Конец эпохи фотошопа? Новая Qwen Image 3.0 от Alibaba верстает инфографику и газеты за один клик

Нейросеть Qwen Image 3.0 способна за один проход верстать сложные газетные полосы и сетки инфографики, а также четко прорисовывать текст размером до 10 пикселей.

Но есть подвох: разработчики не опубликовали бенчмарки и закрыли исходный код.

Во вторник команда разработчиков Qwen из компании Alibaba представила новую модель Qwen Image 3.0. И ее главное позиционирование никак не связано с тем, насколько «красивыми» получаются картинки. Ставка сделана на то, способна ли модель приносить реальную пользу в работе.

Большинство современных ИИ-генераторов изображений — таких как Reve, Nano Banana или Seedream — создаются с прицелом на превосходство в конкретных творческих нишах: креативности, фотореализме или возможностях редактирования. Qwen Image 3.0 идет принципиально другим путем.

— Qwen-Image-3.0 стремится не просто к «красивой картинке» — модель нацелена на «полезность», превращая генерацию изображений в реально применимый инструмент для повышения продуктивности, — заявили разработчики в официальном релизе.

Главным козырем новой модели от китайского техногиганта стала работа с так называемым «насыщенным контентом» (rich content). Контекстное окно Qwen Image 3.0 способно вмещать до 4500 токенов, что в 4,5 раза превышает лимиты предыдущего поколения. Напомним, что токен — это базовая единица текста, которую считывает нейросеть (примерно равна одному слову или его части). Таким образом, 4500 токенов — это несколько страниц подробных, детально расписанных инструкций.

Этого объема достаточно, чтобы в рамках одного-единственного промпта пошагово описать девять отдельных блоков инфографики и получить их на выходе в виде единого, готового к работе изображения.

«Все это изображение было сгенерировано Qwen-Image-3.0 за один проход (single pass), а не склеено из нескольких разных картинок», — поясняет Alibaba в своем блоге. На демонстрационном примере каждый отдельный блок содержит собственные уникальные графики, формулы, подписи и мелкий шрифт. Все это создано единовременно, без какого-либо последующего монтажа в графических редакторах. На сегодняшний день это единственная ИИ-модель, способная справиться с подобным объемом верстки без грубых ошибок.

Второй важный аспект — «достоверность деталей» (authentic details). По заверениям Alibaba, модель «поддерживает точный рендеринг текста размером всего до 10 пикселей, а также детально воспроизводит поры кожи и отдельные волоски на микроуровне». Десять пикселей — это размер сверхмелкого шрифта (такой обычно используют на вкладышах к лекарствам или в юридических сносках). Кроме того, модель без труда справляется с языком разметки LaTeX (системой, которую ученые используют для записи сложных математических формул), аккуратно перенося их на макеты академических статей.

Обычно во время тестов мы даем моделям описание из нескольких предложений и смотрим, как они с ним справляются. Модели Qwen Image 3.0, судя по блогу Alibaba, удалось успешно сгенерировать сложное изображение.

Результат действительно впечатляет, хотя его и нельзя назвать абсолютно безупречным.

Третий столп, на котором держится Qwen Image 3.0 — «глубокие знания о мире» (deep knowledge). Как утверждает команда разработки, модель «из коробки поддерживает генерацию текста на 12 языках, умеет имитировать популярные цифровые интерфейсы (веб-страницы, игры, стриминговые платформы) и опирается на обширную базу знаний». Более того, нейросеть подключена к интернету для получения актуальных данных в реальном времени. Это значит, что если вы попросите ее нарисовать инфографику с прогнозом погоды для конкретного города на определенную дату, модель выдаст реальные синоптические данные, а не придумает цифры из головы.

В качестве примера Alibaba показала снимок насекомого на листе: модель смогла сгенерировать точный и научно достоверный сопроводительный текст, основываясь исключительно на визуальном анализе картинки.

Этой новинкой Alibaba надеется привлечь дизайн-студии, контент-мейкеров, e-commerce платформы и сферу образования — всех тех, кому регулярно требуются большие объемы готового к публикации визуального контента.

Однако стоит сделать важную оговорку. В собственном тесте компании Qwen-Image-Bench (который оценивает качество, эстетику и реалистичность изображений среди 18 различных моделей) предыдущий флагман Qwen Image 2.0 Pro занял лишь пятое место. Лидером рейтинга тогда стала модель GPT Image 2 от OpenAI. Новый релиз, возможно, покажет себя лучше, но сейчас подтвердить это независимыми тестами невозможно: модель вышла без сравнительных таблиц, технического отчета и без возможности скачать ее веса.

Для сравнения: первая версия Qwen Image 1.0 вышла с открытыми весами под лицензией Apache 2.0 и детальным техническим отчетом в день релиза. В этот раз все иначе. В рамках новой закрытой ИИ-стратегии Alibaba пользователям приходится верить на слово тщательно отобранным примерам, которые компания решила опубликовать в своем блоге.

Опробовать API модели можно на сайте chat.qwen.ai. Информация о ценах на коммерческое использование пока не раскрывается.

Примечания:

• Что такое LaTeX (b)? Модель умеет генерировать формулы в LaTeX. LaTeX — это популярный в научной среде язык разметки для компьютерной верстки сложных документов. Набрать громоздкую математическую формулу (с интегралами, матрицами и греческими символами) в обычном Word очень сложно, поэтому ученые пишут их кодом в LaTeX. То, что ИИ-модель может генерировать сложные формулы визуально без ошибок — это огромный прорыв для создания учебных материалов и научных симуляций.
• Рендеринг текста размером в 10 пикселей (10px): Для ИИ-генераторов изображений (таких как Midjourney или Stable Diffusion) текст всегда был главной головной болью. Раньше они вместо слов писали непонятную «кадабру» (символы, похожие на буквы). Модели последнего поколения (например, Flux или DALL-E 3) научились писать крупные слова. Но то то точное отображение сверхмелкого шрифта (10px) на сложных макетах — это технологический скачок, который делает ИИ пригодным для промышленной верстки и создания чертежей.
• Что значит «Нет открытых весов» (No open weights)? Когда разработчики ИИ публикуют модель с «открытыми весами» (open source / open weights), это означает, что любой программист может скачать эту модель себе на компьютер или сервер, дообучить ее и использовать бесплатно и без цензуры. То, что Alibaba закрыла веса Qwen Image 3.0, означает переход к коммерческой модели (как у OpenAI), когда доступ дается только по подписке или через платный API на их серверах.
• Токены в генерации картинок: Обычно текстовый запрос (промпт) для генерации картинок очень короткий — 20–50 слов. Лимит в 4500 токенов позволяет загрузить в модель целую статью или подробную главу учебника и сказать: «Сделай из этого инфографику». Модель сама прочитает текст, вычленит главное и распределит по блокам на картинке.