Qwen-Image-2.0: Infographic chuyên nghiệp và tạo hình ảnh chân thực
Khám phá Qwen-Image-2.0, mô hình tạo hình ảnh thế hệ mới của Alibaba với khả năng kết xuất chữ chuyên nghiệp, độ phân giải gốc 2K và khả năng tạo và chỉnh sửa hình ảnh hợp nhất.
Giới thiệu
Đội ngũ Qwen của Alibaba đã ra mắt Qwen-Image-2.0, mô hình nền tảng tạo hình ảnh thế hệ mới. Được thiết kế như một hệ thống tạo và chỉnh sửa hợp nhất, Qwen-Image-2.0 kết hợp bộ mã hóa Qwen3-VL 8B với bộ giải mã khuếch tán 7B, mang lại hiệu quả vận hành ở quy mô tương đương lớp mô hình 7B.
Những điểm nổi bật chính của Qwen-Image-2.0 bao gồm:
- Kết xuất chữ chuyên nghiệp: Hỗ trợ chỉ dẫn 1k token để tạo trực tiếp infographic chuyên nghiệp, bao gồm PPT, poster, truyện tranh và nhiều hơn nữa
- Tuân thủ ngữ nghĩa mạnh hơn: Hỗ trợ độ phân giải gốc 2K cho các cảnh chân thực với chi tiết tinh tế, gồm con người, thiên nhiên và kiến trúc
- Kết xuất chữ được cải thiện: Khả năng hiểu và tạo tích hợp, hợp nhất tạo và chỉnh sửa hình ảnh trong một mô hình duy nhất
- Kiến trúc mô hình nhẹ hơn: Kích thước mô hình nhỏ hơn với tốc độ suy luận nhanh hơn
Khả năng chính
Qwen-Image-2.0 tổ chức các thế mạnh cốt lõi xung quanh năm nguyên tắc — Chính xác, Phức tạp, Thẩm mỹ, Chân thực và Bám sát yêu cầu — mỗi nguyên tắc đại diện cho một khía cạnh mà mô hình hướng tới thực hiện tốt.
Thiết kế chữ chuyên nghiệp và bố cục phức tạp
Một trong những tính năng đáng chú ý là hỗ trợ chỉ dẫn 1k token, cho phép tạo các bố cục trực quan phức tạp trực tiếp từ prompt văn bản chi tiết:
- Trang trình chiếu theo dòng thời gian: Tạo trang thuyết trình với dòng thời gian có cấu trúc và các cột mốc được gắn nhãn
- Báo cáo thử nghiệm A/B: Tạo đồ họa thông tin chi tiết gồm nhiều cột chứa dữ liệu số chính xác và biểu đồ
- Áp phích song ngữ: Tạo áp phích có chữ đa ngôn ngữ phối hợp hài hòa trong bố cục nghệ thuật
Khả năng này mở ra cơ hội tạo nhanh bản mẫu cho tài liệu marketing, bài thuyết trình kinh doanh và đồ họa thông tin dựa trên dữ liệu mà không cần công cụ thiết kế thủ công.
Thư pháp giàu tính thẩm mỹ
Qwen-Image-2.0 thể hiện khả năng kết xuất nhiều phong cách thư pháp Trung Quốc với độ chính xác đáng chú ý:
- Tranh thủy mặc dạng cuộn: Thư pháp hành thư theo phong cách thủy mặc truyền thống
- Thể Sấu kim (瘦金体): Kết xuất chữ trong các bài thơ có ý nghĩa lịch sử
- Tiểu Khải (小楷): Tái tạo chính xác các văn bản cổ điển với chi tiết ký tự tinh xảo
Điều này khiến mô hình đặc biệt phù hợp với sáng tạo nội dung văn hóa và nghệ thuật sử dụng chữ Đông Á.
