Qwen-Image

Qwen-Image to bazowy model generacji obrazu (text-to-image) opracowany przez zespół Qwen należący do Alibaba (Tongyi Lab) i udostępniony 4 sierpnia 2025 roku. Jest to model fundamentowy klasy MMDiT (Multimodal Diffusion Transformer) o rozmiarze 20 miliardów parametrów, opublikowany na licencji Apache-2.0 wraz z wagami i kodem.

Model wyróżnia się renderowaniem złożonego tekstu na obrazie — w tym układów wielowierszowych i semantyki na poziomie akapitu — zarówno dla języków alfabetycznych (np. angielski), jak i logograficznych (np. chiński). Oprócz generacji obraz-z-tekstu obsługuje spójną edycję obrazów oraz zadania rozumienia obrazu, takie jak detekcja obiektów, segmentacja semantyczna, estymacja głębi i krawędzi (Canny), synteza nowych widoków i super-rozdzielczość.

Architektura łączy enkoder tekstu Qwen2.5-VL z backbone'em MMDiT; w raporcie technicznym opisano wyrównywanie reprezentacji latentnych między Qwen2.5-VL a MMDiT oraz progresywną strategię treningu od prostych do akapitowych opisów tekstowych. Model jest dystrybuowany przez Hugging Face i ModelScope.