實測Qwen-Image-3.0：最新圖像模型夠「實」嗎？

今天，阿里通義團隊發(fā)布了他們第三代圖像生成模型：Qwen-Image-3.0 。

官方博客用了一個字來概括這一代的核心進步，「實」。

不是好看，不是炫技，是「實」。內(nèi)容豐實、細節(jié)真實、知識厚實。

具體來說：支持最大4.5k token的超長指令輸入，可以在同一張圖里塞進九宮格級別的復(fù)雜信息量，每個格子都是一張獨立的信息圖，而且是一次性生成，不是多張拼接。文字渲染精度做到了10px小字依然清晰可辨，LaTeX公式、學(xué)術(shù)論文排版無障礙。覆蓋12國語言的原生渲染，支持100多種藝術(shù)風(fēng)格，甚至能聯(lián)網(wǎng)搜索實時信息直接生成天氣預(yù)報圖。

如果你看過我們之前對AI圖像模型的報道，會知道這種「官方宣布重大突破」我們已經(jīng)聽了不少次。每一次新模型發(fā)布都在講自己的新高度，但真正用起來怎么樣，往往需要親自上手才知道。

尤其是，對面的GPT-Image-2今年4月剛把Image Arena排行榜的第一名甩開第二名242分，這是該榜單有史以來最大的領(lǐng)先差距 。99%字符準確率、原生4K輸出、3秒內(nèi)出圖、Thinking Mode自檢機制，這些數(shù)字讓Qwen-Image-3.0一出生就直接面對著一個幾乎滿級的對手。

所以我們決定做一件直接的事：用完全相同的Prompt，在Qwen-Image-3.0和GPT-Image-2上各跑一次，把結(jié)果并排擺出來看。

下面是我們實測的5個維度（所有測試案例均是Qwen生成在前）。

復(fù)雜排版：科學(xué)海報

先上最難的，Qwen-Image-3.0官方博客中重點展示了它的「內(nèi)容可橫展」能力，一次性生成包含九個獨立信息圖的復(fù)雜九宮格。我們設(shè)計了一張?zhí)栂悼破蘸笞鳛闇y試題：8個星球信息塊圍繞中心的太陽系插圖排列，底部一條橫跨全寬的banner列出了六個行星與太陽的平均距離。

先說結(jié)論：GPT-Image-2贏了這一局，而且贏得很干脆。

Qwen這邊的問題不在于排版，排版本身沒問題，文字沒有重疊、格子排列整齊。問題出在了更根本的地方：它畫錯了太陽系。這幅本該是「太陽系示意圖」的插圖，生成的結(jié)果反而更像某種漫畫風(fēng)格的太空插畫，行星的相對位置、大小關(guān)系、甚至連最基本的空間結(jié)構(gòu)都不對。作為一個科普海報的核心信息載體，這種錯誤是不能接受的。

GPT-Image-2的版本則規(guī)規(guī)矩矩：8個信息塊的文字全部正確，網(wǎng)格線清晰分隔了每個區(qū)域，底部長banner的超長文字完整渲染，整體排版規(guī)則、均衡，沒有炫技但也沒有出錯。畫風(fēng)是專業(yè)科學(xué)插圖的風(fēng)格，不是漫畫。

坦白說，這個結(jié)果挺讓人意外的。Qwen-Image-3.0的「內(nèi)容豐實」賣點里，首當(dāng)其沖的就是復(fù)雜版面一次生成。但一張?zhí)栂岛髤s把太陽系畫錯了，不是文字錯了，是物理錯了。這比單純的文字排版出錯更核心，因為它考驗的不是「能不能渲染」，而是「知不知道自己在渲染什么」。

五種語言，一塊屏

第二個測試是多語言文字渲染，Qwen宣稱支持12國語言，GPT-Image-2宣稱99%字符準確率。我們設(shè)計了一個國際機場場景，航班信息板同時包含中文、日文、韓文、英文、阿拉伯文五種文字。

結(jié)果：GPT-Image-2五種語言全部正確，Qwen-Image-3.0在阿拉伯文上出了問題。

具體來說，Qwen的日文、韓文、英文、中文都準確渲染，沒有亂碼也沒有方塊字，但阿拉伯文部分寫錯了。

而且從整體畫面來看，GPT-Image-2的告示板有明顯的顏色區(qū)塊區(qū)分（不同行用了不同底色），更接近真正的航班信息屏；Qwen這塊板子從頭到尾一個顏色，視覺效果顯得扁平。

一個有意思的細節(jié)：Qwen在機場場景本身的寫實度上沒有輸，航站樓、人群、光影都在線。但文字的部分，GPT-Image-2這邊確實更像一塊真正掛在機場天花板下的出發(fā)屏。

誰更像真人？

第三個測試是寫實人像，Qwen官方宣稱「毛孔與發(fā)絲纖毫畢現(xiàn)，肌膚質(zhì)感逼近攝影級真實」，GPT-Image-2在第三方評測中寫實度拿下了97%的分數(shù)（ZDNET測試）。Prompt設(shè)定了一位70歲老人坐在窗邊的陰天光影場景，點名要了85mm f/1.4的淺景深效果。

