Ob es ein Maultier oder ein Pferd ist, wird sich zeigen, sobald man es auf die Probe stellt.
Qwen sagt, es kann mir nun helfen, 9-teilige Collagen zu erstellen, und zwar zu unterschiedlichen Themen.
In den letzten Tagen hat Alibaba ein neues KI-Bildgenerationsmodell vorgestellt – Qwen-Image-3.0.
Nach offiziellen Angaben kann es nicht nur realistische Benutzeroberflächen präzise generieren, sondern auch Lehrkräften dabei helfen, mit einem Klick gut formatierte Abschlusszeugnisse zu erstellen; Designer können es ebenfalls nutzen, um schnell Poster, Storyboards und Webprototypen auszugeben, ohne Zeit für den schrittweisen Aufbau von Gerüsten auf leeren Leinwänden zu verschwenden.
Noch beeindruckender ist, dass es in einem einzigen Bild gleichzeitig 9 Wissensdiagramme zu unterschiedlichen Themen darstellen und diese automatisch ordentlich anordnen kann, sodass Informationsdichte und Ästhetik gleichzeitig auf hohem Niveau liegen.
Dieses Mal hat Qwen-Image-3.0 nur ein einziges Schlüsselwort für sich selbst: Realismus.
Es geht nicht einfach darum, dass die Bilder schöner aussehen, oder nur um Verbesserungen bei Malstil, Komposition und Lichtverhältnissen.
Vielmehr soll die KI-Bildgenerierung nicht mehr bei dem Erstaunen „Wow, das ist wunderschön“ stehenbleiben, sondern einen Schritt weitergehen: Kann dieses Bild alle meine Anforderungen erfüllen, die Details klar darstellen, direkt bearbeitet, verwendet und zur Abgabe genutzt werden?
Die offizielle Seite unterteilt diesen „Realismus“ in drei Ebenen:
Die erste Ebene ist detailgetreue Realität: Es unterstützt die präzise Darstellung von 10px-kleinem Text, sodass Details wie Strichführung von Schriftzügen, Poren von Menschen, Haare, Papier und Anmerkungen stabil wiedergegeben werden.
Die zweite Ebene ist umfangreicher Inhalt: Qwen-Image-3.0 unterstützt Eingaben von bis zu 4,5k Tokens und kann komplexe Layouts wie Zeitungen, Storyboards, Prüfungen und Präsentationen erstellen.
Die dritte Ebene ist fundiertes Wissen: Es unterstützt die native Darstellung von Texten in 12 Sprachen, kann gängige Benutzeroberflächen für Webseiten, Spiele und Live-Streaming erstellen und sogar wissenschaftliche Poster unter Einbeziehung von Weltwissen generieren.
Auch im Ausland haben bereits Nutzer erste Tests durchgeführt. In diesen Bewertungen übertreffen die Bildverständnis- und Codegenerierungsleistungen von Qwen-Image-3.0 bereits ausländische Modelle wie GPT Image 2 und Nano Banana 2.
Das klingt sehr leistungsstark.
Die veröffentlichten Beispiele von Bildmodellen haben jedoch seit jeher ein altes Problem: Die offiziellen Demos zeigen normalerweise nur die reibungsloseste Seite.
In realen Szenarien wie Redaktion, Bildung, E-Commerce und Design lässt sich die tatsächliche Praktikabilität nicht nur an den Beschreibungen auf der Werbeseite oder dem ersten Eindruck der generierten Bilder messen, sondern erfordert praktische Tests.
Daher gibt es neben dem großen Lob auf der Plattform X auch viele Kritikpunkte an Qwen-Image-3.0.
Einige Nutzer bemängeln seine „langsame Geschwindigkeit“, andere kritisieren, dass es „Begriffe verwechselt“ und „Grammatik nicht beherrscht“. Einige Nutzer weisen sogar direkt darauf hin, dass die arabische Grammatik auf dem Titelbild der offiziellen Webseite fehlerhaft ist:
Daher haben wir uns an den drei von der offiziellen Seite genannten Richtungen „umfangreicher Inhalt“, „detailgetreue Realität“ und „fundiertes Wissen“ orientiert und 9 konkrete Praxistests entworfen, wobei wir unser gesamtes Nutzungsguthaben vollständig aufgebraucht haben.
Wir prüfen, ob es Anforderungen aufnehmen kann, stabil arbeitet, Details präzise darstellt und Inhalte versteht.
