6 月 27 日消息，阿里云通義千問剛剛發(fā)文，宣布推出最新的 Qwen VLo—— 一個多模態(tài)統(tǒng)一理解與生成模型，用戶可以通過 Qwen Chat（chat.qwen.ai）進(jìn)行體驗(yàn)。

這一全新升級的模型不僅能夠“看懂”世界，更能基于理解進(jìn)行高質(zhì)量的再創(chuàng)造，真正實(shí)現(xiàn)了從感知到生成的跨越。

據(jù)介紹，Qwen VLo 能夠以一種漸進(jìn)式生成方式，從左到右、從上到下逐步清晰地構(gòu)建整幅圖片。

在生成過程中，模型會對預(yù)測的內(nèi)容不斷調(diào)整和優(yōu)化，從而確保最終結(jié)果更加和諧一致。這種生成機(jī)制不僅提升了視覺效果，還為用戶帶來了更靈活、更可控的創(chuàng)作體驗(yàn)。

官方表示，Qwen VLo 采用動態(tài)分辨率訓(xùn)練，支持動態(tài)分辨率生成。無論是輸入端還是輸出端，模型都支持任意分辨率和長寬比的圖像生成。

這意味著用戶不再受限于固定的格式，可以根據(jù)實(shí)際需求生成適配不同場景的圖像內(nèi)容，無論是海報、插圖、網(wǎng)頁 Banner 還是社交媒體封面，都能輕松應(yīng)對。

Qwen VLo 還創(chuàng)新性地引入了一種全新的生成機(jī)制：從上到下、從左到右逐步清晰的生成過程。這一機(jī)制不僅提升了生成效率，還特別適用于需要精細(xì)控制的長段落文字生成任務(wù)。例如，在生成帶有大量文本的廣告設(shè)計或漫畫分鏡時，Qwen VLo 逐步生成慢慢修改。這種漸進(jìn)式的生成方式讓用戶可以實(shí)時觀察生成過程，并根據(jù)需要進(jìn)行調(diào)整，從而獲得最佳的創(chuàng)作效果。

阿里云官方提醒，Qwen VLo 還屬于預(yù)覽階段，還有很多不足的地方，在生成的過程可能存在不符合事實(shí)、不完全和原圖一致的問題，開發(fā)團(tuán)隊(duì)還在持續(xù)迭代。

Qwen VLo 在原始多模態(tài)理解與生成能力上進(jìn)行了全面升級，顯著增強(qiáng)了對圖像內(nèi)容的理解深度，并在此基礎(chǔ)上實(shí)現(xiàn)了更加準(zhǔn)確和一致的生成效果。

以下是 Qwen VLo 的核心亮點(diǎn)：

01 更精準(zhǔn)的內(nèi)容理解與再創(chuàng)造

以往的多模態(tài)模型在生成過程中容易出現(xiàn)語義不一致的問題，例如將汽車誤生成其他類型的物體，或者無法保留原圖的關(guān)鍵結(jié)構(gòu)特征。而 Qwen VLo 通過更強(qiáng)大的細(xì)節(jié)捕捉能力，能夠在生成過程中保持高度的語義一致性。例如，當(dāng)用戶輸入一張汽車的照片并要求“更換顏色”時，Qwen VLo 不僅能準(zhǔn)確識別車型，還能保留其原有的結(jié)構(gòu)特征，同時完成色彩風(fēng)格的自然轉(zhuǎn)換，讓生成結(jié)果既符合預(yù)期又不失真實(shí)感。

02 支持開放指令編輯修改生成

用戶可以通過自然語言提出各種創(chuàng)意性指令，如“將這張畫風(fēng)改為梵高風(fēng)格”、“讓這張照片看起來像 19 世紀(jì)的老照片”或“給這張圖片添加一個晴朗的天空”。Qwen VLo 能夠靈活響應(yīng)這些開放性指令，并生成符合用戶預(yù)期的結(jié)果。無論是藝術(shù)風(fēng)格遷移、場景重構(gòu)還是細(xì)節(jié)修飾，模型都能輕松應(yīng)對。甚至一些傳統(tǒng)的視覺感知人物如預(yù)測深度圖、分割圖、檢測圖以及邊緣信息等也可以通過編輯指令輕松完成。更進(jìn)一步，像很多更復(fù)雜的指令，比如一條指令中同時包含修改物體、修改文字、更換背景，模型也能輕松完成。

03 多語言指令支持

Qwen VLo 支持包括中文、英文在內(nèi)的多種語言指令，打破了語言壁壘，為全球用戶提供了統(tǒng)一且便捷的交互體驗(yàn)。無論您使用哪種語言，只需簡單描述您的需求，模型便能快速理解并輸出理想結(jié)果。