Qwen-Image-3.0発表、「実用性」追求の画像生成AI

Qwen-Imageシリーズは、初代が「正確さ」、2代目が「正確さ、多様性、完全性、美しさ、真正性」をキーワードに掲げてきました。今回の3.0では、それらを「リアル」という一言に集約しています。具体的には、情報量の多いコンテンツを正確に描写する「リッチコンテンツ」、細部まで本物のように再現する「オーセンティックなディテール」、多言語や多様なUIを理解する「深い知識」の3つの軸で進化しています。

Qwen-Image-3.0は、最大4,500トークンの指示文を処理できます。これは、新聞の紙面や試験問題、漫画のコマ割りといった、複数の要素が混在する複雑なレイアウトを一度に生成できることを意味します。例えば、3×3のグリッドに数学のスライドや物理の図解、医学図など9つの異なるインフォグラフィックを配置した画像も、3,700トークンの指示から一発で生成可能です。また、VSCodeの画面の中にQwen Chatの画面、さらにその中にWeChatの画面とコーヒーのポスターを入れ子状に表示するような、多層的なUI表現にも対応します。

細部の描写精度も大幅に向上しました。10ピクセル程度の小さな文字も明瞭に描画でき、学術論文のような複雑な数式や脚注も正確に再現します。人物写真では、毛穴や髪の毛の一本一本まで描写し、肌の質感は写真に近いリアルさです。また、古い絵画の破損部分を修復する編集タスクでも、元の画風や筆致を忠実に保ちながら、カビや傷を除去できます。

Qwen-Image-3.0は、日本語、韓国語、スペイン語など12言語での描画にネイティブ対応しています。さらに、ウェブページやゲーム画面、ライブ配信のインターフェースなど、さまざまなUIを模倣して生成できるのも、このモデルが持つ幅広い世界知識によるものです。例えば、昆虫の写真をもとに、分類情報や形態の注釈、スケールバーを加えた学術用の図版を生成することも可能です。また、インターネット上の最新情報を取得して天気予報の画像を作ったり、特定のキャラクターをライブ配信風に描いたりすることもできます。

A. アリババクラウドのQwenチームが開発した画像生成AIの最新モデルで、複雑な文書や微細な描写まで正確にこなせる実用性の高さが特徴です。

A. 最大4,500トークンの長文指示で新聞のような複雑なレイアウトを一発生成でき、10pxの極小文字や毛穴まで精緻に描画できるようになりました。

A. 学術論文の図版作成や、デザイン、教育、eコマースなど、正確で情報量の多い画像が求められる幅広い分野での活用が期待されます。

O!Productニュース編集部からのコメント

4500トークンまで指示を入れて複雑なレイアウトを一発生成できるのは、資料作成の現場でかなり刺さりそうです。特にUIの入れ子表現までできるのが、デザイナー以外には嬉しいですね。

引用元：Qwen Blog