惊爆！阿里出手，Qwen-Image 开源即巅峰，文本渲染稳坐图像生成 SOTA 王座

《Qwen-Image：阿里开源多模态文生图模型的技术突破与应用实践》阿里通义千问团队推出的20B参数开源文生图模型Qwen-Image，采用多模态扩散变换器（MMDiT）架构，融合文本特征提取（MLLM）、图像编码（VAE）与去噪生成技术，在12项基准测试中斩获SOTA。其突出优势包括：精准的中英文文本渲染、对象编辑与风格迁移能力，尤其在中文场景下表现卓越。支持创意设计、商业广告、影视海报等多

剑穹

1237人浏览 · 2025-08-08 11:34:54

剑穹 · 2025-08-08 11:34:54 发布

一、Qwen-Image模型介绍

Qwen-Image

在人工智能图像生成技术快速迭代的当下，阿里通义千问团队推出的开源文生图模型 Qwen-Image，以其独特的技术架构和卓越的性能表现，成为行业内备受关注的焦点。作为通义千问系列首个图像生成基础模型，它不仅在复杂文本处理和精细图像编辑上展现出强大能力，更在多维度基准测试中创下多项最佳成绩，为图像生成领域注入了新的活力。

1、技术架构：多模态融合的创新设计

Qwen-Image 的核心竞争力源于其精心设计的技术架构，采用 20B 参数的多模态扩散变换器（MMDiT）作为核心，实现了文本与图像的深度融合。整个架构由三大关键模块协同运作：

多模态大语言模型（MLLM）承担文本特征提取的重任，能够精准解析文本语义，将抽象描述转化为图像生成所需的具体特征，为后续图像创作奠定基础。
变分自编码器（VAE）负责图像的高效处理，通过将输入图像编码为紧凑的潜在表示，在推理阶段再进行解码，既保证了处理效率，又保留了图像的关键信息。
MMDiT 模块则基于逐步去噪的原理生成图像，同时在文本特征的引导下，确保生成的图像与原始描述高度契合，实现了 “文本所想即图像所见” 的效果。

在数据处理与训练策略上，Qwen-Image 同样展现出严谨性。它构建了涵盖自然、设计、人物等多领域的大规模数据集，并通过多阶段过滤流程剔除低质量数据，确保训练数据的高质量与多样性。训练过程中，采用流匹配（Flow Matching）作为预训练目标，借助普通微分方程（ODE）实现稳定的训练动态，同时结合文本到图像（T2I）、图像到图像（I2I）等多任务训练范式，在共享潜在空间中实现了多任务的高效学习。

2、核心功能：文本渲染至图像生成全覆盖

Qwen-Image 的功能体系围绕用户实际需求展开，涵盖了从基础图像生成到高级编辑的全流程需求：

复杂文本渲染是其突出优势之一，能够支持多行文本和段落级文本的生成，即使是细小文字也能清晰呈现。无论是中文还是英文，都能实现高保真输出，尤其在中文文本处理上，凭借对语言特性的深度理解，在字体生成、排版布局等方面表现出色。
精确图像编辑功能为用户提供了丰富的创作可能，包括风格迁移、对象增删改、细节增强、文字编辑以及人物姿态调整等。编辑过程中，能够保持图像的自然感和真实感，避免了传统编辑中常见的生硬过渡问题。
通用图像生成则满足了创意创作的需求，支持多种艺术风格，用户只需输入文本描述，模型就能生成富有想象力的图像，为设计师、艺术家等群体提供了高效的创作工具。

3、性能表现：多维度测试中的领先地位

在性能评测中，Qwen-Image 的表现令人瞩目。在多个公开基准测试中，它斩获 12 项最佳表现（SOTA），展现出强大的综合竞争力。在通用图像生成测试（如 GenEval、DPG）和图像编辑测试（如 GEdit、ImgEdit）中，不仅超越了 Flux.1、BAGEL 等知名开源模型，还在与字节跳动 SeedDream 3.0、OpenAI GPT Image 1（High）等闭源模型的对比中占据优势，充分证明了其在生成质量和编辑能力上的高水平。

尤其在文本渲染专项测试中，Qwen-Image 的优势更为明显。在 LongText-Bench、ChineseWord 等基准测试中，它的表现远超同类模型，特别是中文文本渲染方面，凭借对中文复杂性和多样性的深度适配，大幅领先于现有最先进模型，成为中文场景下文本图像生成的首选工具。

4、应用场景：从创意到落地的便捷实现

Qwen-Image 的应用场景广泛，覆盖了多个行业和领域：

在内容创作领域，它能根据文本描述快速生成高质量图像、海报和 PPT 页面，提升创作效率与视觉效果；
艺术与设计领域，通过风格迁移和创意绘画功能，为创作者提供灵感，加速作品创作；
教育领域，可生成生动的教学材料，帮助教师更直观地传授知识；
商业营销中，能快速制作吸引人的广告图像，增强品牌推广效果；
娱乐与游戏行业，则可用于角色、场景设计等，缩短内容创作周期。

