هوش مصنوعی تازه علی‌بابا در تولید متن برای تصاویر به طرز فوق‌العاده‌ای کارایی دارد

علی‌بابا با توسعه مدل هوش مصنوعی Qwen-Image قصد دارد یکی از مشکلات متداول در ابزارهای تصویرساز را حل کند: تولید متن‌های قابل خواندن و دقیق در تصاویر. این مدل علاوه بر توانایی در ساخت تصاویر واقعی، قابلیت تولید پوسترها، اینفوگرافیک‌ها و طرح‌های گرافیکی شامل متن را نیز دارد.

اگر تاکنون از هوش مصنوعی خواسته‌اید پوستر خاصی طراحی کند، احتمالاً با حروف نادرست یا متن‌های نامشخص مواجه شده‌اید. این مشکل به‌خصوص زمانی که متن‌های طولانی یا زبان‌هایی با نویسه‌های پیچیده تولید می‌شود، بیشتر نمایان است.

تیم Qwen در علی‌بابا با ارائه مدل Qwen-Image در پی اصلاح دقت نمایش متن در تصاویر تولیدی هستند. نسخه اولیه این مدل بر پایه ۲۰ میلیارد پارامتر و معماری MMDiT طراحی شد و بر روی تولید تصویر از متن و ویرایش دقیق متمرکز بود.

طبق گفته توسعه‌دهندگان، Qwen-Image برای نمایش نویسه‌های چینی عملکرد خوبی دارد؛ زبانی که به‌دلیل تنوع و پیچیدگی حروف، یکی از چالش‌های اصلی برای مدل‌های تصویرساز محسوب می‌شود.

نسخه Qwen-Image-2512 با تغییرات در نمایش چهره‌های انسانی، جزئیات طبیعی و دقت متن‌های داخل تصاویر بهبود یافته است.

این نسخه می‌تواند جزئیات بیشتری از مناظر طبیعی، بافت لباس و ویژگی‌های انسانی را بازسازی کند. همچنین، بهبود در چیدمان متن و هماهنگی آن با عناصر بصری نیز گزارش شده است.

توسعه‌دهندگان اذعان دارند که مدل Qwen-Image-2512 در بیش از ۱۰ هزار دور ارزیابی کور در پلتفرم AI Arena مورد آزمایش قرار گرفت و با توجه به نتایج، به عنوان یکی از توانمندترین مدل‌های متن‌باز تصویرسازی در زمان معرفی شناخته شد. با این حال، این نتایج نشان‌دهنده عملکرد بدون نقص مدل در تمامی زبان‌ها و شرایط نیست.

مرحله بعدی توسعه از تاریخ ۱۰ فوریه ۲۰۲۶ (بهمن و اسفند ۱۴۰۴) با ارائه نسخه Qwen-Image 2.0 آغاز خواهد شد. این نسخه جدید از دستورات متنی تا حدود هزار توکن پشتیبانی می‌کند و می‌تواند بر اساس توضیحات نسبتاً طولانی، پوسترها، ارائه‌ها، کمیک‌ها و اینفوگرافیک‌ها تولید کند.

پشتیبانی از وضوح تصویر 2K، بهبود در درک دستورهای پیچیده و معماری سبک‌تری با سرعت پردازش بیشتر، از دیگر ویژگی‌های Qwen-Image 2.0 محسوب می‌شوند.

علی‌بابا همچنین در نسخه ۲٫۰ قابلیت تولید و ویرایش تصاویر را یکپارچه کرده است؛ به این ترتیب، کاربران می‌توانند از یک مدل برای تولید تصویر جدید و تغییر تصاویر موجود بهره ببرند.

مدل‌های مربوط به خانواده Qwen-Image از طریق مخزن رسمی پروژه در گیت‌هاب برای توسعه‌دهندگان در دسترس است.

وزن‌های نسخه‌های منتشرشده برای تولید و ویرایش تصاویر نیز در پلتفرم‌های هاگینگ فیس و ModelScope موجود است. کاربران می‌توانند برای آزمایش مدل بدون نیاز به نصب نرم‌افزار از نسخه‌های نمایشی هاگینگ فیس یا سرویس Qwen Chat استفاده کنند.

با وجود پیشرفت‌های ذکر شده، هنوز نمی‌توان گفت که Qwen-Image تمامی نوشته‌ها را بدون اشکال تولید می‌کند. دقت خروجی به عوامل مختلفی از جمله زبان، طول متن، پیچیدگی چیدمان و نسخه مدل بستگی دارد. به‌ویژه برای زبان فارسی، بدون انجام آزمایش‌های مستقل نمی‌توان نتیجه‌گیری قطعی درباره موفقیت آن داشت.

توجه علی‌بابا به ارتقاء تولید متن در تصاویر می‌تواند Qwen-Image را به گزینه‌ای کارآمد برای طراحی پوسترها، تولید محتوای تبلیغاتی، ساخت اینفوگرافیک‌ها و تهیه اسلایدهای تصویری تبدیل کند؛ کاربردهایی که در آنها خوانایی نوشته‌ها به‌اندازه کیفیت تصویر اهمیت دارد.