夢瑤 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

文本一長就糊、指令一雜就撂挑子、遇到中文更是一整個變形freestyle……

「AI生圖」的這點苦，到底有誰懂?。。?！

停，不用擰巴了，因為現(xiàn)在的AI，已經能穩(wěn)穩(wěn)吃下1K token的超長文字指令了：

復雜指令也不在怕的，最近OpenClaw賊火，我索性讓AI直接幫roll出一個賽博信息圖海報（你就說牛不牛吧）：

中文渲染表現(xiàn)也不孬，《蘭亭集序》這種公認的高難度文本，這AI居然能做到文字1:1還原，排版、筆鋒都在線：

你以為到這兒就結束了，NONONO！因為它還能——多圖編輯。

隨手丟給了它一張照片，人家直接給我甩出一組影棚級的9宮格寫真?。。ㄕO，突然感覺怒省一筆錢…

剛才幫我干活的這位，正是阿里剛剛發(fā)布的新一代圖像生成及編輯模型——Qwen-Image-2.0。

1K token長文本、復雜指令、中文渲染、圖片編輯、2K分辨率一次性梭哈，連國際評測里的表現(xiàn)都已經沖到了僅次于Nano Banana Pro的位置。

不廢話，這個中文版Nano Banana到底能不能打，咱實測見真章?。?！

Qwen-Image-2.0 一手實測

復雜指令理解準，1K token文本玩得轉

在AI生圖界，最讓人崩潰的倒不是寫Prompt詞，而是寫了太多，AI根本不吃消，好的提示詞真無！處！施！展！

不知道千問團隊受了啥啟發(fā)，這次在Qwen-Image-2.0中把提示詞的輸入字符硬生生搞到了「1K token」，而且對復雜指令的生成準確率也上了一個level。

換句話說，現(xiàn)在咱喂進去一大段「七八九百字」的超長地獄級提示詞，對AI來說也是《手拿把掐》了。

但老話講得好，光說不練假把式。

你說1K token就1K token？你說這AI能理解復雜指令就能理解？咱還得實測說的算！

先來道開胃菜，最近水墨風多宮格漫畫在網上賊火，我直接反手就是輸入一個長達700字，且包含復雜指令的提示詞：

這個提示指令的難度在于，既需要AI理解五宮格結構、時間推進、空間切換、人物關系與統(tǒng)一畫風，還需要把700字的長文本消化理解到位，這對長上下文保持一致性要求很高！??！

結果還沒一分鐘，Qwen-Image-2.0就給我搓出來了完成度明顯高于我預期的唐僧師徒西天取經的「五宮格漫畫」：

仔細看會發(fā)現(xiàn)，夜行、火焰山、打斗這些場景區(qū)分都很明顯，而且人物形象穩(wěn)定，唐僧、孫悟空、豬八戒、沙僧都保持了較好的角色一致性。

連唐僧臉上的emo情緒都還原得很到位，該有的要素一個不差？？？

（不是，家人們，我有點驚了…）

emm…一張圖說明不了啥！

這回咱再試一個Nano Banana里很火的「美食爆炸圖」玩法，看看AI能不能接住招！

這次我輸入了一段長達600多字的提示詞，逐層描述漢堡的十種食材及其上下位置，對AI的結構理解與還原能力提出了很高要求：

萬萬沒想到，一個顏值和完成度都拉滿的「商業(yè)級」2k分辨率的漢堡分解信息圖，就這么被AI搓出來了：

質感自然沒得說，牛肉餅的焦化紋理、芝士拉絲、醬汁流動都很真實，文字也沒有出現(xiàn)變形問題，每一層食材之間的距離也把控得很完美，強迫癥患者狠狠愛了?。?！

漫畫和美食玩夠了，咱再來試試城市特效玩法。

這回咱讓AI在「畫軸+立體城市+微縮建模+2k分辨率」多重要求同時成立的前提下，生成一幅上海市的3D景觀：

說一句不夸張的，這張已經有點巨作內味了，完成度甚至比不少我在網上看到的爆款案例還要高……

從結構上看，畫軸與上海城市的結合非常自然，卷軸的展開方向剛好承載了城市縱深。

此外，高樓、道路、水面、人物之間沒有明顯失衡，夜景燈光、車流光帶、水面反射也都處理得很細，這Qwen-Image-2.0屬實是把復雜指令和超長提示詞妥妥拿捏了…

最后咱再來試試微觀景觀玩法，讓AI搓一個2k微距攝影視角下的「大米王國」：

在提示詞的設計中，既要求AI將大米放大到地形級的尺度，又要保證微縮人物的比例、動作和受力邏輯真實，還得在同一畫面中呈現(xiàn)搬運、裝袋、協(xié)作的勞動場景，一旦有一項沒對齊，畫面就會立刻出戲！?。?/p>

