阿里开源 Qwen-Image-Edit：中文渲染秒杀 GPT-4o，精准文本编辑+语义外观双控

阿里通义千问团队正式开源了其最新图像编辑模型 Qwen-Image-Edit，这是继 Qwen-Image 之后，通义千问系列在图像生成与编辑领域的又一重磅力作。作为一个基于20B 参数多模态扩散变换器（MMDiT）的图像编辑基础模型，Qwen-Image-Edit 在精准文本编辑、语义与外观编辑方面展现出卓越性能，尤其在中文文本渲染上实现了行业领先的表现。

突破性文本编辑:中英文双语精准渲染

Qwen-Image-Edit 继承了 Qwen-Image 的核心优势，在文本渲染能力上进一步升级。无论是英文还是中文，它都能实现高保真的文本编辑，支持直接在图像中添加、删除或修改文本，同时保留原有字体、大小和风格。尤其在中文场景下，模型能够处理多行布局、段落级文本生成以及书法对联等复杂排版需求，单字渲染准确率高达97.29%，远超其他顶级模型如 Seedream3.0（53.48%）和 GPT Image1(68.37%)。

例如，Qwen-Image-Edit 可以轻松将海报上的“Hope”替换为“Qwen”，或在书法作品中修正错误字符，同时保持图像整体的视觉一致性。这种精准的文本编辑能力使其在广告设计、品牌宣传和内容创作中具有巨大潜力。

双重编码机制:语义与外观完美平衡

Qwen-Image-Edit 的核心技术创新在于其双重编码机制。在图像编辑过程中，输入图像同时经过 Qwen2.5-VL 模型进行语义编码，提取高层场景和对象关系特征;以及变分自编码器（VAE）进行重建编码，保留底层视觉细节如纹理和颜色。这种机制确保了模型在执行复杂编辑指令时，既能理解语义意图，又能保持视觉保真度。

例如，在语义编辑中，Qwen-Image-Edit 可以将图像中的人物姿态调整为“弯腰牵狗爪”，同时保持人物身份和背景一致;在外观编辑中，它能精确添加元素（如带有真实反射的标牌）或移除细微细节(如头发丝)，而其他区域保持不变。这种“语义+外观”的双重控制使其在 IP 创作、风格迁移和新视角合成等场景中表现尤为出色。

多任务训练:编辑一致性行业领先

通过增强的多任务训练范式，Qwen-Image-Edit 支持文本到图像（T2I）、图像到图像(I2I)以及文本引导图像编辑(TI2I)等多种任务。模型在 GEdit、ImgEdit 和 GSO 等图像编辑基准测试中均取得 SOTA 性能，综合评分分别达到7.56(英文)、7.52(中文)，超越 GPT Image1和 FLUX.1Kontext 等竞争对手。

值得一提的是，Qwen-Image-Edit 的“链式编辑”能力尤为突出。例如，在书法纠错场景中，模型能够通过多轮迭代逐步修正错误字符，同时保持整体风格一致。这种能力大幅提升了创作效率，降低了专业视觉内容创作的门槛。

开源赋能:推动全球AI创作生态

Qwen-Image-Edit 基于 Apache2.0协议完全开源，用户可通过 Hugging Face、ModelScope 等平台免费获取模型权重，或通过 Qwen Chat 的“Image Editing”功能在线体验。阿里还在 ComfyUI 中提供原生支持，并发布了详细的技术报告和快速上手指南，助力开发者快速集成。

社交媒体上，开发者对 Qwen-Image-Edit 的发布反响热烈，称其“将中文渲染和图像编辑能力拉到商用水准”，甚至有用户表示其效果“媲美甚至超越 GPT-4o 和 FLUX.1”。此外，模型支持多种 LoRA 模型（如 MajicBeauty LoRA），进一步扩展了其在高真实感图像生成中的应用场景。