把控得很完美，強(qiáng)迫癥患者狠狠愛(ài)了?。?！

漫畫和美食玩夠了，咱再來(lái)試試城市特效玩法。

這回咱讓AI在「畫軸+立體城市+微縮建模+2k分辨率」多重要求同時(shí)成立的前提下，生成一幅上海市的3D景觀：

說(shuō)一句不夸張的，這張已經(jīng)有點(diǎn)巨作內(nèi)味了，完成度甚至比不少我在網(wǎng)上看到的爆款案例還要高……

從結(jié)構(gòu)上看，畫軸與上海城市的結(jié)合非常自然，卷軸的展開(kāi)方向剛好承載了城市縱深。

此外，高樓、道路、水面、人物之間沒(méi)有明顯失衡，夜景燈光、車流光帶、水面反射也都處理得很細(xì)，這Qwen-Image-2.0屬實(shí)是把復(fù)雜指令和超長(zhǎng)提示詞妥妥拿捏了…

最后咱再來(lái)試試微觀景觀玩法，讓AI搓一個(gè)2k微距攝影視角下的「大米王國(guó)」：

在提示詞的設(shè)計(jì)中，既要求AI將大米放大到地形級(jí)的尺度，又要保證微縮人物的比例、動(dòng)作和受力邏輯真實(shí)，還得在同一畫面中呈現(xiàn)搬運(yùn)、裝袋、協(xié)作的勞動(dòng)場(chǎng)景，一旦有一項(xiàng)沒(méi)對(duì)齊，畫面就會(huì)立刻出戲?。?！

沒(méi)失望啊沒(méi)失望，一個(gè)誤入米粒世界、微縮人們圍著巨型大米忙得熱火朝天的奇妙場(chǎng)景，就這么水靈靈被搓出來(lái)了：

u1s1，整體完成度還是很高的，微縮比例關(guān)系準(zhǔn)確，大米的尺度夸張但邏輯自洽，而且米粒的半透明質(zhì)感、裂紋細(xì)節(jié)和淺景深處理讓畫面非常接近真實(shí)微距攝影了。

看來(lái)，Qwen-Image-2.0的1K token的超長(zhǎng)文本輸入和復(fù)雜指令理解力，還是有點(diǎn)說(shuō)法的…

多圖編輯手拿把掐

有朋友看到這兒該問(wèn)了，光能文字生圖有啥用啊，編輯能力才是最實(shí)用的。（大聲）

好巧不巧，除了基礎(chǔ)的文生圖外，這次Qwen-Image-2.0的另一大超實(shí)用的能力，那就是——圖片編輯！

具體講呢，我們可以通過(guò)上傳一張或多張圖片，通過(guò)提示詞指令讓AI進(jìn)行二創(chuàng)、修改等編輯操作～

咱先來(lái)玩一個(gè)NanoBanana超火的OOTD拼圖玩法，讓圖1中的女孩穿著圖3的裙子，站在圖2的車身前：

別說(shuō)嗷，真一點(diǎn)違和感沒(méi)有，衣服和女孩的融合得也非常好，不僅如此AI還把汽車的倒影給補(bǔ)足還原了，666…

咱再來(lái)試一個(gè)九宮格自拍照編輯玩法，只喂一張照片，再給一句九宮格需求指令，我就得到了一套影棚級(jí)寫真！

不光如此，人家連文案都給你一塊包了，我讓AI給第一張水墨畫寫了首詩(shī)，小詞一放上去，古風(fēng)味兒立馬就出來(lái)了：

能改圖、能加字、能拼圖，好好好，這下真·萬(wàn)物皆可編輯了。

感覺(jué)下個(gè)月我P圖軟件的會(huì)員真不用續(xù)費(fèi)了……

中文漢字渲染極夯

其實(shí)從Qwen Image模型剛出的時(shí)候，我就對(duì)它中文渲染的強(qiáng)大能力的《略有耳聞》。

只是沒(méi)想到，到了2.0，這本事又進(jìn)化了…..