沒失望啊沒失望，一個誤入米粒世界、微縮人們圍著巨型大米忙得熱火朝天的奇妙場景，就這么水靈靈被搓出來了：

u1s1，整體完成度還是很高的，微縮比例關系準確，大米的尺度夸張但邏輯自洽，而且米粒的半透明質感、裂紋細節(jié)和淺景深處理讓畫面非常接近真實微距攝影了。

看來，Qwen-Image-2.0的1K token的超長文本輸入和復雜指令理解力，還是有點說法的…

多圖編輯手拿把掐

有朋友看到這兒該問了，光能文字生圖有啥用啊，編輯能力才是最實用的。（大聲）

好巧不巧，除了基礎的文生圖外，這次Qwen-Image-2.0的另一大超實用的能力，那就是——圖片編輯！

具體講呢，我們可以通過上傳一張或多張圖片，通過提示詞指令讓AI進行二創(chuàng)、修改等編輯操作～

咱先來玩一個NanoBanana超火的OOTD拼圖玩法，讓圖1中的女孩穿著圖3的裙子，站在圖2的車身前：

別說嗷，真一點違和感沒有，衣服和女孩的融合得也非常好，不僅如此AI還把汽車的倒影給補足還原了，666…

咱再來試一個九宮格自拍照編輯玩法，只喂一張照片，再給一句九宮格需求指令，我就得到了一套影棚級寫真！

不光如此，人家連文案都給你一塊包了，我讓AI給第一張水墨畫寫了首詩，小詞一放上去，古風味兒立馬就出來了：

能改圖、能加字、能拼圖，好好好，這下真·萬物皆可編輯了。

感覺下個月我P圖軟件的會員真不用續(xù)費了……

中文漢字渲染極夯

其實從Qwen Image模型剛出的時候，我就對它中文渲染的強大能力的《略有耳聞》。

只是沒想到，到了2.0，這本事又進化了…..

因為我發(fā)現(xiàn)，哪怕一張圖都不喂，只簡單說了一句「生成一個一文看懂的科普信息圖表，解釋熬夜的危害」，Qwen-Image-2.0給我的，已經是一張數(shù)字、漢字、英文全都安排得明明白白的科普海報了：

此外，它還能將文字和畫作進行完整融合，看下面這個雪雕版的冰雪大世界，遠看是字，近看是景，文字和周圍的積雪融合得恰到好處！

即便黑板報中充滿數(shù)字、符號和中文，文字依然能夠做到1:1還原，更難得的是整體排版依舊規(guī)整，每個字的筆鋒和間距看起來都很舒服：

漢字完整度和一致性都很高，幾乎沒有亂碼或假字，數(shù)字、符號和公式渲染準確，已經達到可直接閱讀的水平了。

誒？感覺非常適合拿來處理咱日常的一些海報文案、信息圖表內容，這可比自己往圖上一個個P字兒快多了…

實測之外，國際表現(xiàn)同樣能打

實測中能打，國際表現(xiàn)也不孬。

在AI Arena模型評測中， Qwen-Image-2.0在文生圖、圖生圖兩個基準測試里也都跑出了相當靠前的成績，僅次于谷歌Nano Banana Pro和GPT Image 1.5：

其實回頭看Qwen-Image的演進路徑，這個結果算不上意外。

早些時候，千問一直在兩條方向上同時推進：一條主攻生圖能力，一條持續(xù)打磨編輯能力。

去年8月發(fā)布的Qwen-Image更偏向文字渲染的準確性，12月的Qwen-Image-2512則把重心放在細節(jié)質感和真實度上，與此同時，從單圖編輯到多圖編輯，再到一致性能力，也一步步補齊。

到了這次的Qwen-Image-2.0，相當于把這兩條路線收攏到同一個模型里，生圖和編輯同時在線，整體表現(xiàn)也就更穩(wěn)了。

以中文文字渲染為例，過去這一方向長期受限于VAE壓縮帶來的損失：

小字號、密集排版對壓縮極其敏感，信息密度越高，重構難度越大，生成結果也越容易糊。

圍繞這一痛點，Qwen-Image-2.0在VAE與生成模型兩端同步升級，小字與高密度文字場景下的可讀性明顯提升，PPT、信息圖這類場景終于能穩(wěn)定輸出可直接使用的圖像。

參數(shù)規(guī)模上，Qwen-Image-2.0也做了進一步收斂。

在能力提升的同時，模型體量更輕，部署門檻更低，生圖速度更快，尤其適合高頻prompt調試、實時展示和交互式創(chuàng)作等使用場景～

站在真實使用者的角度，這次實測下來最大的感受只有三個字——「超預期」。

對我而言，平時看一個生圖模型好不好用，從來不太糾結參數(shù)本身，更在意它能不能在不反復抽卡的情況下，直接給出讓我滿意的結果。

這背后包括幾個很實際的點：

提示詞信息能不能完整呈現(xiàn)、生成速度快不快、畫面好不好看，以及編輯能力夠不夠強大順手。

而從這次體驗來看，Qwen-Image-2.0幾乎把這些日常生圖時最容易翻車的地方，一次性都補齊了：

1K token的指令支持，讓我可以盡可能把提示詞寫完整；2K分辨率輸出，保證了畫面的質感；而生圖與編輯二合一的能力，讓很多修改都能直接在生成結果上完成，省去了咱來回切換其他修圖軟件的麻煩。

好用、好看、真實、好玩，對我來說這就夠了。

目前阿里云百煉上已開通API邀測。

開發(fā)者也可通過Qwen Chat（chat.qwen.ai）免費體驗新模型，感興趣的友友不妨直接自己上手搓一把?。?！