阿里發佈Qwen-Image-3.0，支持4.5K Token超長輸入與複雜圖文生成

阿里巴巴於近日正式發表其全新一代圖像生成基礎模型 Qwen-Image-3.0，該模型為千問系列在圖像生成與編輯領域的第三代代表作。根據官方公布的技術規格，Qwen-Image-3.0 最大亮點在於支援高達 4.5K Token 的超長文本輸入，能一次性生成包含複雜公式符號、幾何圖形、邏輯推導流程以及多層 UI 介面等高度複雜的視覺內容，同時原生支援十二種語言與超過二十款中英文字體渲染，大幅提升商業級圖文內容的產出能力與品質。 與前一代模型相比，Qwen-Image-3.0 在整體生成效能上實現了約 4.5 倍的顯著提升。這項突破使得依賴長提示詞的應用場景，例如影視分鏡腳本、知識圖解說明、產品規格與使用說明頁等，使用者不再需要為了符合模型輸入限制而壓縮或簡化需求。相反地，使用者可以像撰寫詳細設計文件一樣，完整描述畫面的整體結構、文案內容、視覺風格以及版式細節，從而獲得更加精準且符合預期的生成結果，有效降低後續反覆修改與人工調試所耗費的時間與成本。 在複雜內容的理解與生成能力上，Qwen-Image-3.0 進一步強化了語義解析與空間佈局技術。模型能夠一次生成覆蓋多個不同主題的九宮格知識圖解，同時兼顧文字清晰度與內容準確性，確保每個區塊的資訊都能正確傳達。此外，該模型也支援複雜的邏輯嵌套指令，可根據單一用戶提示，自動生成包含網頁介面、軟體應用程式視窗、即時通訊聊天框、宣傳海報等多層次視覺元素組合的圖像，充分展現其對多維度資訊的整合與再現能力。 這項技術的推出，預期將為內容創作者、設計師、行銷人員以及教育訓練領域帶來全新的工作流程。在影視與動畫產業中，分鏡設計通常需要大量文字描述場景轉換、角色動作與運鏡方式，Qwen-Image-3.0 的長文本支援讓創作者能夠直接輸入完整的腳本段落，由模型生成相對應的視覺草稿，大幅縮短前期溝通與迭代的週期。同樣地，在知識圖解與科普內容製作上，模型能夠將複雜的科學原理、數學公式或邏輯推導步驟，轉化為易於理解的圖文並茂版面，有助於提升學習材料的直觀性與傳播效率。 對於產品說明頁與電商內容而言，精確的文案排版與圖文對應一直是自動化生成的難點。Qwen-Image-3.0 原生支援多種字體渲染，並能根據使用者指定的文案長度與版式要求，自動調整文字大小、間距與圖文相對位置，確保最終輸出與設計稿的還原度。這項能力讓品牌與商家能夠更快速地產出多語言版本的產品圖片、社群貼文素材或廣告橫幅，進一步加速全球化行銷的執行速度。 在技術層面，Qwen-Image-3.0 的語義解析能力不僅限於文字層面，還涵蓋對空間關係與物件屬性的深度理解。模型能夠根據提示詞中的邏輯順序，合理安排圖中各元素的視覺層級，例如在生成多層 UI 介面時，能正確區分背景、按鈕、文字輸入框與彈出視窗的疊加關係，避免常見的視覺混淆或層次錯亂問題。這使得該模型在軟體原型設計、網頁佈局探索等專業領域也具備實用價值。 此外，模型在生成複雜圖表與數學內容時，能夠準確輸出公式符號、幾何圖形標註以及邏輯推導的箭頭與流程線，對於學術論文圖表、教學講義與技術文件的製作提供了強而有力的輔助工具。使用者僅需輸入描述性的文字，例如「畫一個包含正弦曲線與餘弦曲線的座標圖，並標註關鍵點」，模型即可生成符合要求的圖像，且圖中文字清晰可讀，無需額外後製校正。 阿里巴巴此次發表的 Qwen-Image-3.0，延續了千問系列模型在語言與視覺融合領域的技術積累，並在長文本理解與複雜圖文生成的精度上取得明顯進展。隨著該模型逐步開放給開發者與企業用戶，預計將在內容創作、數位設計、教育科技與電子商務等多個垂直領域催生更多創新應用，進一步降低高品質圖像內容的產出門檻，讓專業人士與一般使用者都能更有效率地將創意轉化為視覺作品。