Am 4. August 2025 startete Alibabas Qwen-Team offiziell Qwen-Bild, ein 20 Milliarden Parameter umfassendes multimodales Diffusionstransformator-Grundmodell (MMDiT), das eine beispiellose Wiedergabetreue bei der Text-zu-Bild-Synthese und präzisen Bildbearbeitung bieten soll. Diese Version markiert Alibabas mutigen Einstieg in den Bereich der Open-Source-Bilderzeugung und positioniert Qwen-Image als direkten Herausforderer proprietärer Systeme wie GPT-4o, DALL·E 2 und Midjourney von OpenAI.
Technische Innovationen
Qwen-Image's 20 B MMDiT Backbone ist eine bedeutende technische Leistung, die es dem Modell ermöglicht, komplexe Textinhalte direkt in generierten Bildern darzustellen. Der Lehrplanansatz beginnt mit einfachen, nicht-textuellen Darstellungsaufgaben und geht schrittweise zur Verarbeitung von absatzlangen Beschreibungen über. Dies führt zu einer außergewöhnlichen Genauigkeit sowohl in alphabetischen als auch in logografischen Sprachen. Darüber hinaus enthält das Modell eine Dual-Kodierung Mechanismus – separate Verarbeitung semantischer und rekonstruktiver Darstellungen über Qwen2.5-VL und einen VAE-Encoder – der bei der Bildbearbeitung ein Gleichgewicht zwischen der Aufrechterhaltung der semantischen Konsistenz und dem visuellen Realismus herstellt.
Durchbrüche bei der Textwiedergabe und -bearbeitung
Ein wichtiges Unterscheidungsmerkmal für Qwen-Image ist seine native Unterstützung für eingebetteten Text, wodurch lesbarer englischer und chinesischer Text in Bildern über mehrzeilige Layouts und Absatzkontexte hinweg platziert werden kann. Interne Benchmarks zeigen, dass Qwen-Image viele Open-Source-Konkurrenten in Bezug auf prompte Einhaltung und Textklarheit übertrifft und sich daher ideal für Anwendungen eignet, die mehrsprachige Designelemente erfordern. Seine Bildbearbeitungsfunktionen profitieren außerdem von einem Multitasking-Trainingsparadigma, das Text-zu-Bild-, Text-Bild-zu-Bild- und Bild-zu-Bild-Rekonstruktionsaufgaben integriert und so die Konsistenz bei der Änderung vorhandener Visualisierungen verbessert.
Unabhängige Bewertungen belegen die Überlegenheit von Qwen-Image in Bezug auf die Genauigkeit der Texteinbettung gegenüber mehreren führenden Open-Source- und proprietären Modellen. In Vergleichstests übertrifft es Open-Source-Alternativen der Mittelklasse und kann es in Bezug auf die Einhaltung von Eingabeaufforderungen mit kommerziellen Angeboten wie Midjourney aufnehmen – insbesondere bei zweisprachigen Eingabeaufforderungen in Englisch und Chinesisch. Während einige proprietäre Systeme bei der Generierung hochkomplexer Szenen immer noch führend sein mögen, unterstreicht das erste Benutzerfeedback die unübertroffene Klarheit von Qwen-Image bei mehrsprachigen Textlayouts und seine robusten Bearbeitungsfunktionen.
Im Einklang mit Alibabas Engagement für „offene, transparente und nachhaltige“ KI ist Qwen-Image Open-Source auf der MoDa-Plattform und lädt die Community zu Beiträgen und Anpassungen ein. Neben der Modellveröffentlichung hat Alibaba umfangreiche Dokumentationen, Beispielcode und ein Feedback-Portal veröffentlicht, um Tests in der Praxis in verschiedenen Anwendungsfällen zu unterstützen – von automatisierten Veröffentlichungspipelines bis hin zu interaktiven Bildungstools.
Resultate der Auswertung
Alibabas interne Benchmarks und Bewertungen durch Dritte zeichnen ein Bild der führenden Leistung von Qwen-Image:
- GenEval (Allgemeine Bildgenerierung): Erreichte eine Fréchet-Inception-Distanz (FID) von 10.2und übertraf vergleichbare 20 B-Parameter-Modelle im Durchschnitt um 9 %.
