千问团队开源图像基础模型 Qwen-Image

作者 | Anthony Alford 译者 | 明知山 千问大模型团队 最近开源了 Qwen-Image，一个图像基础模型。Qwen-Image 支持从文本到图像 （T2I）的生成任务以及从文本图像到图像（TI2I）的编辑任务，并且在多项基准测试中均取得了超 越其他模型的卓越表现。 Qwen-Image 使用 Qwen2.5-VL 处理文本输入，使用变分自编码器（VAE）处理图像输入，并通过 多模态扩散变换器（MMDiT）进行图像生成。这一组模型在文本渲染方面表现出色，支持英语和中 文文本。千问团队在包括 DPG、GenEval、GEdit 和 ImgEdit 在内的 T2I 和 TI2I 基准测试中对模型 进行了评估，Qwen-Image 总体得分最高。在图像理解任务中，尽管不如专门训练的模型表现好， 但 Qwen-Image 的性能与它们"非常接近"。此外，千问团队还创建了 AI Arena，一个比较网站，人 类评估者可以在上面对生成的图像对进行评分。Qwen-Image 目前排名第三，与包括 GPT Image 1 在内的五个高质量闭源模型竞争。根据千问团队的说法： Qwen-Image 不仅仅是一个 ...