Qwen-Image-3.0: Realistyczne infografiki i czytelny tekst 10 pikseli

Alibaba nie zwalnia tempa w wyścigu generatorów obrazów. Zaledwie kilka miesięcy po premierze Qwen-Image-2.0, zespół Qwen wypuścił trzecią wersję – Qwen-Image-3.0 – która całkowicie zmienia priorytety. Poprzednie edycje stawiały na precyzję, różnorodność i autentyczność. Tym razem wszystko sprowadza się do jednego słowa: realizm. Nowy model ma obsługiwać praktyczne zadania: układy gazet, storyboardy, arkusze egzaminacyjne, a nie tylko tworzyć ładne obrazki.

Jak Qwen-Image-3.0 łączy realizm z praktycznością

Głównym celem trzeciej generacji jest wierność rzeczywistości w trudnych, wieloelementowych kompozycjach. Zespół Qwen podkreśla, że model potrafi przyjąć prompt o długości aż 4500 tokenów – to pozwala mu zaplanować gęsty układ w jednym przebiegu, bez składania go z osobnych obrazów. W praktyce oznacza to, że zamiast generować kilka grafik i łączyć je w Photoshopie, można od razu otrzymać gotowy, spójny plakat czy stronę podręcznika.

Alibaba udostępniła kilka demonstracji, które pokazują, jak daleko zaszło renderowanie tekstu i formuł. W jednym z przykładów model wygenerował siatkę 3×3 złożoną z dziewięciu osobnych infografik – każda dotyczy innej dziedziny: bezpiecznych odległości w tunelach, linii prostopadłych w geometrii, konfucjańskiej lekcji o emocjach, prędkości odrzucenia pocisku z wirującego cylindra, cyklu życiowego motylicy wątrobowej, bólu w klatce piersiowej po prawej stronie, twierdzeń Sylowa dla grup rzędu 72, kontroli wewnętrznej w bankach oraz DNA w komórkach zwierzęcych i roślinnych. Wszystko to zmieściło się w jednym obrazie, z własnym tekstem, wzorami i ilustracjami.

Zagnieżdżone interfejsy – zdolność do warstwowej kompozycji

Inny pokaz idzie jeszcze dalej. Qwen-Image-3.0 odtworzył interfejs VSCode, wewnątrz którego znajduje się okno Qwen Chat. W tym oknie widać rozmowę z WeChat, a w niej – plakat z instrukcją parzenia kawy metodą pour-over. Cztery poziomy interfejsów zagnieżdżonych w jednym ujęciu: od edytora kodu przez czat, komunikator, aż po szczegółowy plakat. To dowód, że model rozumie hierarchię elementów i potrafi zachować czytelność nawet przy bardzo gęstej strukturze.

Precyzja tekstu i formuł – od 10 pikseli po LaTeX

Zespół Qwen chwali się, że model generuje czytelny tekst już przy wysokości 10 pikseli. Na przykładzie infografiki o rekinie wielorybim widać mnóstwo drobnych napisów, które można odczytać bez powiększania. Równie imponująco wygląda symulowana strona pracy naukowej z dziedziny geometrii algebraicznej: zawiera wielowierszowe równania LaTeX z indeksami górnymi i dolnymi, ułamkami, sumami i iloczynami. Do tego model potrafi dodać odręczne, czerwone komentarze – jak notatki nauczyciela na marginesie.

Nie brakuje też fotograficznego detalu. Qwen-Image-3.0 odwzorowuje pory skóry, pojedyncze włosy i miękkie cienie w portretach. W edycyjnym demo model naprawia uszkodzony tradycyjny obraz tuszem przedstawiający walczące orły – uzupełnia brakujące fragmenty, dopasowując pociągnięcia pędzla i intensywność tuszu. To pokazuje, że generator radzi sobie nie tylko z tworzeniem nowych treści, ale także z inteligentną rekonstrukcją.

Wsparcie dla 12 języków i różnorodnych interfejsów

Trzeci obszar, który Qwen określa jako „głęboką wiedzę”, to obsługa dwunastu języków natywnie – w tym japońskiego, koreańskiego i hiszpańskiego. Dzięki temu model może tworzyć materiały lokalizowane bez osobnego tłumaczenia. W przykładowej prezentacji przekształca zdjęcie owada w pełną tablicę identyfikacyjną: z nazwą gatunku, etykietami cech fizycznych, powiększonymi detalami i skalą.

Co więcej, Qwen-Image-3.0 potrafi pobierać aktualne dane z internetu – na przykład wygenerować prognozę pogody dla Hangzhou. W innym demie łączy chińskiego malarza tuszem Qi Baishi z Vincentem van Goghiem w symulowanym studiu livestreamowym. To dowód, że model łączy generację obrazów z rzeczywistymi informacjami, co otwiera drzwi do interaktywnych wizualizacji.

Dostępność i porównanie z poprzednią wersją

Poprzednik, Qwen-Image-2.0, zadebiutował w maju 2024 roku i skupiał się na wydajności treningu oraz inferencji – oferował wariant szybszy, wymagający tylko 4 zamiast 40 kroków na obraz. Na platformie testowej Alibaby uplasował się tuż za OpenAI GPT-Image-2 i Google Nano Banana Pro. Teraz Qwen-Image-3.0 jest dostępny wyłącznie przez API na zaproszenie, ale wkrótce ma trafić do aplikacji takich jak Qwen Chat. Prawdopodobnie nie zostanie udostępniony na otwartej licencji, jak pierwsza edycja modelu.

Czy to przełom, czy tylko ciekawostka? Przykłady są imponujące, ale praktyczna wartość niektórych zastosowań budzi wątpliwości. Badacze piszą i składają prace w LaTeX, a nie renderują je jako obrazy – sztuczne strony z równaniami sprawdzają się raczej jako mockupy niż finalne publikacje. Podobnie z gazetami i złożonymi infografikami: formaty edytowalne i wyszukiwane wciąż oferują większą elastyczność. Mimo to postęp w renderowaniu tekstu jest bezdyskusyjny i może wskazywać kierunek, w którym zmierzają praktyczne narzędzia AI – nie tylko do tworzenia ładnych grafik, ale do realnej automatyzacji projektowania układów.

Jedyne, co pozostaje pytaniem otwartym, to czy użytkownicy faktycznie potrzebują gotowych obrazów zamiast edytowalnych dokumentów. Odpowiedź poznamy, gdy model trafi w ręce szerszego grona twórców.