一上手就令網(wǎng)友直呼「生圖能力」比GPT-4o更強(qiáng)？！
就在昨夜，阿里帶著全新多模態(tài)模型Qwen-VLo開啟炸場(chǎng)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(jí)，具備三大亮點(diǎn)：
具有增強(qiáng)的細(xì)節(jié)捕捉能力，能在整個(gè)生成過(guò)程中保持高度語(yǔ)義一致性；
一個(gè)指令即可實(shí)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(yǔ)言，全球用戶使用更方便。
而且無(wú)論是輸入端還是輸出端，Qwen-VLo都支持任意分辨率和長(zhǎng)寬比，不受固定格式的限制。
同時(shí)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(wú)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(gòu)日用品一樣，讓Qwen-VLo生成一張“洗浴用品都在購(gòu)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(shuō)一，其“理解”能力確實(shí)比之前更強(qiáng)。
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(duì)圖像的識(shí)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(shí)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(duì)現(xiàn)有信息進(jìn)行注釋（如檢測(cè)、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(fèi)可玩（當(dāng)前為預(yù)覽版），具體請(qǐng)認(rèn)準(zhǔn)Qwen3-235B-A22B，直接在首頁(yè)輸入框提需求就行。
話不多說(shuō)，我們先一起來(lái)上手實(shí)測(cè)一波走起。
Qwen-VLo，你到底有多能編輯？
根據(jù)Qwen介紹的亮點(diǎn)，即“強(qiáng)細(xì)節(jié)捕捉”和“一句話編輯圖像”，我們著重在測(cè)試中考查了Qwen-VLo的各種編輯能力。
畢竟這點(diǎn)真的很吸引人??！
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(qiáng)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(cè)，讓它先生成一張北極熊喝可樂(lè)的照片。
這一回合主打的是非現(xiàn)實(shí)風(fēng)格。
在此基礎(chǔ)上，繼續(xù)通過(guò)對(duì)話將可樂(lè)換成牛奶。
一次成功，Qwen-VLo確實(shí)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(lái)，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(diǎn)不一樣。
第二測(cè)，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(shí)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(gè)“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(lái)演變成“蒜鳥”）
不過(guò)，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(cè)，來(lái)個(gè)多步驟任務(wù)，全方位測(cè)試Qwen-VLo“描繪”世界的同時(shí)，重點(diǎn)考察下它在圖像上的文本編輯能力。
過(guò)程是「讓Qwen-VLo生成草圖——上色——加字——編輯漢字」。
來(lái)，怕動(dòng)圖滑太快，咱們連看過(guò)程中順次截取的四張圖，感受它每一步帶來(lái)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(lái)，編輯漢字的任務(wù)算是搞得不錯(cuò)，
最后來(lái)個(gè)附加題，編輯英文——
字編輯對(duì)了，多人物主體位置沒變，背景依舊，總體沒錯(cuò)。
但如你所見，小帥同學(xué)也長(zhǎng)得比較美漫風(fēng)了（手動(dòng)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(bǔ)充一點(diǎn)，大家上手玩兒的時(shí)候應(yīng)該都能注意到。
那就是Qwen-VLo生成圖像的過(guò)程，是醬嬸兒的——
是不是有點(diǎn)熟悉的味道？
沒錯(cuò)，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(guò)當(dāng)時(shí)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(duì)“實(shí)時(shí)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(shí)測(cè)，暫時(shí)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(huì)有的：
其次，Qwen引入這個(gè)形式，它是真·有用?。?/p>
在生成過(guò)程中，模型會(huì)對(duì)預(yù)測(cè)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(jī)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(zhǎng)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(jì)或漫畫分鏡時(shí)，Qwen-VLo會(huì)逐步生成，慢慢修改。
這個(gè)生成過(guò)程，其實(shí)有點(diǎn)思維鏈“一步一步慢慢想”具像化的意思了！
網(wǎng)友實(shí)測(cè)腦洞開很大，來(lái)吧展示
除了以上量子位實(shí)測(cè)，諸多網(wǎng)友也火速貢獻(xiàn)了一波有趣玩法…
隨手一張動(dòng)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(lái)制作一些梗圖（doge）。
順便一提，連Qwen團(tuán)隊(duì)成員之一Binyuan Hui也出來(lái)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(shuō)一句：