Qwen-Image-3.0：丰富内容、真实细节、深厚知识

中文精读

原文约 766 词 · 5 节

1. 开篇：第三代图像生成基础模型与“实”

   • Qwen-Image-3.0 是 Qwen-Image 系列的第三代基础图像生成模型。
   • 1.0 的关键词是“精准”，2.0 的关键词是“精准、多样、完整、美观、真实”。
   • 3.0 的核心归结为一个字——“实”（Real），并从丰富内容、真实细节、深厚知识三个维度体现。
   • 丰富内容：支持最长 4.5k token 输入，可生成报纸、分镜、试卷等复杂版式。
   • 真实细节：可精确呈现小至 10px 的文字，并细致还原毛孔、发丝等微观细节。
   • 深厚知识：原生渲染 12 种语言，模拟网页、游戏、直播等主流界面，并调用丰富世界知识。

2. 开篇：第三代图像生成基础模型与“实”（续）

   • 总体目标是不仅“好看”，更要“有用”，让图像生成成为可落地的生产力工具。

3. 丰富内容

   • 展示的数学幻灯片图能准确渲染空间关系、数学符号与定理描述，排版合理、信息丰富。
   • 这张图其实只是一个 3×3 网格中的一格，整幅图由模型一次生成，而非多图拼接。
   • 完整描述该 3×3 网格需要 3.7k token，每格都是独立的复杂信息图。
   • 九格内容涵盖隧道安全漫画、空间几何课、出师表风格分析、物理抛体运动、生物寄生虫讲解等。
   • 其余几格还包括右侧胸痛医学图示、群论 Sylow 定理、银行内控管理信息图、细胞 DNA 结构对比。
   • 每格都包含精确的中英文文字、公式、图表与卡通形象，模型仍能轻松完成。

4. 丰富内容（续）

   • 原因是模型把可接受的指令长度提升到 4.5k token，能理解并渲染极高信息密度的版式。
   • “横向扩展”体现语义并列与空间控制能力：单张图内有序排布多个概念且互不干扰。
   • “深度”体现语义解构与逻辑嵌套：单条指令内逐层渲染多个嵌套界面。
   • 示例由外到内依次为 VSCode 编程界面 → Qwen Chat 界面 → 微信界面 → 手冲咖啡海报，呈“画中画中画”的视觉深度。
   • 两个例子分别说明“丰富内容”在横向与纵向两个维度上的含义。

5. 真实细节

   • “丰富内容”回答画多少，“真实细节”回答画多细。
   • 模型在微观细节渲染上达到新高度：10px 小字清晰可读，毛孔与发丝精细呈现，皮肤质感接近照片级。
   • 以鲸鲨知识信息图为例，其中含大量文字与插图，模型能准确渲染每一个区域。
   • 学术论文是小字渲染的极限压力测试：密集的 LaTeX 公式、上下标、希腊字母与定理编号不能有一个符号出错。
   • 模型渲染了代数几何领域一整页学术论文，包含多行复杂公式推导。