5、应Qwen-Image的项目地址

GitHub仓库：https://github.com/QwenLM/Qwen-Image
HuggingFace模型库：https://huggingface.co/Qwen/Qwen-Image
技术论文：https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-Image/Qwen_Image.pdf
在线体验Demo：https://huggingface.co/spaces/Qwen/Qwen-Image

二、模型与环境安装

本文使用Qwen-Image的ComfyUI官方本体方案体验。模型和工作流文末网盘下载！

仅需更新ComfyUI本体到最新即可。
qwen_image_fp8_e4m3fn.safetensors：

下载模型并放置ComfyUI/models/diffusion_models
qwen_2.5_vl_7b_fp8_scaled.safetensors：

下载模型并放置ComfyUI/models/text_encoders
qwen_image_vae.safetensors：

下载模型并放置ComfyUI/models/vae

模型放置目录示意图

三、工作流的使用和体验

1、工作流

Qwen-Image体验工作流如下所示，模型和工作流文末网盘下载！

2、案例展示

（1）文字艺术

创意文字海报设计“AI引领未来，智能走进生活”3D游戏标题，外星文明金属材质，金3D立体字，居中正视图，前视图，未来科技感游戏设计，线条锐利且有机械感，字体均有复杂的机械结构组成，内部由齿轮、液压杆、离子推进器、线路、轴承等元素，每个字体都有独特的材质质感，完美展现了未来科技成就。细节狂魔，稀有金属质感，完美光效，游戏场景，Blender建模，UE5渲染，16K高清，大师创作。

创意中国风“炽焰斩月”游戏打造的主题文字海报上，字体潇洒霸气，“炽焰斩月”几个字以独特的中国书法变形样式呈现，双层字体厚度，笔画如同灵动之躯，粗壮且富有霸气，好似在云中穿梭、于雾里腾跃。字体被赋予了绚丽的青铜色泽，闪烁着神秘而古老的金属光芒，同时又似有炽热的火焰在字间流转，红橙色的火焰光晕如同神话中的圣火，从字体边缘蔓延而出，仿佛是开启神话世界的炽热能量。主字体有着如同天工开物般的雕刻质感，高光与阴影层次分明，笔触犹如上古神匠以神刀镌刻。背景是深邃如渊的纯黑色，象征着神话中未知的混沌之境。画面中融入了中国神话故事元素，整体构图对称且庄重，充满了层次感，仿佛是神话世界在海报上的浓缩展现。此海报用于游戏宣传，具有浓厚的东方神话风格，结合现代数字绘画的精湛技艺，呈现出CG游戏海报的独特魅力和虚幻引擎般的逼真渲染效果，采用特写镜头聚焦文字与神话元素，营造出奇幻、神秘、宏大的东方玄幻氛围，极具视觉冲击力。

ComfyUI_00014_ (1).png

手写文字艺术海报，阴天渐变明亮背景中心呈现彩虹写成的“否极泰来”草书字体，竖排字体，微立体感，采用连贯的一笔画技法，线条粗细变化带有流动光感，通过阴影层次和珐琅彩光泽渐变增强立体效果。字形转折处融入动态笔触飞白，朱红印章“吉祥自在”以草书刻于右下角空白处，“吉祥自在”每条笔画线条表面添加微妙的半透明珐琅质感，在极简构图中通过光影折射形成空气透视感。底是太极图，祥瑞万千

黄金色立体字，狂草书法字体"你最大的贵人，就是努力的自己"，飘若浮云，矫若惊龙，疏密有致，墨韵生动，蒙版效果，‘文’笔画里有诗经的诗篇，‘字’笔画里由很多字体填充，比如甲骨文文字，小篆文字，隶书文字，楷体文字，极致想象力，极致创意力，鬼才，背景水墨画，月落乌啼霜满天，江枫渔火对愁眠。

字体设计，书法字体海报“墨痕砚白”，狂野奔放草书字体，视觉张力富有动感，超粗笔画流畅飘逸，笔画巧妙延长变形，飞白效果，笔画流畅潇洒，极小的红色印章点缀。纯黑色背景金字，超级高清，32K，大师作品。

ComfyUI_00006_ (1).png

（2）商品广告

一个身穿粉色短袖，白色牛仔裤，白色运动鞋的长发美女，靠在一个装满蜜雪冰城饮料的透明胶囊，胶囊侧面中央印有红色“蜜雪冰城”图标，内部可见珍珠奶茶、柠檬水、冰淇淋等分层饮料，背景用浅粉色渐变营造甜蜜氛围，采用明亮色彩，高分辨率渲染，柔光处理材质，胶囊表面带彩虹色反光，周围漂浮彩色气泡和糖霜颗粒

ComfyUI_00029_ (1).png

广告摄影，商品广告，一瓶“康师傅茉莉蜜茶”茶饮，背景自然清新且充满活力，饮料醒目地展示在中间，标签清晰可见。饮料周围是几朵茉莉花，散发出茉莉清香。蜂蜜悬浮在半空中，产生爆炸效果。背景是绿色和白色的，突出了清新甜蜜主题，还有水花，为图像增添了强度。

