Qwen VLo: мультимодальная модель Alibaba для понимания и генерации 59

Что такое Qwen VLo?

Qwen VLo — это мультимодальная модель, выпущенная Alibaba Cloud Tongyi Qianwen 27 июня 2025 года. Она поддерживает генерацию и редактирование изображений, преобразование стилей, выполнение сложных инструкций, понимание и генерацию по нескольким изображениям, обнаружение и аннотирование объектов на изображениях, а также прямую генерацию изображений по тексту.

Основные функции

• Высококачественная генерация и редактирование изображений: способна создавать и изменять изображения по текстовым или графическим подсказкам, поддерживает пошаговое построение сложных сцен и корректировку в реальном времени, а также может создавать многоязычные изображения по простым командам.

• Динамическая адаптация разрешения: использует технологию динамического разрешения, что позволяет генерировать изображения, подходящие для различных сценариев — плакатов, иллюстраций, веб-баннеров, обложек для социальных сетей и т. д.

• Прогрессивная генерация: изображение строится поэтапно слева направо и сверху вниз, с постоянной доработкой содержимого в процессе генерации, что обеспечивает гармоничность и единство картинки.

• Редактирование по открытым инструкциям: поддерживает формулирование творческих запросов на естественном языке, например «изменить на стиль Ван Гога», «сделать как старую фотографию XIX века», «добавить ясное небо» — модель гибко реагирует и выдаёт ожидаемый результат.

• Многоязычные инструкции: поддерживает команды на китайском, английском и многих других языках, что удобно для пользователей по всему миру.

Технические особенности

• Глубокая интеграция зрения и языка: понимает содержимое изображения и выполняет качественное пересоздание, сохраняя семантическую согласованность при генерации и обеспечивая высокую точность передачи деталей.

• Мощные возможности визуального редактирования: способна обрабатывать сложные команды редактирования, выполняя в одной инструкции множество различных изменений с сохранением точной структуры объекта и контекста.

Сценарии применения

• Дизайн и творчество: предоставляет инструменты для дизайнеров, маркетологов и преподавателей, поддерживая преобразование художественных стилей, реконструкцию сцен, оптимизацию деталей и многое другое, помогая быстро воплощать идеи.

• Создание многоязычного контента: удовлетворяет потребности в производстве контента для пользователей с различными языковыми предпочтениями.

Кроме того, входные и выходные данные Qwen VLo поддерживают изображения с любым разрешением и соотношением сторон, что подходит для множества сценариев использования. Пользователи могут наблюдать за процессом генерации в реальном времени и вносить корректировки. В настоящее время модель всё ещё находится на этапе предварительного просмотра.

Часто задаваемые вопросы

Вопрос 1: В чём Qwen VLo превосходит предыдущие мультимодальные модели по возможностям генерации?

Ответ: Преимущества Qwen VLo заключаются в следующем: более точная детализация и семантическая связность генерируемого контента; способность реагировать на творческие команды, такие как преобразование художественного стиля, и выполнять сложные задачи; механизм прогрессивной генерации обеспечивает лучшее визуальное качество и большую гибкость творчества.

Вопрос 2: Какие операции с изображениями может выполнять Qwen VLo?

Ответ: Qwen VLo может: создавать изображения напрямую; изменять изображения, например менять фон или добавлять элементы; преобразовывать стиль, например в стиль студии Ghibli или 3D; выполнять визуальное обнаружение и локализацию объектов, такие как детекция и сегментация; обрабатывать сложные многошаговые инструкции; генерировать изображения с динамическим соотношением сторон (функция экстремальных соотношений пока не выпущена); повторно распознавать собственные сгенерированные результаты, например определять породу животного.

Вопрос 3: Какие ограничения существуют у Qwen VLo на этапе предварительного просмотра?

Ответ: На этапе предварительного просмотра Qwen VLo может выдавать неточные результаты, не соответствующие исходному изображению, не отвечать должным образом на инструкции, а также нестабильно понимать намерения пользователя.

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