6月27日，阿里云通义千问发布重要公告称，其最新推出的Qwen VLo多模态大语言模型已正式上线，用户可通过Qwen Chat（chat.qwen.ai）体验这一创新工具。
作为一项技术突破，该模型不仅具备强大的视觉理解能力，更能在深度理解基础上实现高质量内容的再创造，标志着AI从简单感知向智能生成的重大跨越。
据官方介绍，Qwen VLo采用了独特的渐进式生成技术，能够从左到右、由上至下逐步优化图像内容，最终呈现出完整清晰的画面效果。
在这一过程中，模型会对每一部分的预测结果进行实时调整和优化，确保整体视觉效果的高度一致性和和谐性。这种创新性的生成机制不仅显著提升了图像质量，更为用户提供了一个更加灵活和可控的内容创作环境。
值得注意的是，Qwen VLo采用了动态分辨率训练和生成技术，这意味着模型在输入端和输出端都支持任意分辨率和宽高比的图像处理。这种突破性的技术特性使得用户能够根据实际需求，生成适配不同场景的视觉内容，包括但不限于海报设计、插图创作、网页横幅广告以及社交媒体封面等。
此外，Qwen VLo还创新性地引入了一种全新的生成机制：从上到下、从左到右逐步清晰的生成过程。这一机制不仅显著提高了内容生成效率，特别适合需要精细控制的长文本生成任务。例如，在复杂的广告设计或漫画分镜创作中，模型会按照预设顺序逐步生成并优化每个细节，让用户能够实时观察生成过程并进行必要调整，从而获得最佳创作效果。
阿里云官方提示，目前Qwen VLo仍处于预览阶段，在图像生成的准确性和一致性方面还有待进一步完善。开发团队正在持续优化模型性能，以期为用户提供更优质的服务体验。
此次发布的Qwen VLo对原始多模态理解与生成能力进行了全面升级，显著提升了对图像内容的深度理解和生成精度。
以下是 Qwen VLo 的核心优势：
01 更精准的内容理解与再创造
传统的多模态模型在生成过程中往往会出现语义不一致的问题，例如将汽车误生成其他类型物体，或者无法保留原图的关键结构特征。而Qwen VLo通过更强大的细节捕捉能力，在保持高度语义一致性方面实现了显著突破。比如，当用户上传一张汽车图片并要求”更换颜色”时，Qwen VLo不仅能准确识别车型，还能完整保留其原有结构特征，同时完成色彩风格的自然转换，确保生成结果既符合预期又不失真实感。
02 支持开放指令编辑修改生成
用户可以通过自然语言输入各种创意性指令，如”将这张画风改为梵高风格”、”让这张照片呈现19世纪老照片的效果”或”为这张图片添加一个晴朗的天空”。Qwen VLo能够灵活响应这些开放性指令，并生成符合用户预期的结果。无论是艺术风格迁移、场景重构还是细节修饰，模型都能轻松应对。更进一步，像传统的视觉感知任务如预测深度图、分割图、检测图以及边缘信息等，也可以通过简单的编辑指令完成。甚至一些复杂的指令，比如同时包含修改物体、修改文字和更换背景的任务，Qwen VLo也能高效完成。
03 多语言指令支持
Qwen VLo支持包括中文、英文在内的多种语言指令输入，打破了语言限制，为全球用户提供了统一且便捷的交互体验。无论您使用哪种语言描述需求，模型都能准确理解并快速输出理想结果。
相关文章