結(jié)果出人意料地接近。

兩個模型都沒有出現(xiàn)明顯的AI感，沒有塑料皮膚，沒有過度光滑的年輕化美化，皺紋、曬斑、銀色的胡茬都還原到位。光影的柔和過渡也符合「陰天窗光」的描述。

唯一的區(qū)別是面孔的種族特征：Qwen生成了一張亞洲面孔，GPT-Image-2生成了歐洲面孔。Prompt中沒有指定種族，兩個模型各自走了自己訓(xùn)練數(shù)據(jù)中「老年人肖像」的默認路徑。

這一局我們判平手。如果要挑刺，兩家都在同一個問題上沒有犯錯，這本身已經(jīng)說明了這一代圖像模型的寫實功底。

會做UI的AI

第四個測試有意思了，Qwen官方博客用了一個非常炫的演示：一張圖里從外到內(nèi)依次嵌套了VSCode編程界面、千問聊天界面、微信聊天界面、手沖咖啡海報，四層「畫中畫」，UI仿真是他們重點展示的能力。

我們設(shè)計了一個更接地氣的測試：一個帶中文內(nèi)容的暗黑模式社交App截圖。底部導(dǎo)航欄、用戶頭像、點贊評論數(shù)據(jù)、emoji和話題標簽、三條中文評論，這些元素缺一不可。

中文文字渲染上，兩個模型都沒有出錯。評論區(qū)的中文、話題標簽、emoji全部正常顯示。

但Qwen犯了一個更低級的錯誤：邏輯錯了。

在這張「截圖」里，評論區(qū)每條評論的昵稱出現(xiàn)在了評論內(nèi)容的下面，而不是上面。用過任何一個社交App的人都知道，昵稱在內(nèi)容上面是基本的信息層級，你先看到是誰說的，再看到他說了什么，Qwen把這個層級搞反了。

GPT-Image-2沒有犯這個錯誤，而且整體來看，GPT-Image-2的版本更接近一張真實的手機截圖，按鈕比例、卡片間距、文字大小都更自然。Qwen的UI元素雖然都在，但組合在一起的時候，缺少一種「這是一個真正被設(shè)計和上線過的App」的整體感。

有時候不是能力問題，是對交互常識的理解問題。

拉到極限，誰先崩？

最后一個測試是純壓力的，一個超寬畫幅的未來生態(tài)城市：左側(cè)是覆蓋垂直花園的摩天樓群，中間是太陽能船穿行的河流，右側(cè)是巨大的公園里有至少20個可見的人物，天空中有送貨無人機和透明飛艇。Prompt明確要求了「8K quality」「ultra detailed」「wide panoramic aspect ratio」。

先比分辨率，GPT-Image-2直接輸出了原生4K（3840×2160），Qwen的輸出是2K級別，這一點上GPT-Image-2的硬件上限更高。

再比細節(jié)崩壞，兩個模型在人臉上都沒有翻車，20個人物的面部沒有出現(xiàn)明顯的扭曲或變形。但Qwen在個別人物的腿部出現(xiàn)了輕微的變形，GPT-Image-2因為生成的視角更遠，一些遠景人物的臉上多少有點不太自然。

速度方面，Qwen整體更快一些。

這一局的結(jié)論是：兩個模型在極限復(fù)雜場景下都沒有崩盤，但GPT-Image-2贏在了分辨率上限，Qwen贏在了速度。如果你需要一張能直接放進印刷品的高分辨率全景圖，GPT-Image-2目前沒有對手。如果你是快速迭代、批量出圖的工作流，Qwen的速度優(yōu)勢會更明顯。

五輪下來，誰更「實」？

我們把五個維度的結(jié)果拉通來看：

文字準確率：GPT-Image-2領(lǐng)先。測試01和02中，GPT在英文和五種語言混合渲染中保持全對，Qwen在阿拉伯文和科學(xué)知識的準確性上丟了分。

排版與信息密度：打平。兩個模型在復(fù)雜排版的基礎(chǔ)能力上都在線，Qwen的九宮格級信息承載能力確實存在，只是內(nèi)容本身出了問題，不是排版的問題。

寫實度：打平。人像測試中兩者都到了「看不出AI感」的水平，面孔的種族差異是訓(xùn)練數(shù)據(jù)偏好問題，不是能力問題。

UI與交互邏輯：GPT-Image-2領(lǐng)先。Qwen的中文UI在文字層面沒問題，但評論區(qū)昵稱和內(nèi)容的上下層級搞反了，這是一個交互常識問題，不是渲染精度問題。

極限輸出：各有所長。GPT-Image-2原生4K分辨率上限更高，Qwen生成速度更快。

回到官方那個字，「實」。

來源：Qwen官方博客

內(nèi)容豐實？Qwen-Image-3.0確實能裝下4.5k token的信息量，排版層面過關(guān)了。但「裝得下」不等于「裝得對」，太陽系海報的翻車說明模型對知識內(nèi)容的理解還沒跟上它的排版能力。

細節(jié)真實？過了。人像測試證明了這一點，跟GPT-Image-2正面硬剛沒落下風(fēng)。

知識厚實？12國語言覆蓋面確實廣，但阿拉伯文出錯說明覆蓋的深度還不夠均勻。UI評論區(qū)邏輯顛倒說明「世界知識」不只是知道一件東西長什么樣，還包括知道它應(yīng)該怎么用。

「實」這個字的承諾還沒有完全兌現(xiàn)，它需要在對內(nèi)容的「理解」而非僅僅是「渲染」上，再往前走一步。