一上手就令網(wǎng)友直呼「生圖能力」比GPT-4o更強？！

就在昨夜，阿里帶著全新多模態(tài)模型Qwen-VLo開啟炸場模式。

據(jù)介紹，Qwen-VLo在阿里原有的多模態(tài)理解和生成能力上進(jìn)行了全面升級，具備三大亮點：

• 具有增強的細(xì)節(jié)捕捉能力，能在整個生成過程中保持高度語義一致性；
• 一個指令即可實現(xiàn)圖像編輯，包括風(fēng)格替換、素材增刪、添加文字等等；
• 支持中英等多語言，全球用戶使用更方便。

而且無論是輸入端還是輸出端，Qwen-VLo都支持任意分辨率和長寬比，不受固定格式的限制。

同時在官方釋出的demo中，除了那些GPT-4o已經(jīng)有的玩法（如連續(xù)生成、吉卜力風(fēng)格、添加文字），它還支持一些腦洞大開的idea。

前者無需多言，它現(xiàn)在也能像“連續(xù)劇”一樣生成各種精準(zhǔn)符合指令的圖片：

至于后者，比如我們像在超市選購日用品一樣，讓Qwen-VLo生成一張“洗浴用品都在購物籃里”的圖片。

結(jié)果啪的一下，還真立馬完成裝貨了(⊙?⊙)：

不是沒有一些小瑕疵，但有一說一，其“理解”能力確實比之前更強。

官方介紹，這種理解能力不止體現(xiàn)在圖像生成上，還包括對圖像的識別解釋。

比如完成生圖任務(wù)后，再讓它介紹一下圖中小貓小狗的品種（正確識別為虎斑貓和比格）：

而且和以往模型稍顯不同的是，Qwen-VLo還可以對現(xiàn)有信息進(jìn)行注釋（如檢測、分割等）。

下圖中，它成功用紅色Mask分割出了香蕉的邊緣。

……

目前模型人人免費可玩（當(dāng)前為預(yù)覽版），具體請認(rèn)準(zhǔn)Qwen3-235B-A22B，直接在首頁輸入框提需求就行。

話不多說，我們先一起來上手實測一波走起。

Qwen-VLo，你到底有多能編輯？

根據(jù)Qwen介紹的亮點，即“強細(xì)節(jié)捕捉”和“一句話編輯圖像”，我們著重在測試中考查了Qwen-VLo的各種編輯能力。

畢竟這點真的很吸引人啊！

一方面幾乎所有的模型生圖都需要抽卡，但前一次的生成效果并非讓人完全不滿意，所以二次/多次編輯能力非常重要。

另一方面，強編輯能力，真的給P圖廢材省不少事兒……

開胃小菜先走起！

第一測，讓它先生成一張北極熊喝可樂的照片。

這一回合主打的是非現(xiàn)實風(fēng)格。

在此基礎(chǔ)上，繼續(xù)通過對話將可樂換成牛奶。

一次成功，Qwen-VLo確實完成了替換。

且背景、北極熊本熊都幾乎沒被亂改。

但非要挑挑毛病的話，還是能觀察出來，前后兩張圖中北極熊的眉眼部分和毛發(fā)質(zhì)感稍微有那么一丁點不一樣。

第二測，先讓它幫忙生成一張小鳥的照片。

這一回合主打的是現(xiàn)實攝影風(fēng)格。

然后不用讀霍格沃茨，只需一句“把圖中的這只鳥換成鴿子”，你就能施展魔法：

但我們嘗試玩兒個“蒜鳥”的梗，Qwen-VLo就沒get到。

（注：“蒜鳥”一詞是近期爆梗。短視頻畫外音中的武漢方言“算了算了，都不容易”，被網(wǎng)友諧音稱“算鳥”，后來演變成“蒜鳥”）

不過，雖然沒get到梗，Qwen-VLo還是努力想完成編輯任務(wù)。

看下圖成果，在不改變其它元素的基礎(chǔ)上，Qwen-VLo給咱們把圖中的鴿子換成了別的鳥。

也算是一種換鳥了？

第三測，來個多步驟任務(wù)，全方位測試Qwen-VLo“描繪”世界的同時，重點考察下它在圖像上的文本編輯能力。

過程是「讓Qwen-VLo生成草圖——上色——加字——編輯漢字」。

來，怕動圖滑太快，咱們連看過程中順次截取的四張圖，感受它每一步帶來的改變：

雖然圖里小帥同學(xué)的五官在變，但人物主體穩(wěn)定，背景沒變，一整套下來，編輯漢字的任務(wù)算是搞得不錯，

最后來個附加題，編輯英文——

字編輯對了，多人物主體位置沒變，背景依舊，總體沒錯。

但如你所見，小帥同學(xué)也長得比較美漫風(fēng)了（手動笑死）。

同樣是逐步展示，但Qwen-VLo這背后真有活

這里我們展開補充一點，大家上手玩兒的時候應(yīng)該都能注意到。

那就是Qwen-VLo生成圖像的過程，是醬嬸兒的——

是不是有點熟悉的味道？

沒錯，GPT-4o也是從上到下逐塊生成圖像的：先顯示模糊輪廓，再逐步填充細(xì)節(jié)。

不過當(dāng)時港中文研究逆向工程研究發(fā)現(xiàn)，用戶看到的逐行渲染效果只是OpenAI的障眼法，不是真的由上至下逐像素生成。

這樣做的目的，既滿足用戶對“實時生成”的心理預(yù)期，又避免了真正逐行渲染的技術(shù)負(fù)擔(dān)。

但Qwen這么做就不是上演OpenAI的戲碼了。

敲敲黑板——

首先，Qwen官方表示Qwen-VLo的這種漸進(jìn)式生成方式，不僅是從上到下，還是從左至右逐步清晰地構(gòu)建整幅圖片。

我們多次實測，暫時沒有肉眼觀察到“從左至右”的前端效果。

但從上到下逐漸構(gòu)成照片的前端效果是保準(zhǔn)會有的：

其次，Qwen引入這個形式，它是真·有用?。?/span>

在生成過程中，模型會對預(yù)測的內(nèi)容不斷調(diào)整和優(yōu)化，從而確保最終結(jié)果更加和諧一致。

這種生成機制不僅提升了視覺效果，生成效率，還特別適用于需要精細(xì)控制的長段落文字生成任務(wù)。

例如，在生成帶有大量文本的廣告設(shè)計或漫畫分鏡時，Qwen-VLo會逐步生成，慢慢修改。

這個生成過程，其實有點思維鏈“一步一步慢慢想”具像化的意思了！

網(wǎng)友實測腦洞開很大，來吧展示

除了以上量子位實測，諸多網(wǎng)友也火速貢獻(xiàn)了一波有趣玩法…

隨手一張動漫角色草圖， Qwen-VLo便能幫忙一鍵上色。

讓小貓擔(dān)任宣傳員，還能直接生成帶有“Qwen Chat”字樣的看板。

或者也可以借鑒下面網(wǎng)友的做法，以后用來制作一些梗圖（doge）。

順便一提，連Qwen團隊成員之一Binyuan Hui也出來給大家打樣，分享了吉卜力風(fēng)格的某近日頂流。

好了，更多例子就不一一展示了，只說一句：

目前模型免費開放，評論區(qū)可帶圖，記得回來分享一波～

在線體驗：
https://chat.qwen.ai/
博客：
https://qwenlm.github.io/blog/Qwen-VLoo/