使用 C4D 进行 3D 建模渲染，制作一张双 11 锅具新品预售电商海报。构建一个科技感十足的工业风场景，整体色调以银灰色和橙色为主。搭建一个类似科技传送装置的结构，将橙色锅具放置在装置内部的发光圆环中，清晰展示锅具外观。添加机械臂、管道、金币，蓝天白云、添加破碎的几何图形、烟雾，整体装置都漂浮在万米高空云端之上，地面上是城市街道。蓝天白云。等元素，营造科技氛围。海报上方用醒目大号3D立体字突出标题： “双 11 预售新品上市” ，标题是文字边缘为鎏金色，具备三层丰富立体效果，中间部分是玻璃质感的凸描边。标题下发添加 “满 999 元立减 39 元” 的促销信息条。在装置底部设置 “11:11 开抢” 的红色标牌。整体画面突出产品科技感与双 11 预售的热烈氛围

ComfyUI_00021_ (1).png

（3）未来科技

一位身着未来科技感列车员制服的女性机器人，制服为米白色，带有黑色机械部件装饰和精致徽章，头戴白色列车员帽。她有着乌黑的头发，梳成优雅发髻，面容姣好，正微笑着看向镜头。背景是现代感十足的地铁车厢内部，车厢灯光明亮，座椅整齐排列。

一张家庭健康主题的KV，全家福照片，爷爷奶奶和小孩坐在橙色沙发上，小孩坐中间，后排是爸爸妈妈，微笑，暖色调点缀橙色，体现营销氛围。左侧前景有一块磨砂虚拟玻璃透明屏幕，展示橙色3D人体健康数据监控，一家人看着屏幕。居家环境，米白色背景，米白色纱窗，明亮柔和光线

（4）80年代

80年代农村夜景，土围墙，瓦房，一扇木寨栅栏门，道路两边都是大树，天空中月亮又大又圆，月光皎洁明亮，树木的影子投射到路面上，一群小朋友在玩跳房子游戏，天空中有云层，画面带着怀旧氛围，广角镜头，俯视，电影质感，写实高清，18k衣服细节

生成一张80年代，一位20岁的姑娘扎着两个麻花辫，穿着花布衣裳，蓝底裤，一双布鞋。坐在草堆上。旁边是一位22岁的男孩子。穿着蓝底外套，里面是白色背心。黑色布的裤子。穿着胶鞋，服装看起来比较脏和旧。两人脸上洋溢着笑容。要电影质感。

生成八十年代初图片，一条老街，有老枫树黄叶飘落，一间小卖部“墨痕砚白供销社”，一个二十岁的大男孩衣服陈旧但洁净骑一辆永久牌二八大杠，街上熙熙攘攘，摄影光感

（5）电影海报

超现实双重曝光电影海报，露丝侧影与泰坦尼克号舰体在雾霭中交叠重生，冷调青灰迷雾里透出琥珀色舷窗暖光，8K画质呈现锈蚀金属与丝绸礼服的双重纹理，HDR技术强化浪花飞沫中的钻石冰晶细节，半透明舰体结构浮现人物轮廓的负片光斑，动态模糊处理桅杆与飘散雾气的运动轨迹，RAW照片质感展现发丝与海浪粒子的微观颤动，深蓝海天交界处漂浮着未干的油彩笔触，虚幻光影在双重曝光界面自然晕染，船生锈铆钉与珍珠项链在虚实交界处形成叙事性呼应，超现实构图保留银盐胶片的颗粒层。字“泰坦尼克号”

奥斯卡获奖电影海报设计，巨大的泼墨狂草书法字“十日终焉”为主体的海报，“回响”两个字为背景的字体海报，红色小印章，海报底部是：“2025重磅上映” ，导演和演员名单，黑与红的大撞色，灰暗的城市街道的剪影，暗红色，残破的建筑，巨钟，弥散渐变，强烈的对比反差，东方美学，极简主义，大面积留黑，禅意，神性，杰作，获奖作品，极致构图，电影光线，极致像素，高清出图，32K，HD

杰作，电影海报，官方艺术，故事感，电影构图，暗色调，光影艺术，花朵分开后露一张神秘的脸，一半是男人的脸，一般是女人的脸。电影名“神秘的花朵”

（6）摄影写真

低角度拍摄，高颜值精致的女子，小鸟依人，温柔与性感并存，美女的黑长发，撩头发，金属无边框眼镜，镜面反映着景色，耳钉，真丝薄纱衬衣，凌乱的衬衣，衣服自然褶皱，凸显锁骨美，雪白细腻肌肤脚穿细高跟，表情甜美文雅，完美比例身材，黑色套裙，坐在职场凳子上，翘着二郎腿，一只胳膊拄着膝盖，一只手撩着头发，全身像，完整的手和脚，暗光，冷光灯，浅景深凸显人物，写实，写真，电影质感。