Qwen-Image-3.0：从好看走向好用
Qwen-Image-3.0: Rich Content, Authentic Details, Deep Knowledge
我们正式发布了 Qwen-Image-3.0，这是 Qwen-Image 系列的第三代基础图像生成模型。如果说前代关键词是“精准”或“多样”，那么 Qwen-Image-3.0 的核心只有一个字——“实”。它支持高达 4.5k token 的输入，能一次性生成包含复杂数学公式、多语言文本和嵌套界面的 3x3 网格图；在细节上，连 10px 的小字、皮肤毛孔和发丝都能逼真还原；更具备深厚的世界知识，原生支持 12 种语言及主流 UI 界面渲染。Qwen-Image-3.0 不再仅仅追求“好看”，而是致力于成为真正可落地的生产力工具，让图像生成在新闻排版、分镜脚本和复杂 UI 设计等场景中发挥实际价值。
Qwen-Image-3.0 不仅仅是在追求“好看”，它追求的是“好用”，旨在让图像生成成为真正可部署的生产力工具。
HN 评论区
215- mynti
对我来说，人们试图把这些模型推向在线购物领域，比如“看看这件裙子/衬衫/裤子穿在你身上是什么效果”，这感觉真的很奇怪。但这些模型永远会让衣服完美贴合你的身材，把你展示在最光鲜亮丽的状态下，等等。至于衣服实际穿起来合不合身，和用这些工具之前一样，依然难以捉摸。
- weird-eye-issue
HTML 里的 meta 关键词很有意思。里面有 100 多个关于 NSFW 主题的引用，比如 hentai（色情动漫）、nudes（裸照）之类的。
- postalcoder
他们肯定是用 GPT Image 1 的输出来训练的。那种泛黄的色调 unmistakable（ unmistakable 意为“ unmistakable ”，此处指“ unmistakable ”）。
- hessammehr
非常酷，但标题图里的阿拉伯文显然是彻底崩了，这很奇怪，因为实际使用模型时并不会出现这种情况。会不会是那张主图根本不是 Qwen Image 3.0 生成的？
- simonw
> 要精确描述完整的 3×3 网格需要整整 3.7k 个 token
真可惜他们没分享那个提示词（prompt）——那样会让这个演示更有说服力。
- embedding-shape
完全没有提到他们什么时候（或者是否会）发布这个模型的权重，是我漏看了吗？
- Mashimo
> 支持高达 4.5k token 的输入，轻松生成报纸、故事板和试卷等复杂布局。
很厉害。
顺便问一下，目前在 16GB 显存上本地运行的最佳模型是什么？是 Z-Image Turbo 吗？
- jcattle
我一直想不通的是：这些模型是怎么训练的？
是什么训练机制或模型架构提供了从人类文本到图像的“粘合剂”？
难道不需要数百万张带有非常详尽标签的图片吗？