Qwen-Image-2.0: อินโฟกราฟิกระดับมืออาชีพและการสร้างภาพสมจริง

สำรวจ Qwen-Image-2.0 โมเดลสร้างภาพรุ่นใหม่จาก Alibaba พร้อมการเรนเดอร์ตัวอักษรระดับมืออาชีพ ความละเอียดเนทีฟ 2K และความสามารถในการสร้างและแก้ไขภาพแบบรวมศูนย์

News •
Qwen-Image-2.0: อินโฟกราฟิกระดับมืออาชีพและการสร้างภาพสมจริง

บทนำ

ทีม Qwen จาก Alibaba ได้เปิดตัว Qwen-Image-2.0 โมเดลพื้นฐานสำหรับการสร้างภาพรุ่นใหม่ ออกแบบเป็นระบบรวมการสร้างและแก้ไขภาพ Qwen-Image-2.0 ผสมผสาน Encoder Qwen3-VL ขนาด 8B กับ Diffusion Decoder ขนาด 7B มอบประสิทธิภาพระดับ 7B

จุดเด่นหลักของ Qwen-Image-2.0 ได้แก่:

  • การเรนเดอร์ตัวอักษรระดับมืออาชีพ: รองรับคำสั่ง 1k โทเค็น สำหรับสร้างอินโฟกราฟิกระดับมืออาชีพโดยตรง รวมถึง PPT โปสเตอร์ การ์ตูน และอื่น ๆ
  • การทำตามความหมายของคำสั่งได้ดีขึ้น: รองรับความละเอียดเนทีฟ 2K สำหรับฉากสมจริงที่มีรายละเอียดสูง ทั้งผู้คน ธรรมชาติ และสถาปัตยกรรม
  • การเรนเดอร์ข้อความที่ปรับปรุงแล้ว: ความสามารถในการเข้าใจและสร้างแบบบูรณาการ รวมการสร้างและแก้ไขภาพในโมเดลเดียว
  • สถาปัตยกรรมโมเดลที่เบาลง: ขนาดโมเดลเล็กลงพร้อมความเร็วในการอนุมานที่เร็วขึ้น

ความสามารถหลัก

Qwen-Image-2.0 จัดระเบียบจุดแข็งหลักรอบหลักการห้าประการ — ความแม่นยำ ความซับซ้อน สุนทรียศาสตร์ ความสมจริง และ การทำตามเจตนาของคำสั่ง แต่ละหลักการสะท้อนมิติที่โมเดลมุ่งพัฒนาให้ดี

ตัวอักษรมืออาชีพและการจัดองค์ประกอบที่ซับซ้อน

หนึ่งในคุณสมบัติที่โดดเด่นคือการรองรับคำสั่ง 1k โทเค็น ช่วยให้สร้างองค์ประกอบภาพที่ซับซ้อนได้โดยตรงจากข้อความ:

  • สไลด์ไทม์ไลน์: สร้างสไลด์นำเสนอพร้อมไทม์ไลน์ที่มีโครงสร้างและหมุดหมายที่มีป้ายกำกับ
  • รายงาน A/B Testing: สร้างอินโฟกราฟิกละเอียดหลายคอลัมน์ พร้อมข้อมูลตัวเลขที่แม่นยำและกราฟ
  • โปสเตอร์สองภาษา: สร้างโปสเตอร์พร้อมข้อความหลายภาษาที่เข้ากันในเลย์เอาต์เชิงศิลป์

ความสามารถนี้ช่วยให้สร้างต้นแบบสื่อการตลาด งานนำเสนอธุรกิจ และอินโฟกราฟิกที่ใช้ข้อมูลได้รวดเร็ว โดยไม่ต้องใช้เครื่องมือออกแบบด้วยมือ

ศิลปะการเขียนพู่กัน

Qwen-Image-2.0 แสดงความสามารถในการเรนเดอร์สไตล์การเขียนพู่กันจีนหลายรูปแบบได้อย่างแม่นยำ เช่น:

  • ม้วนหมึก: การเขียนพู่กันแบบหวัดในสไตล์หมึกจีนดั้งเดิม
  • อักษรทองบาง (瘦金体): เรนเดอร์บทกวีที่มีความสำคัญทางประวัติศาสตร์
  • อักษรปกติขนาดเล็ก (小楷): จำลองข้อความคลาสสิกอย่างแม่นยำพร้อมรายละเอียดตัวอักษรประณีต

จึงเหมาะกับงานศิลปะและวัฒนธรรมที่ใช้ตัวอักษรเอเชียตะวันออก

ความละเอียดเนทีฟ 2K และความสมจริงแบบภาพถ่าย

โมเดลสร้างภาพที่ความละเอียด 2K โดยตรง ทำให้แสดงรายละเอียดสมจริงแบบภาพถ่ายได้มาก ตามตัวอย่างสาธิตของทีม Qwen:

