Qwen VLo : le modèle multimodal unifié d'Alibaba pour la compréhension et la génération 62

Qu'est-ce que Qwen VLo ?

Qwen VLo est un modèle multimodal lancé par Alibaba Cloud Tongyi Qianwen le 27 juin 2025. Il prend en charge la génération et l'édition d'images, le transfert de style, l'exécution d'instructions complexes, la compréhension et la génération multi-images, la détection et l'annotation d'images, ainsi que la génération d'images directement à partir de texte.

Fonctionnalités principales

• Génération et édition d'images de haute qualité : capable de générer et de modifier des images à partir de prompts textuels ou visuels, en prenant en charge la construction progressive de scènes complexes et l'ajustement en temps réel, et peut générer des images multilingues à partir d'instructions simples.

• Adaptation dynamique de la résolution : grâce à une technologie de résolution dynamique, il peut générer des images adaptées à différents scénarios tels que des affiches, des illustrations, des bannières web, des couvertures de réseaux sociaux, etc.

• Génération progressive : construction progressive de l'image de gauche à droite et de haut en bas, avec une optimisation continue du contenu pendant la génération afin de garantir l'harmonie et la cohérence visuelle.

• Édition par instructions ouvertes : prend en charge les demandes créatives en langage naturel, telles que « passer au style Van Gogh », « transformer en photographie du XIXe siècle », « ajouter un ciel ensoleillé », et le modèle peut répondre de manière flexible en produisant des résultats conformes aux attentes.

• Instructions multilingues : prend en charge les instructions en chinois, en anglais et dans plusieurs autres langues, ce qui le rend accessible aux utilisateurs du monde entier.

Caractéristiques techniques

• Fusion profonde vision-langage : capable de comprendre le contenu visuel et de recréer des images de haute qualité, en maintenant la cohérence sémantique lors de la génération et avec une forte capacité de capture des détails.

• Solides capacités d'édition visuelle : capable de traiter des instructions d'édition complexes, d'effectuer plusieurs types de modifications dans une seule instruction, tout en garantissant l'exactitude de la structure principale et du contexte.

Cas d'utilisation

• Design et créativité : fournit aux designers, aux professionnels du marketing et aux éducateurs des outils prenant en charge le transfert de style artistique, la reconstruction de scènes, l'optimisation des détails, etc., afin de concrétiser rapidement les idées créatives.

• Création de contenu multilingue : répond aux besoins de production de contenu d'utilisateurs issus de différents horizons linguistiques.

De plus, les entrées et les sorties de Qwen VLo prennent en charge des images de n'importe quelle résolution et de n'importe quel rapport d'aspect, ce qui le rend adaptable à de multiples scénarios d'utilisation. Les utilisateurs peuvent visualiser le processus de génération en temps réel et effectuer des ajustements. Actuellement, le modèle est encore en phase de prévisualisation.

Questions fréquentes

Question 1 :En quoi les capacités de génération de Qwen VLo sont-elles supérieures à celles des modèles multimodaux précédents ?

Réponse : Les avantages de Qwen VLo résident dans : une capture des détails plus précise et une cohérence sémantique du contenu généré ; la capacité à répondre à des instructions créatives telles que le transfert de style artistique et à accomplir des tâches complexes ; un mécanisme de génération progressive qui offre de meilleurs effets visuels et une créativité plus flexible.

Question 2 :Quelles opérations d'image Qwen VLo peut-il effectuer ?

Réponse : Qwen VLo peut : générer directement des images ; modifier des images, comme changer l'arrière-plan ou ajouter des éléments ; convertir les styles, par exemple le style Ghibli ou le style 3D ; effectuer une localisation perceptive des images, comme la détection et la segmentation ; traiter des instructions complexes impliquant plusieurs opérations pour accomplir des tâches en plusieurs étapes ; générer des images à proportions extrêmes (la fonction de proportions extrêmes n'est pas encore disponible) ; et même comprendre le contenu qu'il a lui-même généré, par exemple en identifiant des races d'animaux.

Question 3 :Quelles sont les limites de Qwen VLo pendant la phase de prévisualisation ?

Réponse : Pendant la phase de prévisualisation, Qwen VLo peut présenter des problèmes tels que des générations inexactes, des incohérences avec l'image originale, une non-conformité aux instructions ou une instabilité dans la compréhension des intentions.

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