Độ phân giải gốc 2K và độ chân thực như ảnh chụp
Mô hình tạo hình ảnh ở độ phân giải gốc 2K, cho phép thể hiện chi tiết chân thực như ảnh chụp ở mức cao. Theo các bản trình diễn của đội ngũ Qwen:
- Cảnh có con người: Thể hiện chân thực cả những phản chiếu tinh tế trong môi trường, chẳng hạn hình phản chiếu của nhiếp ảnh gia trên bảng kính
- Cảnh thiên nhiên: Mô phỏng hơn 23 sắc xanh lá riêng biệt trong môi trường rừng với hiệu ứng ánh sáng tự nhiên như tán xạ Tyndall
- Bố cục sáng tạo: Xử lý prompt phức tạp về vật lý, chẳng hạn tương tác khác thường giữa chủ thể và vật thể, trong khi vẫn duy trì tính nhất quán về giải phẫu
Tạo và chỉnh sửa hình ảnh hợp nhất
Là mô hình hợp nhất, xử lý cả tác vụ tạo và chỉnh sửa trong một kiến trúc duy nhất:
- Tổng hợp nhiều hình ảnh: Hợp nhất ảnh riêng biệt thành một bố cục tự nhiên với ánh sáng nhất quán và không lộ lỗi ở đường ghép
- Chỉnh sửa kết hợp hai dạng hình ảnh: Đặt nhân vật minh họa vào cảnh ảnh chụp mà vẫn bảo toàn tổng thể hình ảnh gốc
- Chèn chữ: Thêm yếu tố chữ thư pháp vào hình ảnh hiện có với căn chỉnh chính xác và phong cách phù hợp
Hiệu suất mô hình
Hiệu suất được đánh giá qua kiểm tra mù trên bảng xếp hạng AI Arena. Tính đến ngày 9 tháng 2 năm 2026:
Bảng xếp hạng Elo văn bản sang hình ảnh
| Hạng | Mô hình | Điểm Elo | Tổ chức |
|---|---|---|---|
| 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 |
Bảng xếp hạng Elo chỉnh sửa hình ảnh
| Hạng | Mô hình | Điểm Elo | Tổ chức |
|---|---|---|---|
| 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 |
Các điểm đánh giá này cho thấy Qwen-Image-2.0 có năng lực cạnh tranh trong cả tạo ảnh từ văn bản và chỉnh sửa ảnh, thuộc nhóm mô hình dẫn đầu trong đánh giá của con người khi ẩn danh mô hình.
Kiến trúc mô hình
Qwen-Image-2.0 được xây dựng trên kiến trúc gọn nhẹ nhưng hiệu quả:
- Encoder: Qwen3-VL 8B để hiểu hình ảnh và xử lý chỉ dẫn
- Decoder: Diffusion Decoder 7B để tổng hợp hình ảnh chất lượng cao
- Quy mô hiệu dụng: Hiệu quả vận hành tương đương lớp mô hình 7B, cân bằng năng lực và khả năng tiếp cận về tài nguyên tính toán
- Độ dài chỉ dẫn: Hỗ trợ prompt tối đa 1k token, cho phép các yêu cầu tạo hình ảnh chi tiết và phức tạp
Kiến trúc tích hợp khả năng hiểu và tạo nội dung trong một mô hình duy nhất, loại bỏ nhu cầu dùng các quy trình riêng cho tạo và chỉnh sửa ảnh.
Kết luận
Qwen-Image-2.0 đại diện cho một bước tiến đáng chú ý trong các mô hình tạo hình ảnh nền tảng. Sự kết hợp giữa kết xuất chữ chuyên nghiệp, độ phân giải gốc 2K và khả năng tạo-chỉnh sửa hợp nhất biến nó thành công cụ đa năng cho nhiều tác vụ sáng tạo hình ảnh — từ đồ họa thông tin chuyên nghiệp và tài liệu kinh doanh đến thư pháp nghệ thuật và hình ảnh chân thực như ảnh chụp.
Đội ngũ Qwen đã công bố báo cáo kỹ thuật với thông tin chi tiết hơn tại arXiv (2508.02324).
Nguồn: Blog Qwen — Qwen-Image-2.0