Qwen VLo: modelo multimodal unificado de Alibaba para comprensión y generación 61

¿Qué es Qwen VLo?

Qwen VLo es un modelo multimodal presentado por Alibaba Cloud Tongyi Qianwen el 27 de junio de 2025, que admite generación y edición de imágenes, conversión de estilo, ejecución de instrucciones complejas, comprensión y generación a partir de múltiples imágenes, detección y anotación de imágenes, así como generación de imágenes directamente a partir de texto.

Funciones principales

• Generación y edición de imágenes de alta calidad: capaz de generar y modificar imágenes a partir de texto o imágenes, con soporte para construir escenas complejas de forma progresiva y ajustes en tiempo real, además de poder generar imágenes multilingües mediante instrucciones sencillas.

• Adaptación dinámica de resolución: utiliza tecnología de resolución dinámica, lo que permite generar imágenes adecuadas para distintos escenarios como pósteres, ilustraciones, banners web o portadas de redes sociales.

• Generación progresiva: construye la imagen paso a paso, de izquierda a derecha y de arriba a abajo, optimizando el contenido de forma continua durante la generación para garantizar una composición armoniosa y coherente.

• Edición mediante instrucciones abiertas: admite peticiones creativas en lenguaje natural, como "cambiar al estilo Van Gogh", "convertir en una fotografía antigua del siglo XIX" o "añadir un cielo soleado", a las que el modelo responde con flexibilidad y ofrece resultados acordes a lo esperado.

• Instrucciones multilingües: admite instrucciones en chino, inglés y otros idiomas, lo que facilita su uso a usuarios de todo el mundo.

Características técnicas

• Fusión profunda entre visión y lenguaje: capaz de comprender el contenido visual y realizar re-creaciones de alta calidad, manteniendo la coherencia semántica durante la generación y con una gran capacidad para captar detalles.

• Capacidades avanzadas de edición visual: puede manejar instrucciones de edición complejas y realizar múltiples modificaciones en una sola instrucción, garantizando al mismo tiempo la precisión de la estructura del sujeto y del contexto.

Casos de uso

• Diseño y creatividad: ofrece herramientas para diseñadores, profesionales del marketing y educadores, compatibles con conversión de estilos artísticos, reconstrucción de escenas y optimización de detalles, ayudando a hacer realidad las ideas de forma rápida.

• Creación de contenido multilingüe: satisface las necesidades de producción de contenido de usuarios con distintos idiomas.

Además, Qwen VLo admite entradas y salidas con cualquier resolución y relación de aspecto, adaptándose a múltiples escenarios de uso. Los usuarios pueden ver el proceso de generación en tiempo real y realizar ajustes. Actualmente, el modelo se encuentra en fase de vista previa.

Preguntas frecuentes

Pregunta 1:¿En qué supera Qwen VLo a los modelos multimodales anteriores en cuanto a capacidad de generación?

Respuesta: Las ventajas de Qwen VLo son: una captura de detalles más precisa y un contenido generado con mayor coherencia semántica; capacidad de responder a instrucciones creativas como la conversión de estilo artístico，完成 tareas complejas; y un mecanismo de generación progresiva que ofrece mejores resultados visuales y una creación más flexible.

Pregunta 2:¿Qué operaciones de imagen puede realizar Qwen VLo?

Respuesta: Qwen VLo puede: generar imágenes directamente; modificar imágenes, como cambiar el fondo o añadir elementos; convertir estilos, por ejemplo estilo Ghibli o 3D; realizar localización perceptual de imágenes, como detección y segmentación; procesar instrucciones complejas con múltiples operaciones,，完成 tareas de varios pasos; generar imágenes con proporciones dinámicas (la función de proporciones extremas aún no se ha lanzado); y volver a comprender el contenido que él mismo ha generado, por ejemplo identificando la raza de un animal.

Pregunta 3:¿Qué limitaciones tiene Qwen VLo en su fase de vista previa?

Respuesta: En la fase de vista previa, Qwen VLo puede presentar problemas como generación inexacta, discrepancias con la imagen original, incumplimiento de las instrucciones o una comprensión de la intención inestable.

Blog:https://qwenlm.github.io/blog/qwen-vlo/