- 次世代の画像生成モデルで、テキストと画像の生成・編集を統合した単一アーキテクチャを実現
- 1kトークンの指示に対応し、PPT、ポスター、漫画など複雑なインフォグラフィックを直接生成
- 2K解像度ベースの精細で写実的な描写と正確な文字レンダリングを同時に実現
- モデルの軽量化により推論速度を高め、テキスト-画像・画像-画像の両ベンチマークで優れた性能を記録
- 精密さ（准）、複雑さ（多）、美しさ（美）、リアリティ（真）、整列性（齐）という5つの中核特性により、プロフェッショナルなビジュアルコンテンツ制作の効率を最大化
Qwen-Image-2.0 概要
- Qwen-Image-2.0は次世代の画像生成基盤モデルで、テキストレンダリングと画像編集を統合した単一アーキテクチャを採用
- 1kトークンの指示を処理し、PPT、ポスター、漫画などのプロフェッショナルなインフォグラフィックを直接生成
- 2K解像度で人物、自然、建築などの精細で写実的なシーンを表現
- テキスト理解と生成の統合により、画像生成と編集を1つのモードで実行
- 軽量化されたモデル構造により高速な推論速度を確保
- AI Arenaのブラインドテストで、テキスト-画像および画像-画像タスクの両方で優れた性能を記録
モデルの発展過程
- Qwen-Imageシリーズは生成トラックと編集トラックを並行して発展させてきた
- 2025年8月のQwen-Imageはテキストレンダリングの精度を強化
- 2025年12月のQwen-Image-2512はディテールとフォトリアリズムを向上
- 編集トラックでは、単一画像編集（8月）→ 複数画像編集（9月）→ 一貫性改善（12月）へと拡張
- Qwen-Image-2.0はこの2つのトラックを1つの統合モデルに結合し、生成と編集の両方で卓越した結果を達成
精密さ（准）と複雑さ（多）
- モデルは複雑な「絵の中の絵」構成を正確に実装し、PPT制作の効率を高める
- 例として、同一人物の2枚の画像を上下に配置した複合シーンを、視覚的一貫性を保ちながら生成
- 1kトークンの指示により、多段構造のインフォグラフィック（例: A/Bテストレポート）を完全にレンダリング
- 表、グラフ、数値、注釈など複合要素を含む、プロ向けレポート水準のビジュアル資料を生成可能
- LLMの世界知識を活用し、簡単なリクエストを自動で詳細な描写プロンプトに拡張可能
- 例: 「杭州2日旅行ポスター」というリクエストを、詳細な様式・背景・文字構成へと変換
美しさ（美）
- テキストと画像の造形的な調和を実現
- 詩書画一体の構図による中国伝統書画スタイルを正確に再現
- 多様な書体（例: 瘦金体、小字体）を精密に表現
- 例として、宋代の詩文を含む水墨画や、王羲之の「兰亭序」を小字体でほぼ完璧に再現
リアリティ（真）
- 光学的反射、材質、遠近感を精密に表現し、現実感を強化
- 例: ガラス製ホワイトボード、衣類、雑誌表紙など異なる材質の上にあるテキストを正確にレンダリング
- 映画ポスター水準の照明・質感・材質の統合表現を実現
- 例: 「千灯问心」のポスターでは、金属、雨、布の質感が自然に融合
整列性（齐）
- カレンダー、漫画、インフォグラフィックなど複数のテキスト構造において、整列と配置を自動調整
- 例: 2026年2月のカレンダーで、日付・旧暦・注釈を正確にグリッド内へ整列
- 漫画の吹き出しテキストを中央揃えにして、自然な会話の流れを実現
- OKRインフォグラフィックでテキストブロックと矢印を自動整列し、色分け
フォトリアリズムの強化
- 23種類以上の緑系統を区別し、夏の森の生態的なリアリティを表現
- 葉の質感、反射光、湿度、空気中の粒子に至るまで精細に描写
- 人体と動物の筋肉、表情、質感を精密に再現
- 例: 馬が人を踏む場面で、筋肉の緊張、皮膚の質感、埃の粒子まで表現
画像編集機能
- 生成と編集を統合したOmniモデルとして、生成側の改善が編集にも直接反映される
- 既存画像の上に詩・文字の挿入が可能
- 2枚の画像の人物合成、自然な照明・影の一致を維持
- 実写写真とカートゥーンキャラクターの混合編集も可能
- 例: 2人の人物の合成写真や、都市写真の上にキャラクターを挿入するケースなどで、自然に統合された結果を提供
ブログヘッダー画像「Qwen Street」
- 北京の冬の街並みを背景に、2つの店舗がQwen-Image-2.0の中核機能を象徴
- 左の書道店の看板: 「文字渲染」、店内に「专业幻灯片 中英文海报 高级信息图」
- 右の花屋の看板: 「真实质感」、ドアの上の表示は「2k resolution」
