Relatório Técnico do Qwen-Image-2.0
Qwen-Image-2.0 Technical Report
May 11, 2026
Autores: Bing Zhao, Chenfei Wu, Deqing Li, Hao Meng, Jiahao Li, Jie Zhang, Jingren Zhou, Junyang Lin, Kaiyuan Gao, Kuan Cao, Kun Yan, Liang Peng, Lihan Jiang, Niantong Li, Ningyuan Tang, Shengming Yin, Tianhe Wu, Xiao Xu, Xiaoyue Chen, Xihua Wang, Yan Shu, Yanran Zhang, Yi Wang, Yilei Chen, Ying Ba, Yixian Xu, Yujia Wu, Yuxiang Chen, Zecheng Tang, Zekai Zhang, Zhendong Wang, Zihao Liu, Zikai Zhou, An Yang, Chen Cheng, Chenxu Lv, Dayiheng Liu, Fan Zhou, Hantian Xiong, Hongzhu Shi, Hu Wei, Huihong Zhao, Ivy Liu, Jianwei Zhang, Jiawei Zhang, Kai Chen, Kang He, Levon Xue, Lin Qu, Linhan Tang, Luwen Feng, Minggang Wu, Minmin Sun, Na Ni, Rui Men, Shuai Bai, Sishou Zheng, Tao Lan, Tianqi Zhang, Tingkun Wen, Wei Wang, Weixu Qiao, Weiyi Lu, Wenmeng Zhou, Xiaodong Deng, Xiaoxiao Xu, Xinlei Fang, Xionghui Chen, Yanan Wang, Yang Fan, Yichang Zhang, Yixuan Xu, Yu Wu, Zhiyuan Ma, Zhizhi Cai
cs.AI
Resumo
Apresentamos o Qwen-Image-2.0, um modelo fundamental de geração de imagens com capacidade total que unifica geração de alta fidelidade e edição precisa de imagens em um único arcabouço. Apesar do progresso recente, os modelos existentes ainda enfrentam dificuldades com renderização de textos ultralongos, tipografia multilíngue, fotorrealismo em alta resolução, seguimento robusto de instruções e implantação eficiente, especialmente em cenários ricos em texto e composicionalmente complexos. O Qwen-Image-2.0 enfrenta esses desafios ao acoplar o Qwen3-VL como codificador de condição a um Transformador de Difusão Multimodal para modelagem conjunta condição-alvo, apoiado por curadoria de dados em larga escala e um pipeline de treinamento personalizado em múltiplos estágios. Isso possibilita uma forte compreensão multimodal, preservando ao mesmo tempo capacidades flexíveis de geração e edição. O modelo suporta instruções de até 1K tokens para gerar conteúdo rico em texto, como slides, pôsteres, infográficos e quadrinhos, ao mesmo tempo que melhora significativamente a fidelidade do texto multilíngue e a tipografia. Também aprimora a geração fotorrealista com detalhes mais ricos, texturas mais realistas e iluminação coerente, e segue prompts complexos de forma mais confiável em diversos estilos. Avaliações humanas extensas mostram que o Qwen-Image-2.0 supera substancialmente os modelos Qwen-Image anteriores tanto em geração quanto em edição, marcando um passo em direção a modelos fundamentais de geração de imagens mais gerais, confiáveis e práticos.
English
We present Qwen-Image-2.0, an omni-capable image generation foundation model that unifies high-fidelity generation and precise image editing within a single framework. Despite recent progress, existing models still struggle with ultra-long text rendering, multilingual typography, high-resolution photorealism, robust instruction following, and efficient deployment, especially in text-rich and compositionally complex scenarios. Qwen-Image-2.0 addresses these challenges by coupling Qwen3-VL as the condition encoder with a Multimodal Diffusion Transformer for joint condition-target modeling, supported by large-scale data curation and a customized multi-stage training pipeline. This enables strong multimodal understanding while preserving flexible generation and editing capabilities. The model supports instructions of up to 1K tokens for generating text-rich content such as slides, posters, infographics, and comics, while significantly improving multilingual text fidelity and typography. It also enhances photorealistic generation with richer details, more realistic textures, and coherent lighting, and follows complex prompts more reliably across diverse styles. Extensive human evaluations show that Qwen-Image-2.0 substantially outperforms previous Qwen-Image models in both generation and editing, marking a step toward more general, reliable, and practical image generation foundation models.