- august 2025 ble Alibabas Qwen-team offisielt lansert Qwen-bilde, en fundamentmodell for multimodal diffusjonstransformator (MMDiT) med 20 milliarder parametere, designet for å levere enestående gjengivelseskvalitet i tekst-til-bilde-syntese og presisjonsbilderedigering. Denne utgivelsen markerer Alibabas dristige inntreden i arenaen for åpen kildekode-bildegenerering, og posisjonerer Qwen-Image som en direkte utfordrer til proprietære systemer som OpenAIs GPT-4o, DALL·E 2 og Midjourney.
Tekniske innovasjoner
Qwen-bildene 20 B MMDiT Ryggraden markerer en betydelig ingeniørbragd, som gjør det mulig for modellen å utmerke seg i å gjengi komplekst tekstinnhold direkte i genererte bilder. Læringstilnærmingen i læreplanen begynner med enkle gjengivelsesoppgaver uten tekst og utvikler seg gradvis til å håndtere beskrivelser med avsnittslengde, noe som gir eksepsjonell gjengivelseskvalitet i både alfabetiske og logografiske språk. Dessuten inneholder modellen en mekanisme – separat behandling av semantiske og rekonstruktive representasjoner via Qwen2.5-VL og en VAE-koder – som finner en balanse mellom å opprettholde semantisk konsistens og visuell realisme under bilderedigering.