Qwen-Image-3.0が長文指示と微細文字の画像生成に対応

Alibaba Cloudは、情報量の多い紙面や画面を一度に生成し、微細な文字や質感まで描く基盤画像モデルQwen-Image-3.0を発表しました。

要点

• 入力上限を4.5kトークンまで広げ、新聞、絵コンテ、試験問題のような複雑な配置を一度に指示できます。
• 10px程度の小さな文字、数式、毛髪や皮膚の質感など、細部の再現性を重視しています。
• 12言語、100以上の画風、Webやゲーム、ライブ配信画面などの表現に対応すると説明しています。

今回のブログ記事で語られていること

Qwen-Image-3.0の中心語は「Real」です。単に写真らしい絵を作る意味ではなく、Rich Content、Authentic Details、Deep Knowledgeの三つを合わせ、成果物として使える情報密度と正確さを目指しています。3×3の各区画に数学、物理、生物、医療、銀行統制など別々の図解を置く例では、約3.7kトークンの指示を一枚の画像として処理します。VS Code、Qwen Chat、WeChat、広告画像を入れ子にする例は、要素数だけでなく画面階層の理解も示すものです。

細部では、10pxの文字やLaTeX数式、添字、ギリシャ文字を含む学術資料を例に挙げ、人物の毛穴や髪、物体の素材感も扱います。破損した伝統絵画を元の筆致に合わせて補う編集例もあります。知識面では日本語、韓国語、スペイン語を含む12言語、複数のUI、分類情報付きの研究図を提示し、必要に応じてWeb検索で新しい情報を参照する例も示しました。

ただし、公開例の見栄えは自社用途での文字正確性や事実性を保証しません。教材、帳票、研究図、広告へ使う場合は、文字列一致、数式、商標、人物表現、取得した外部情報の時点を別々に評価する必要があります。長い指示を一度に描けることと、全要素が正しいことは同義ではありません。まず代表的な高密度レイアウトを固定し、再生成時の崩れや人手修正量を測るのが現実的です。

制作工程へ入れるなら、入力指示と生成画像だけでなく、モデル版、乱数条件、参照画像、検索で取得した情報を保存します。小さな文字は拡大表示とOCRで照合し、数式や多言語は担当者が校正します。画像全体の好みを尋ねる評価と、文字・配置・事実を項目単位で採点する評価を分けることで、実務に使える改善点が見えます。

今回のブログ記事が関係する人

画像生成を教材、デザイン、EC、研究資料、UI試作へ組み込むチームと、生成物の品質・権利確認を担当する人に関係します。

結局、今回のブログ記事をどう読むべきか

画像生成を一枚絵から、文字と知識を含む編集可能な業務成果物へ近づける更新です。採用判断では公開デモより、自社の細かい文字と事実確認に必要な後工程を測るべきです。