Den 4. august 2025 blev Alibabas Qwen-team officielt lanceret Qwen-billede, en multimodal diffusionstransformer (MMDiT)-fundamentsmodel med 20 milliarder parametre, der er designet til at levere hidtil uset nøjagtighed i tekst-til-billede-syntese og præcis billedredigering. Denne udgivelse markerer Alibabas dristige indtræden i open source-billedgenereringsarenaen og positionerer Qwen-Image som en direkte udfordrer til proprietære systemer som OpenAI's GPT-4o, DALL·E 2 og Midjourney.
Tekniske innovationer
Qwen-Image's 20 B MMDiT Rygraden markerer en betydelig ingeniørmæssig bedrift, der gør det muligt for modellen at udmærke sig ved at gengive komplekst tekstindhold direkte i genererede billeder. Dens tilgang til læseplaner begynder med simple ikke-tekstlige gengivelsesopgaver og udvikler sig gradvist til at håndtere beskrivelser af afsnitslængde, hvilket giver enestående nøjagtighed i både alfabetiske og logografiske sprog. Desuden inkorporerer modellen en mekanisme – separat behandling af semantiske og rekonstruktive repræsentationer via Qwen2.5-VL og en VAE-encoder – som skaber en balance mellem at opretholde semantisk konsistens og visuel realisme under billedredigeringer.