- 中央の雪だるまが持つ黒板: 「Qwen-Image-2.0 正式发布」
- 通りには「更小模型，更快速度」と書かれた配達ライダーが登場
結論
- Qwen-Image-2.0は精密さ・複雑さ・美しさ・リアリティ・整列性をすべて備えた統合画像生成モデル
- テキストと画像の境界を取り払い、プロ向けインフォグラフィック・ビジュアルコンテンツ制作の自動化レベルを大幅に向上
- 研究や創作で活用する際は、Qwen-Image Technical Report (arXiv:2508.02324) の引用を推奨
1件のコメント
Hacker News の反応
このミームは、中国の有名司会者 ツァイ・カンヨン(蔡康永) が授賞式で背中に馬を背負った衣装を着た出来事に由来する
当時、彼は「マー・チーレン(马启仁)」という名前の男性との噂に巻き込まれていたが、この名前は中国語で「馬に乗る人(马骑人)」と同じ発音だった
この出来事がネット上で広まりミーム化し、だから「horse riding man」の例も完全に唐突というわけではない
ただし画像自体は依然として 不吉で奇妙な雰囲気 を与える
写真リンク
普通は逆に「人が馬に乗る」ほうが簡単で、「馬が人に乗る」のほうがより難しい埋め込みだ
翻訳されたプロンプトを見ると、「馬の年が白人エンジニアを征服する」という風刺的なニュアンスもあった
SD1.5 がこれをどう描くのかは見たくない
つまり、名前が「馬に乗る人」のように聞こえるだけで、直訳ではない
関連記事: Horse Rides Astronaut Redux
たとえばアメリカ企業なら、こういう画像をスケジュール表や販促物に使うと反発を心配しそうだ
例の画像
「宇宙飛行士が馬に乗る」画像はうまく作れるが、「馬が宇宙飛行士に乗る」画像は最後まで失敗した
この問題は最新モデルでも続いており、Qwen Image チームもこの 難しいベンチマーク を意識していたはずだ
結局「宇宙飛行士=人」なので、このテストは中国のミームとつながる
1️⃣ これまでのリリースパターンを見ると、3〜4週間以内にオープンウェイト の可能性が高い
2️⃣ Z‑Image Turbo(6B)、Flux.2 Klein(9B) のように、低スペックGPUでも動かせるモデル を目指しているようだ
3️⃣ 画像生成と編集を統合した 単一モデル なので、Qwen‑Image と Qwen‑Edit を分けておく必要がない
4️⃣ 私の GenAI Showdown では、Qwen‑Image はローカルモデルの中で編集性能1位、生成性能も上位だった
ローカル版が出たらサイトに追加する予定だ
20B モデルなら 20GB RAM で十分で、この規模なら iGPU でも可能だ
128GB 統合 RAM 構成も 2200 ドル程度で可能だ
GPU を別で買うよりずっと安いセットアップだ
独自 VAE を使っていて 高周波アーティファクト の問題があった
新しい Qwen 2 は 7B パラメータではるかに軽くなり、Qwen 3 VL にアップグレードされた
いまや Image と Edit を統合した Omni モデル へと進化した
Z‑Image、Klein、Qwen の3モデルが同時に「SDXL2」の座を争っている
オープンウェイトが公開されたら本当に面白くなりそうだ
3〜4か月ごとに SOTA が入れ替わり、前四半期の革新は API 商品になる
いまのボトルネックはモデルではなく プロンプトを扱う人 だ
コード生成でも同じパターンが見える
荒涼とした草原、土ぼこり、茶色い馬が男を押さえつける場面など、極度に写実的な描写 で構成されている
全体として原初的な緊張感と生物的な力の衝突を表現した画像だ
関連リンク
ただ画像生成には対応していないので、Qwen のような diffusion モデル を Linux で動かすときに何のツールを使うのか気になる
コミュニティが量子化、gguf フォーマット変換、速度最適化まで全部やってくれる
主に
diffusersを使っているが、速度は遅くても 新アーキテクチャ対応が早いサイト / リリースノート
縦書き用の句読点（例: ︒）を使うべきだ
LinkedIn はそういう画像であふれている
良いインフォグラフィックを作れたり説明できたりする人はほとんどいない
ほかの例は Gas Town スレッド を参照
最後の公開は 2025年12月ごろだった
ブログと同じプロンプトならうまく動くが、入力を少し変えるだけで パネル数がずれたり 英語のセリフが中国語に変わったりする
つまり、まだ 一貫性に欠ける機能 だ
まあ、それぞれの選択ということだろう