Und das Wichtigste: Kann es uns wirklich bei der Arbeit unterstützen, um Aufgaben rechtzeitig abzugeben?
Zuerst prüfen wir, ob die Details realistisch sind und keine Mängel bei Vergrößerung sichtbar werden
Tadaaa, gleich zu Beginn nutzen wir die stärkste Prüfung: Test der Detailgenauigkeit!
Wir beginnen mit der am schwierigsten zu meisternden und am leichtesten Fehler zeigenden Seite einer wissenschaftlichen Arbeit.
Die Seite einer wissenschaftlichen Arbeit wirkt schlicht, enthält aber zahlreiche Fallstricke für Bildgenerierungsmodelle: dichte kleiner Texte, Hoch- und Tiefstellungen, griechische Buchstaben, Bruchstriche, mehrzeilige Formelableitungen...
Wenn es aus der Ferne wie eine wissenschaftliche Arbeit aussieht, reicht das nicht aus. Erst wenn es nach der Vergrößerung noch klar, unscharffrei und geordnet ist, zeigt es echte Fähigkeiten.
Kann Qwen-Image-3.0 dieser Prüfung standhalten?
Praxistest 1: Formelseite einer wissenschaftlichen Arbeit
Prompt:
Das Ergebnis sieht wie folgt aus (Dauer ca. 3 Minuten und 20 Sekunden):
Ordentliches Layout, klare Schrift, sehr gut, es hat die Prüfung bestanden.
Aus Neugierde habe ich in der Wartezeit auf die Bildgenerierung von Qwen-Image-3.0 mit demselben Prompt-Template auch die Generierungsleistung der ChatGPT Plus-Version getestet. Das Ergebnis sieht wie folgt aus (Dauer ca. 1 Minute und 19 Sekunden):
△
Praxistest 2: Nahporträt von Haustier und Besitzer
Nach dem Test der wissenschaftlichen Arbeit schauen wir uns ein wohltuendes Porträt „Besitzer und Katze“ an.
Prompt:
Das fertige Bild:
Sehr gut, ich bin sehr zufrieden~
Hauttextur der Person, Textur der Haare, Material der Kleidung, der typische stolze Ausdruck der Katze sind alle perfekt dargestellt, die Atmosphäre ist sehr stimmungsvoll.
Nur die Generierungsgeschwindigkeit ist etwas langsam (Dauer ca. 1,5 Minuten).
Praxistest 3: Lesenotizen
Wie allgemein bekannt ist, ist die Generierung eines neuen Bildes eine Sache, die feine Bearbeitung eines vorhandenen Bildes eine ganz andere.
Daher testen wir dieses Mal, ob Qwen-Image-3.0 ohne Zerstörung der ursprünglichen Bildstruktur die Gewohnheit von Schülern der Oberstufe nachahmen kann, sich Notizen im Unterricht zu machen, und das Werk „Tagebuch eines Verrückten“ von Lu Xun mit wichtigen Notizen zu ergänzen.
Prompt:
Das Ergebnis sieht wie folgt aus:
In diesem Prozess tauchte zwar ein gleichlautender falscher Schriftzeichen auf, der eigentlich „Seite“ bedeuten soll, aber im Großen und Ganzen hat es die berühmten Abschnitte sehr präzise erfasst, den Originaltext nicht willkürlich verändert, die Anmerkungen sehen handschriftlich aus, haben echte menschliche Denkspuren und rote Stiftnotizen und fügen sich gut in die Papiertextur ein.
Das Erstaunlichste ist, dass es den echten Denkprozess der Schüler nachgebildet und dargestellt hat: von der anfänglichen Verwirrung über das Wort „Menschen fressen“ bis zur Analyse der „heuchlerischen“ Natur.
Nachdem der Fehler im weiteren Dialog hingewiesen wurde, hat Qwen-Image-3.0 ihn sofort korrigiert.
Als Nächstes prüfen wir, ob es alle komplexen Anforderungen in einem Bild unterbringen kann
Gute Darstellung von Details ist nur die erste Hürde.
Viele Bildgenerierungsmodelle können zwar zeichnen, aber sobald es zu viele Elemente im Bild gibt, gerät das Layout außer Kontrolle.
Um dieses Problem zu lösen, hat Qwen-Image-3.0 die Eingabelänge auf 4,5k Tokens erweitert.
In der zweiten Hürde nutzen wir ein sehr anschauliches 9-teiliges Diagramm, um seine tatsächliche Aufnahmekapazität und seine Fähigkeit zur horizontalen Ausbreitung zu prüfen.