  • ฉากบุคคล: การแสดงภาพที่สมจริงรวมถึงเงาสะท้อนของสภาพแวดล้อมที่ละเอียด เช่น เงาช่างภาพบนกระดานไวต์บอร์ดกระจก
  • ฉากธรรมชาติ: จำลองเฉดสีเขียวกว่า 23 เฉดในป่าพร้อมเอฟเฟกต์แสงธรรมชาติ เช่น การกระเจิงแบบ Tyndall
  • การจัดองค์ประกอบสร้างสรรค์: จัดการกับพรอมต์ที่ซับซ้อนทางกายภาพ เช่น ปฏิสัมพันธ์ระหว่างตัวแบบกับวัตถุที่ไม่คุ้นเคย โดยรักษาความสอดคล้องทางกายวิภาค

การสร้างและแก้ไขภาพแบบรวมศูนย์

ในฐานะโมเดลรวม สามารถจัดการทั้งงานสร้างและแก้ไขในสถาปัตยกรรมเดียว:

  • การสังเคราะห์หลายภาพ: รวมภาพถ่ายแยกเป็นองค์ประกอบเดียวที่ดูเป็นธรรมชาติ มีแสงสอดคล้องกันและไม่มีรอยต่อที่มองเห็น
  • การแก้ไขข้ามมิติ: วางตัวละครภาพประกอบลงในฉากภาพถ่ายโดยรักษาคุณภาพและลักษณะภาพถ่ายเดิม
  • การซ้อนข้อความ: เพิ่มองค์ประกอบอักษรวิจิตรบนภาพที่มีอยู่ โดยจัดตำแหน่งถูกต้องและมีสไตล์เข้ากัน

ประสิทธิภาพของโมเดล

ประสิทธิภาพได้รับการประเมินผ่านการทดสอบแบบปกปิดชื่อโมเดลบน AI Arena ณ วันที่ 9 กุมภาพันธ์ 2026:

ตารางอันดับ Elo ข้อความเป็นภาพ

อันดับ โมเดล คะแนน Elo องค์กร
1 Gemini-3-Pro-Image-Preview 1050 Google
2 GPT Image 1.5 1043 OpenAI
3 Qwen-Image-2.0 1029 Alibaba
4 Gemini-2.5-Flash-Image-Preview 1010 Google
5 Imagen 4 Ultra Preview 0606 1005 Google

ตารางอันดับ Elo การแก้ไขภาพ

อันดับ โมเดล คะแนน Elo องค์กร
1 Gemini-3-Pro-Image-Preview 1042 Google
2 Qwen-Image-2.0 1034 Alibaba
3 Seedream 4.5 1011 ByteDance
4 Qwen-Image-Edit-2511 1002 Alibaba
5 Gemini-2.5-Flash-Image-Preview 1000 Google

ผลทดสอบเหล่านี้แสดงว่า Qwen-Image-2.0 แข่งขันได้ทั้งการสร้างรูปภาพจากข้อความและการแก้ไขภาพ โดยอยู่ในกลุ่มโมเดลอันดับต้นจากการประเมินของมนุษย์แบบปกปิดชื่อโมเดล

สถาปัตยกรรมโมเดล

Qwen-Image-2.0 สร้างบนสถาปัตยกรรมที่กะทัดรัดแต่มีประสิทธิภาพ:

  • Encoder: Qwen3-VL ขนาด 8B สำหรับการเข้าใจภาพและประมวลผลคำสั่ง
  • Decoder: Diffusion Decoder ขนาด 7B สำหรับการสังเคราะห์ภาพคุณภาพสูง
  • ขนาดเชิงประสิทธิภาพ: ประสิทธิภาพระดับ 7B โดยสมดุลระหว่างความสามารถและทรัพยากรประมวลผลที่เข้าถึงได้
  • ความจุคำสั่ง: รองรับพรอมต์สูงสุด 1k โทเค็น สำหรับคำขอสร้างภาพที่ละเอียดและซับซ้อน

สถาปัตยกรรมรวมการทำความเข้าใจและการสร้างไว้ในโมเดลเดียว จึงไม่จำเป็นต้องแยกกระบวนการสร้างและแก้ไขภาพ

สรุป

Qwen-Image-2.0 เป็นความก้าวหน้าที่น่าสังเกตในโมเดลสร้างภาพพื้นฐาน การผสมผสานระหว่างการเรนเดอร์ตัวอักษรระดับมืออาชีพ ความละเอียดเนทีฟ 2K และความสามารถในการสร้าง-แก้ไขแบบรวมศูนย์ ทำให้เป็นเครื่องมือที่หลากหลายสำหรับงานสร้างเนื้อหาภาพ ตั้งแต่อินโฟกราฟิกระดับมืออาชีพและสื่อธุรกิจ ไปจนถึงอักษรวิจิตรและภาพสมจริง

รายละเอียดทางเทคนิคเพิ่มเติมที่ arXiv (2508.02324)


แหล่งที่มา: บล็อก Qwen — Qwen-Image-2.0