因?yàn)槲野l(fā)現(xiàn)，哪怕一張圖都不喂，只簡(jiǎn)單說(shuō)了一句「生成一個(gè)一文看懂的科普信息圖表，解釋熬夜的危害」，Qwen-Image-2.0給我的，已經(jīng)是一張數(shù)字、漢字、英文全都安排得明明白白的科普海報(bào)了：

此外，它還能將文字和畫作進(jìn)行完整融合，看下面這個(gè)雪雕版的冰雪大世界，遠(yuǎn)看是字，近看是景，文字和周圍的積雪融合得恰到好處！

即便黑板報(bào)中充滿數(shù)字、符號(hào)和中文，文字依然能夠做到1:1還原，更難得的是整體排版依舊規(guī)整，每個(gè)字的筆鋒和間距看起來(lái)都很舒服：

漢字完整度和一致性都很高，幾乎沒(méi)有亂碼或假字，數(shù)字、符號(hào)和公式渲染準(zhǔn)確，已經(jīng)達(dá)到可直接閱讀的水平了。

誒？感覺(jué)非常適合拿來(lái)處理咱日常的一些海報(bào)文案、信息圖表內(nèi)容，這可比自己往圖上一個(gè)個(gè)P字兒快多了…

實(shí)測(cè)之外，國(guó)際表現(xiàn)同樣能打

實(shí)測(cè)中能打，國(guó)際表現(xiàn)也不孬。

在AI Arena模型評(píng)測(cè)中， Qwen-Image-2.0在文生圖、圖生圖兩個(gè)基準(zhǔn)測(cè)試?yán)镆捕寂艹隽讼喈?dāng)靠前的成績(jī)，僅次于谷歌Nano Banana Pro和GPT Image 1.5：

其實(shí)回頭看Qwen-Image的演進(jìn)路徑，這個(gè)結(jié)果算不上意外。

早些時(shí)候，千問(wèn)一直在兩條方向上同時(shí)推進(jìn)：一條主攻生圖能力，一條持續(xù)打磨編輯能力。

去年8月發(fā)布的Qwen-Image更偏向文字渲染的準(zhǔn)確性，12月的Qwen-Image-2512則把重心放在細(xì)節(jié)質(zhì)感和真實(shí)度上，與此同時(shí)，從單圖編輯到多圖編輯，再到一致性能力，也一步步補(bǔ)齊。

到了這次的Qwen-Image-2.0，相當(dāng)于把這兩條路線收攏到同一個(gè)模型里，生圖和編輯同時(shí)在線，整體表現(xiàn)也就更穩(wěn)了。

以中文文字渲染為例，過(guò)去這一方向長(zhǎng)期受限于VAE壓縮帶來(lái)的損失：

小字號(hào)、密集排版對(duì)壓縮極其敏感，信息密度越高，重構(gòu)難度越大，生成結(jié)果也越容易糊。

圍繞這一痛點(diǎn)，Qwen-Image-2.0在VAE與生成模型兩端同步升級(jí)，小字與高密度文字場(chǎng)景下的可讀性明顯提升，PPT、信息圖這類場(chǎng)景終于能穩(wěn)定輸出可直接使用的圖像。

參數(shù)規(guī)模上，Qwen-Image-2.0也做了進(jìn)一步收斂。

在能力提升的同時(shí)，模型體量更輕，部署門檻更低，生圖速度更快，尤其適合高頻prompt調(diào)試、實(shí)時(shí)展示和交互式創(chuàng)作等使用場(chǎng)景～

站在真實(shí)使用者的角度，這次實(shí)測(cè)下來(lái)最大的感受只有三個(gè)字——「超預(yù)期」。

對(duì)我而言，平時(shí)看一個(gè)生圖模型好不好用，從來(lái)不太糾結(jié)參數(shù)本身，更在意它能不能在不反復(fù)抽卡的情況下，直接給出讓我滿意的結(jié)果。

這背后包括幾個(gè)很實(shí)際的點(diǎn)：

提示詞信息能不能完整呈現(xiàn)、生成速度快不快、畫面好不好看，以及編輯能力夠不夠強(qiáng)大順手。

而從這次體驗(yàn)來(lái)看，Qwen-Image-2.0幾乎把這些日常生圖時(shí)最容易翻車的地方，一次性都補(bǔ)齊了：

1K token的指令支持，讓我可以盡可能把提示詞寫完整；2K分辨率輸出，保證了畫面的質(zhì)感；而生圖與編輯二合一的能力，讓很多修改都能直接在生成結(jié)果上完成，省去了咱來(lái)回切換其他修圖軟件的麻煩。

好用、好看、真實(shí)、好玩，對(duì)我來(lái)說(shuō)這就夠了。

目前阿里云百煉上已開(kāi)通API邀測(cè)。

開(kāi)發(fā)者也可通過(guò)Qwen Chat（chat.qwen.ai）免費(fèi)體驗(yàn)新模型，感興趣的友友不妨直接自己上手搓一把?。。?/p>