主要观点：Qwen 团队近期开源图像基础模型 Qwen-Image，支持文本到图像（T2I）生成和文本图像到图像（TI2I）编辑任务，在多种基准测试中表现出色。
关键信息：

• 使用[Qwen2.5-VL]进行文本输入，变分自编码器（VAE）进行图像输入，多模态扩散 Transformer（MMDiT）进行图像生成。
• 在 T2I 和 TI2I 基准测试中取得最高总分，图像理解任务虽不如专门训练模型但接近其性能。
• 创建 AI Arena 比较生成图像对的评分。
• 训练数据集通过收集和标注数十亿图像文本对，经多策略预训练和两阶段后训练。
  重要细节：
• 图像来自自然、设计、人物和合成数据四类，自然图像约占 55%，设计图像约占 27%且含丰富文本元素。
• 预训练策略包括图像缩放和引入不同类型图像。
• 后训练分监督微调（SFT）和强化学习（RL）两步。
• Hacker News 用户称赞其性能，与 gpt-image-1 比较，早期结果显示 gpt-image-1 锐度和清晰度稍好。
• Qwen-Image 代码在 GitHub 上，模型文件可从 Huggingface 下载。