阿里深夜开源图像编辑神器Qwen-Image-Edit：20B模型实现语义与外观双重控制

今天凌晨，阿里通义千问正式开源图像编辑模型 Qwen-Image-Edit。

它基于此前的 20B 参数 Qwen-Image 继续训练，将复杂文字渲染与图像编辑整合到一个统一框架里，重点补齐了“图中可编辑文字”“高层语义编辑”“外观级细节编辑”等能力，从而把生成与编辑打通在同一条工作流内。

目前，官方博客与模型页均已上线，用户可通过 Hugging Face、ModelScope平台获取模型权重，或通过Qwen Chat的“Image Editing”功能在线体验。阿里还提供了 ComfyUI 原生支持和详细技术文档，助力开发者快速集成。

Qwen-Image-Edit 继承了 Qwen-Image 的核心优势，在文本渲染能力上实现进一步升级。它支持直接在图像中添加、删除或修改文本，同时保留原有字体、大小和风格。

在应用场景上，Qwen-Image-Edit 展现出多维度能力：

- 原创 IP 编辑：基于品牌吉祥物生成系列表情包，保持角色一致性；

- 视角转换：实现物体 90 度或 180 度旋转，生成背面视图；

- 风格迁移：将肖像转换为吉卜力等艺术风格；

- 精准元素编辑：添加、删除或修改特定元素而不影响其他区域。

总的来说，Qwen-Image-Edit 主要在两个层面发力：一是语义级编辑，能够在不破坏主体一致性的前提下完成物体结构改变、姿态调整、风格替换以及概念化修改。如下图的 IP 编辑案例：

二是外观级编辑，包括增删改、抠换、局部重绘、清晰度与质感增强等。值得关注的是，它把 Qwen-Image 的中文文本渲染长项延展到编辑环节，实现图中原生文字的精确替换与重排，这对电商海报、信息图、品牌字体统一有直接价值。

它能处理多行布局、段落级文本生成以及书法对联等复杂排版需求，解决了以往 AI 图像模型中文字生成模糊、错位的问题。

核心技术创新方面，团队采用双重编码机制，在处理图像编辑任务时，输入图像的同时通过 Qwen2.5-VL 模型进行语义编码，提取高层场景和对象关系特征；同时经由变分自编码器进行重建编码，保留底层视觉细节，如纹理和颜色等。

这种机制使模型在执行编辑指令时，既能理解语义意图，又能保持视觉保真度。例如，调整人物姿态的同时保持人物身份和背景一致，或在添加元素时生成逼真的反光效果。

过去一年，大模型的图像生成提升很快，但可控编辑一直是门槛：一方面是中文文字可读性差，另一方面是角色一致性和局部控制不够稳定。Qwen-Image 在 8 月初开源时就把“文本直出与中文长段渲染”作为核心卖点，编辑版则把同等文字能力搬进了编辑链条，叠加主体一致性的示例，专注于“把图改对”的能力。

官方案例显示，该模型能轻松将海报上的“Hope”替换为“Qwen”，或在书法作品中修正错误字符。通过链式编辑功能，用户可逐步修正图像中的错误，如书法作品的单字错误修正，经过多轮迭代达到理想效果。

那么，真实效果如何呢？算家云也来实测一波。这是一家街头咖啡店原图：

增加提示词：把这家店的招牌换成中文“算家云”，保持街景风格一致。输出图片如下：

接下来是难度更高的场景：语义理解 + 局部替换

输入一张野餐场景图：

增加提示词：“把桌布换成绿白格子，保持光影自然”。

进一步要求在桌布上加一个笔记本电脑，屏幕显示文字“算家云”：

结果显示，模型能在同一画面中做多元素替换并保持协调。不过在多次修改后，光影效果的还原度还存在一定局限。

随着 AI 图像编辑技术发展，专业设计工具市场或许将面临变革。它不会在一夜之间替代 Photoshop，但会让大量以规则为主的编辑任务转移到 AI 管道中，进而推动创作团队的组织方式、素材管理与交付标准发生结构性调整。