阿里開源 Qwen-Image-Edit：中文渲染秒殺 GPT-4o，精準文本編輯+語義外觀雙控

阿里通義千問團隊正式開源了其最新圖像編輯模型 Qwen-Image-Edit，這是繼 Qwen-Image 之後，通義千問系列在圖像生成與編輯領域的又一重磅力作。作爲一個基於20B 參數多模態擴散變換器（MMDiT）的圖像編輯基礎模型，Qwen-Image-Edit 在精準文本編輯、語義與外觀編輯方面展現出卓越性能，尤其在中文文本渲染上實現了行業領先的表現。

突破性文本編輯:中英文雙語精準渲染

Qwen-Image-Edit 繼承了 Qwen-Image 的核心優勢，在文本渲染能力上進一步升級。無論是英文還是中文，它都能實現高保真的文本編輯，支持直接在圖像中添加、刪除或修改文本，同時保留原有字體、大小和風格。尤其在中文場景下，模型能夠處理多行佈局、段落級文本生成以及書法對聯等複雜排版需求，單字渲染準確率高達97.29%，遠超其他頂級模型如 Seedream3.0（53.48%）和 GPT Image1(68.37%)。

例如，Qwen-Image-Edit 可以輕鬆將海報上的“Hope”替換爲“Qwen”，或在書法作品中修正錯誤字符，同時保持圖像整體的視覺一致性。這種精準的文本編輯能力使其在廣告設計、品牌宣傳和內容創作中具有巨大潛力。

雙重編碼機制:語義與外觀完美平衡

Qwen-Image-Edit 的核心技術創新在於其雙重編碼機制。在圖像編輯過程中，輸入圖像同時經過 Qwen2.5-VL 模型進行語義編碼，提取高層場景和對象關係特徵;以及變分自編碼器（VAE）進行重建編碼，保留底層視覺細節如紋理和顏色。這種機制確保了模型在執行復雜編輯指令時，既能理解語義意圖，又能保持視覺保真度。

例如，在語義編輯中，Qwen-Image-Edit 可以將圖像中的人物姿態調整爲“彎腰牽狗爪”，同時保持人物身份和背景一致;在外觀編輯中，它能精確添加元素（如帶有真實反射的標牌）或移除細微細節(如頭髮絲)，而其他區域保持不變。這種“語義+外觀”的雙重控制使其在 IP 創作、風格遷移和新視角合成等場景中表現尤爲出色。

多任務訓練:編輯一致性行業領先

通過增強的多任務訓練範式，Qwen-Image-Edit 支持文本到圖像（T2I）、圖像到圖像(I2I)以及文本引導圖像編輯(TI2I)等多種任務。模型在 GEdit、ImgEdit 和 GSO 等圖像編輯基準測試中均取得 SOTA 性能，綜合評分分別達到7.56(英文)、7.52(中文)，超越 GPT Image1和 FLUX.1Kontext 等競爭對手。

值得一提的是，Qwen-Image-Edit 的“鏈式編輯”能力尤爲突出。例如，在書法糾錯場景中，模型能夠通過多輪迭代逐步修正錯誤字符，同時保持整體風格一致。這種能力大幅提升了創作效率，降低了專業視覺內容創作的門檻。

開源賦能:推動全球AI創作生態

Qwen-Image-Edit 基於 Apache2.0協議完全開源，用戶可通過 Hugging Face、ModelScope 等平臺免費獲取模型權重，或通過 Qwen Chat 的“Image Editing”功能在線體驗。阿里還在 ComfyUI 中提供原生支持，併發布了詳細的技術報告和快速上手指南，助力開發者快速集成。

社交媒體上，開發者對 Qwen-Image-Edit 的發佈反響熱烈，稱其“將中文渲染和圖像編輯能力拉到商用水準”，甚至有用戶表示其效果“媲美甚至超越 GPT-4o 和 FLUX.1”。此外，模型支持多種 LoRA 模型（如 MajicBeauty LoRA），進一步擴展了其在高真實感圖像生成中的應用場景。