Qwen-Image-2.0: อินโฟกราฟิกระดับมืออาชีพและการสร้างภาพสมจริง
สำรวจ Qwen-Image-2.0 โมเดลสร้างภาพรุ่นใหม่จาก Alibaba พร้อมการเรนเดอร์ตัวอักษรระดับมืออาชีพ ความละเอียดเนทีฟ 2K และความสามารถในการสร้างและแก้ไขภาพแบบรวมศูนย์
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 | |
| 2 | GPT Image 1.5 | 1043 | OpenAI |
| 3 | Qwen-Image-2.0 | 1029 | Alibaba |
| 4 | Gemini-2.5-Flash-Image-Preview | 1010 | |
| 5 | Imagen 4 Ultra Preview 0606 | 1005 |
ตารางอันดับ Elo การแก้ไขภาพ
| อันดับ | โมเดล | คะแนน Elo | องค์กร |
|---|---|---|---|
| 1 | Gemini-3-Pro-Image-Preview | 1042 | |
| 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 |
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