Qwen-Image-3.0 lager tettpakkede infografikker i én pass, men slipper ikke åpne vekter

Der tidligere bildemodeller måtte sy sammen tette layouter fra flere separate genereringer, pakker Alibabas Qwen-Image-3.0 ni infografikker i et 3x3-grid i én pass. Det skriver The Decoder om lanseringen fra Qwen-teamet. Hvert panel har egen tekst, egne formler og egne illustrasjoner, med temaer så spredt som Sylow-teoremer for grupper av orden 72, leverikters livssyklus og interne kontroller i banker.

Nøkkelen til de tette layoutene er promptlengden. Qwen-Image-3.0 tar imot prompter på opptil 4 500 tokens, nok til å beskrive en hel side i ett kall i stedet for å bygge den opp bit for bit. Modellen skal ifølge Qwen kunne rendre lesbar tekst så liten som ti piksler, flerlinjes LaTeX-formler med brøker, summer og indekser, og tolv språk innebygd, deriblant japansk, koreansk og spansk. En demo starter i et VSCode-vindu som inneholder en Qwen Chat-skjerm, som igjen viser en WeChat-samtale med en plakat om traktekaffe.

Qwen oppsummerer målet med tredjeversjonen i ett ord.

«Real» — Qwen-teamet, om hva Qwen-Image-3.0 sikter mot

Der første versjon handlet om «presisjon» og andre om «presisjon, variasjon, fullstendighet, skjønnhet og autentisitet», er ambisjonen nå at bildene skal fungere som ekte arbeidsdokumenter: avisoppsett, storyboards og prøvesett, ikke bare pene bilder.

For deg som bygger, ligger den viktigste detaljen i tilgangen. Qwen-Image-3.0 finnes foreløpig kun bak invitasjons-API, med planer om å dukke opp i Qwens egne apper som Qwen Chat. I motsetning til den opprinnelige Qwen-Image er det lite trolig at vektene slippes under en åpen lisens. Du kan altså ikke laste den ned fra Hugging Face og kjøre den lokalt slik du kunne med forgjengeren, og det låser bruken til Alibabas infrastruktur og kvoter.

Til sammenligning kom forgjengeren Qwen-Image-2.0 i mai, med en raskere variant som trengte fire i stedet for 40 steg per bilde. På Alibabas egen arena-plattform landet den like bak OpenAIs GPT-Image-2 og Googles Nano Banana Pro, så Qwen-serien konkurrerer i toppsjiktet på bildekvalitet.

Nytteverdien av flere av demoene er likevel uklar. Forskere skriver og setter opp artikler i LaTeX, ikke som statiske bilder, så KI-genererte sider med formler passer bedre til mockups og visuelle utkast enn til ferdige dokumenter. Det samme gjelder avissider og infografikker: søkbare og redigerbare formater gir mer fleksibilitet for produksjonsarbeid enn et flatt bilde. Det som er tydelig, er hvor langt tekstgjengivelse i bildemodeller har kommet, og at et lukket topp-API fra Alibaba nå gjør det vanskeligere å bygge egne verktøy oppå den samme teknologien.