🚀 阿里巴巴的 Qwen 團隊推出了 Qwen-Image，一個擁有 20B 參數的 MMDiT 模型，徹底改變了文本到圖像的生成！原生像素內文本渲染，適合驚人的海報，支持雙語英語/中文，擅長於照片寫實/動漫/風格。深入了解我們的技術文章，獲取在 Hyperbolic 和 Gradio 上部署模型的完整指南。

架構：結合 MLLM (Qwen2.5-VL 7B 用於語義)、VAE (針對文本豐富重建進行微調) 和 20B MMDiT (使用 ODE 進行流匹配，對角連接以實現可擴展的重建)。 過程：提示 → 特徵 → 去噪 → 解碼。TI2I 使用雙編碼進行編輯。

創新：龐大的數據管道（數十億對：自然 55%，設計 27%，人員 13%，合成 5%；英/中分割）。課程學習以掌握文本。MSRoPE（基於 RoPE）用於 2D 對齊。多任務 T2I/TI2I/I2I。在 GenEval、文本基準上達到 SOTA！

Vs. GPT-Image-1：匹配照片真實感，壓倒雙語文本/多行，編輯一致性（物體/姿勢的保真度更好）。這是開源與API的邊界！

GPU 基礎設施：估計約 24GB VRAM（20B x 1.2 以 BF16 計算）。推理在單個 H100 上運行順暢。 我們在 Hyperbolic 的按需雲 H100 上進行測試，費用為每小時 $1.49，使用從官方模型卡適配的簡單 Python 腳本來實現互動式 Gradio UI。

閱讀我們的完整文章：架構細節、創新、比較、計算分析、完整的代碼和在 Gradio 上的部署步驟。自己運行 Qwen-Image，並與我們分享您的圖像創作！ 閱讀完整的部落格： 現在在 Hyperbolic 租用 H100，每小時 $1.49：

閱讀我們的完整文章：架構細節、創新、比較、計算分析、完整的代碼和在 Gradio 上的部署步驟。自己運行 Qwen-Image，並與我們分享你的圖像創作！ 閱讀完整的部落格： 現在在 Hyperbolic 上以每小時 $1.49 租用 H100s：