阿里千问推出Qwen-Image-3.0：超长指令一键生成复杂图文

7月21日消息，今日，阿里发布了最新的图像生成基础模型：Qwen-Image-3.0。

新模型支持最大4.5k token超长输入，可一次生成涵盖公式符号、几何图形、逻辑推导步骤等多元素融合的知识图解、复杂UI界面。

同时，该模型还支持12国语言和20多款字体原生渲染，字字清晰，大幅降低多语言产品海报、影视/漫画分镜等可读可用”商业素材的生产成本。

据悉，Qwen-Image-3.0是千问图像生成和编辑模型系列的第三代基础模型，核心能力全面升级。

GPT-Image-2擅长的直播间页面，Qwen-Image-3.0也能轻松生成，从人像摄影，到数学试卷、古碑拓片，千问生成的图片细节满满，栩栩如生。

此次Qwen-Image-3.0重点提升了模型对于复杂信息的承载能力，较前代在文本输入长度上实现了4.5倍的跃升。

这意味着，在影视短剧分镜、复杂信息图、产品说明页等需要超长提示词输入的场景中，用户不再需要将需求压缩成一句话。

而是可以像给设计师撰写需求文档一样，完整描述画面结构、文字内容、视觉风格和排版细节，从而让模型更精准地生成图文内容，减少反复生成和人工调试成本。

凭借Qwen-Image-3.0对于语义并置和空间控制能力的极致把握，新模型可一次性生成涵盖9种不同领域的9宫格知识图解，字字清晰，幅幅准确。

此外，Qwen-Image-3.0还拥有更详实的知识，能轻松理解复杂指令和画面的逻辑嵌套关系。

新模型可根据一条指令，在同一幅图中生成网页、软件界面、聊天窗口、海报等多类视觉内容的组合式表达。

比如，当用户输入在VSCode编程界面中，通过千问App生成一张发布在聊天界面里的手冲咖啡海报”时，模型能够准确理解其中的多层UI嵌套关系，并依次生成VSCode编程界面、千问App界面、社交媒体聊天界面和咖啡海报。

在保持各层界面结构、风格准确的同时，甚至连手机截图里的时间数字，低至10像素的小字，都清晰可辨。

图说：Qwen-image-3.0生成的多层UI界面嵌套模拟图片

新模型在文生图中积累的文字渲染能力、细节质感和世界知识也迁移到了编辑场景中，诸如古画修复、全景图生成、手绘草图转PPT、多镜头机位生成等复杂编辑任务，均可一键完成。

用户无需在生成与编辑之间反复切换工具，也无需担心风格、文字、细节在二次处理时出现偏差。

据了解，阿里云百炼、千问AI平台已开通API邀测，Qwen Studio和千问APP也即将上线供免费体验。