- LongText-Bench (Text-Rendering): Erzielte 92.7% Genauigkeit bei der Platzierung mehrzeiliger Texte und Glyphenintegrität, übertrifft GPT-4.1 um 14 %.
- GEdit/ImgEdit (Bildbearbeitung): Erzielte einen mittleren Meinungswert (MOS) von 4.3/5, was die hohe Zufriedenheit der Benutzer mit der Aufrechterhaltung der semantischen Konsistenz während der Bearbeitung widerspiegelt
- OneIG-Bench (Infografik-Generierung): Gehört zu den drei besten Modellen für die visuelle Darstellung strukturierter Daten und Diagramme direkt aus Eingabeaufforderungen und weist starke Layout- und Farbauswahlfunktionen auf.
- Rangliste: Auf der Artificial Analysis Image Arena Leaderboard belegt Qwen-Image derzeit den 5. Platz unter allen Bildgenerierungsmodellen – und ist der einzige Eintrag ohne Gewichtung in den Top 10 – und demonstriert damit seinen Wettbewerbsvorteil in der Forschungsgemeinschaft.
Zugang & Ökosystem
Der vielseitige Funktionsumfang von Qwen-Image erschließt eine Reihe von Anwendungen in der realen Welt:
- Marketing Werbung: Schnelle Erstellung maßgeschneiderter Werbebilder mit eingebetteten Slogans und mehrsprachigen Textelementen.
- Bildungsinhalt: Automatisierte Generierung von anschaulichen Diagrammen, Infografiken und kommentierten Bildern für E-Learning-Plattformen.
- Design und Prototyping: Spontane Mockups und Konzeptzeichnungen mit bearbeitbaren Ebenen für interaktive kreative Arbeitsabläufe.
- Lokalisierungsdienste: Nahtlose Anpassung von Bildern an unterschiedliche Sprachkontexte ohne manuellen Grafikdesignaufwand.
Benutzer können über die Chat-Qwen-Schnittstelle von Alibaba mit Qwen-Image interagieren, indem sie den Modus „Bildgenerierung“ auswählen, oder das Modell über das GitHub-Repository und die CometAPI-APIs in ihre Umgebungen integrieren.
- Interaktive Nutzung: chat.qwen.ai und wählen Sie ein beliebiges nicht codiertes Qwen-Modell aus. Wechseln Sie dann zu „Bildgenerierung“, um mit der Erstellung zu beginnen.
- Code & Gewichte:
- GitHub: github.com/QwenLM/Qwen-Image
- Gesicht umarmen: huggingface.co
- Modellumfang: modelscope.cn
Alibaba fördert Community-Feedback und Beiträge, um eine offen, transparent und nachhaltig generatives KI-Ökosystem.
Die neueste Integration Qwen-Image wird bald auf CometAPI erscheinen, also bleiben Sie dran! Während wir den Upload des Qwen-Image-Modells abschließen, erkunden Sie unsere anderen Modelle auf der Seite „Modelle“ oder probieren Sie sie im AI Playground aus.
CometAPI ist eine einheitliche API-Plattform, die über 500 KI-Modelle führender Anbieter – wie die GPT-Reihe von OpenAI, Gemini von Google, Claude von Anthropic, Midjourney, Suno und weitere – in einer einzigen, entwicklerfreundlichen Oberfläche vereint. Durch konsistente Authentifizierung, Anforderungsformatierung und Antwortverarbeitung vereinfacht CometAPI die Integration von KI-Funktionen in Ihre Anwendungen erheblich. Ob Sie Chatbots, Bildgeneratoren, Musikkomponisten oder datengesteuerte Analyse-Pipelines entwickeln – CometAPI ermöglicht Ihnen schnellere Iterationen, Kostenkontrolle und Herstellerunabhängigkeit – und gleichzeitig die neuesten Erkenntnisse des KI-Ökosystems zu nutzen.
Siehe auch