Qwen VLo

Qwen VLo是阿里巴巴通義千問團隊於2025年6月推出的多模態統一理解與生成模型，具備圖像理解與生成能力。

該模型採用漸進式生成方式，通過從上到下、從左到右的分步構建機制，支持動態解析度訓練框架，可處理任意長寬比的圖像輸入與輸出。其開放指令編輯功能能回響自然語言指令完成風格遷移、場景重構等操作，同時支持中文、英文等多語言互動。在廣告設計、漫畫分鏡等需精細控制的內容創作領域，該模型通過逐步生成最佳化的機制實現畫面一致性。用戶可通過Qwen Chat平台線上體驗，當前版本處於預覽階段。

基本介紹

• 軟體名稱：Qwen VLo
• 上線時間：2025年6月
• 軟體語言：中文、英文
• 開發商：阿里巴巴通義千問團隊
• 軟體授權：免費可用
• 軟體版本：預覽版

研發背景

Qwen VLo是阿里巴巴通義千問團隊於2025年6月27日推出的多模態統一理解與生成模型。該模型在阿里原有的多模態理解和生成能力（如QwenVL、Qwen2.5 VL等）基礎上進行了全面升級和最佳化，旨在實現從感知到生成的跨越，不僅能夠“看懂”世界，更能基於理解進行高質量的再創造。

發展歷程

2025年6月27日，阿里雲通義千問推出多模態統一理解與生成模型Qwen VL0。

重要事件

2025年6月27日，阿里通義千問宣布推出Qwen VLo——一個多模態統一理解與生成模型。該模型發布後，用戶即可通過Qwen Chat平台線上體驗。

核心技術

Qwen VLo採用漸進式生成方式，在生成圖像時從左到右、從上到下逐步構建畫面，並對預測內容不斷調整最佳化以確保畫面在結構、色彩、語義等方面的和諧統一。該模型運用動態解析度訓練技術，在圖像生成的輸入和輸出端都支持任意解析度和長寬比。

Qwen VLo具備開放指令編輯功能，能回響自然語言指令完成藝術風格遷移、場景元素添加、背景替換等操作。甚至可以通過編輯指令實現傳統視覺感知任務如預測深度圖、分割圖等。同時，模型支持包括中文、英文在內的多種語言指令，為全球用戶提供統一的互動體驗。

Qwen VLo的技術原理涉及一個統一的模型架構，包含視覺編碼器、輸入投影層、大型語言模型、輸出投影層和模態生成器。其訓練過程分為多個階段，實現了從感知到生成的跨越。

基於上述技術，Qwen VLo的核心功能包括內容理解與再創造、文本到圖像的生成、圖像檢測與標註，以及支持多張圖像的輸入理解和生成。

主要功能

功能簡介

Qwen VLo 能夠以一種漸進式生成方式，從左到右、從上到下逐步清晰地構建整幅圖片。在生成過程中，模型會對預測的內容不斷調整和最佳化，從而確保最終結果更加和諧一致。這種生成機制不僅提升了視覺效果，還為用戶帶來了更靈活、更可控的創作體驗。

Qwen VLo 採用動態解析度訓練，支持動態解析度生成。無論是輸入端還是輸出端，模型都支持任意解析度和長寬比的圖像生成。這意味著用戶不再受限於固定的格式，可以根據實際需求生成適配不同場景的圖像內容，無論是海報、插圖、網頁 Banner 還是社交媒體封面，都能輕鬆應對。

此外，Qwen VLo 還創新性地引入了一種全新的生成機制：從上到下、從左到右逐步清晰的生成過程。這一機制不僅提升了生成效率，還特別適用於需要精細控制的長段落文字生成任務。例如，在生成帶有大量文本的廣告設計或漫畫分鏡時，Qwen VLo 逐步生成慢慢修改。這種漸進式的生成方式讓用戶可以實時觀察生成過程，並根據需要進行調整，從而獲得最佳的創作效果。

核心亮點

1、更精準的內容理解與再創造

以往的多模態模型在生成過程中容易出現語義不一致的問題，例如將汽車誤生成其他類型的物體，或者無法保留原圖的關鍵結構特徵。而 Qwen VLo 通過更強大的細節捕捉能力，能夠在生成過程中保持高度的語義一致性。例如，當用戶輸入一張汽車的照片並要求“更換顏色”時，Qwen VLo 不僅能準確識別車型，還能保留其原有的結構特徵，同時完成色彩風格的自然轉換，讓生成結果既符合預期又不失真實感。

2、支持開放指令編輯修改生成

用戶可以通過自然語言提出各種創意性指令，如“將這張畫風改為梵谷風格”、“讓這張照片看起來像 19 世紀的老照片”或“給這張圖片添加一個晴朗的天空”。Qwen VLo 能夠靈活回響這些開放性指令，並生成符合用戶預期的結果。無論是藝術風格遷移、場景重構還是細節修飾，模型都能輕鬆應對。甚至一些傳統的視覺感知人物如預測深度圖、分割圖、檢測圖以及邊緣信息等也可以通過編輯指令輕鬆完成。更進一步，像很多更複雜的指令，比如一條指令中同時包含修改物體、修改文字、更換背景，模型也能輕鬆完成。

3、多語言指令支持

Qwen VLo 支持包括中文、英文在內的多種語言指令，打破了語言壁壘，為全球用戶提供了統一且便捷的互動體驗。無論您使用哪種語言，只需簡單描述您的需求，模型便能快速理解並輸出理想結果。

運營模式

用戶可通過Qwen Chat平台線上體驗Qwen VLo模型，當前版本為預覽版且免費可用。

該模型支持使用自然語言進行互動，用戶可通過輸入框直接輸入指令來生成或編輯圖像，並支持中文、英文等多種語言。