Qwen-Image - Генератор изображений, который наконец-то умеет работать с текстом

Знакома ситуация, когда нейросетевая картинка идеальна во всем, кроме текста? Буквы плывут, слова сливаются, а китайские иероглифы вообще превращаются в абстракцию. Команда QwenLM представила решение — модель Qwen-Image, которая не просто генерирует изображения, а делает это с учетом даже самых сложных текстовых элементов.

Что это за зверь?

Qwen-Image — это 20-миллиардная модель на архитектуре MMDiT, которая специализируется на двух вещах:

Генерация изображений по текстовому описанию (text-to-image)
Точное редактирование существующих изображений

Но ее главный козырь — беспрецедентное качество работы с текстом на изображениях, особенно с китайскими иероглифами. Это не просто наложение текста поверх картинки, а полноценная интеграция с учетом контекста, стиля и перспективы.

Кому это нужно?

Дизайнерам: для быстрого создания макетов с текстовыми элементами
Маркетологам: генерация рекламных баннеров с точным воспроизведением слоганов
Разработчикам игр: создание интерфейсов и внутриигровых текстовых элементов
Контент-менеджерам: редактирование изображений без Photoshop

5 причин обратить внимание на Qwen-Image

1. Текст, который выглядит как настоящий

Модель идеально воспроизводит текст на изображениях — от английских букв до сложных китайских иероглифов. Вот пример:

Пример текста на изображении

2. Мультиязычная поддержка

Qwen-Image отлично работает как с английским, так и с китайским языком, включая сложные комбинации:

positive_magic = {
    "en": ", Ultra HD, 4K, cinematic composition.",
    "zh": ", 超清，4K，电影级构图."
}

3. Редактирование с пониманием контекста

Можно не просто заменить объект на изображении, а сделать это с сохранением стиля и семантики. Например, изменить цвет кролика на фиолетовый с эффектом подсветки:

prompt = "Change the rabbit's color to purple, with a flash light background."

4. Поддержка разных пропорций изображения

Гибкие настройки под любые форматы — от квадратных до широкоформатных:

aspect_ratios = {
    "1:1": (1328, 1328),
    "16:9": (1664, 928),
    "9:16": (928, 1664)
}

5. Интеграция с популярными платформами

Qwen-Image уже поддерживается:

Hugging Face
ModelScope
ComfyUI
И даже имеет готовые демо для тестирования

Как попробовать?

Установка проста:

pip install git+https://github.com/huggingface/diffusers

А вот пример генерации изображения:

from diffusers import DiffusionPipeline
import torch

pipe = DiffusionPipeline.from_pretrained("Qwen/Qwen-Image", torch_dtype=torch.bfloat16)
pipe = pipe.to("cuda")

image = pipe(
    prompt="A cozy coffee shop with a sign 'Open 24/7' in elegant script",
    width=1664, height=928
).images[0]

Когда особенно полезно?

Для локализации контента: нужно добавить текст на другом языке? Qwen-Image сделает это с учетом особенностей языка.
Быстрое прототипирование: дизайн-макеты за минуты вместо часов.
Коррекция изображений: исправление ошибок в уже сгенерированных картинках.

Под капотом

Технически Qwen-Image использует:

Архитектуру MMDiT (Modified Multi-scale Diffusion Transformer)
Поддержку multi-GPU для ускорения работы
Систему оценки качества через AI Arena (Elo-рейтинг для моделей)

Вывод: стоит ли пробовать?

Если вам нужно:

Генерировать изображения с текстом
Редактировать существующие картинки с высокой точностью
Работать с азиатскими языками

то Qwen-Image — один из лучших open-source вариантов на сегодня. Проект активно развивается, имеет хорошую документацию и уже интегрирован в популярные платформы.

Для первых экспериментов попробуйте демо на Hugging Face или установите модель локально по инструкции выше.