# Qwen-Image 3.0：画像AIの次の主戦場は「美しさ」ではなく「使えること」

> アリババの第3世代画像モデルは、情報が詰まった文字の多いレイアウトを狙う——4.5kトークンのプロンプト、10pxでも読める文字、12言語を一度に生成。だが現時点の主張はすべてベンダーのデモであり、ベンチマークではない。

_Source: Qwen (Alibaba) vendor blog — self-reported · 2026-07-21 · 6 min read_

Canonical: https://iyu.app/ja/e/qwen-image-3

## 60秒でわかる

アリババの Qwen-Image 3.0 は画像生成を生産性ツールとして再定義する——密で、文字が多く、レイアウトが正確で、実際の仕事のために作られた、ただ美しいだけではない画像。

**要点**

- 核となるテーマは「実」=使えること；三本の柱は豊富なコンテンツ、本物らしいディテール、深い知識。
- 目玉の主張：4.5kトークンのプロンプト、3×3情報グリッドを一度に生成、10px文字が判読可、12言語ネイティブ、ライブなウェブ情報。
- 新聞PDF、絵コンテ、複雑なUI、教育、EC を狙う。
- 数値はすべて自己申告で厳選デモ付き——独立したベンチマークはまだない。

**結論.** 画像AIの次の前線は「美しさ」より「使えること」だという大胆な賭け。仕様は検証できるが品質の主張はできない——その驚きを信じる前に外部の検証を待とう。

## 本文

> **⚑ Caveat:** 以下の数値と例はすべて **Qwen による自己申告**であり、厳選されたデモで示されています。独立したベンチマークや第三者比較はまだなく、品質に関する主張は実測ではなく宣伝として扱ってください。


### 主張 — 「見栄え」から「使える」へ

アリババの Qwen チームが **Qwen-Image 3.0**、第3世代の画像生成モデルを公開しました。Qwen は各世代にキーワードを付けます。1.0 は「精度」、2.0 は「精度・多様性・完全性・美しさ・真実性」、そして 3.0 は一つの言葉に集約されると言います——**「実」**。ここでの「実」は光沢ではなく*使えること*。スライド、絵コンテ、UIモックアップなど、実際の仕事として配備できるほど密で正確な画像、という意味です。

一文で言えばこれが賭けです。多くの画像モデルは絵の美しさを競います。Qwen は、次の前線は一枚にどれだけ*正しい情報*——文字、レイアウト、数式、UI——を、崩さずに詰め込めるかだ、と主張しているのです。


### 公式の枠組み — 三本の柱

Qwen はこの公開を、主張する三つの強みを軸に整理しています。それぞれが答える問いはこうです：

- **柱:** 答える問い
- **豊富なコンテンツ:** どれだけ描けるか？
- **本物らしいディテール:** どれだけ細かく描けるか？
- **深い知識:** どれだけ広く描けるか？


### 柱その1 — 豊富なコンテンツ——幅と奥行き

目玉のデモは **3×3グリッド**で、各セルが別々の複雑な情報図——幾何の授業、物理の放物運動図、生物の解説、銀行の内部統制チャートなど——になっており、それぞれ中英の文字・数式・キャラクターを含みます。Qwen は、全体の記述に約 **3.7kトークン**を要し、9枚を継ぎ接ぎするのではなく*一度に生成*したと述べています。

この「一枚のキャンバスにいくつ並列要素を置けるか」という横方向の力に加え、奥行きも示します。**ピクチャー・イン・ピクチャー・イン・ピクチャー**のデモで、コードエディタをチャットアプリに、それをメッセージアプリに、それをポスターに入れ子にし、各層が本物らしい見た目を保ちます。

- **4.5k** — 受け付ける最大プロンプトトークン
- **3.7k** — 3×3グリッドのデモ記述に要したトークン
- **10px** — 判読可能と主張する最小文字サイズ
- **12** — ネイティブに描画する言語数


### 柱その2 — 本物らしいディテール——小さな文字の試験

最も鋭い主張は小さな文字の判読性です。Qwen は**学術論文**の1ページ——LaTeX の数式、上下付き文字、ギリシャ文字、複数行の方程式——と、情報の詰まった**ジンベエザメの解説図**で負荷試験しています。質感では、毛穴、一本一本の髪、写真に迫る肌を挙げます。編集デモには、本のページへの本物らしい手書き注釈の重ね書きや、元の筆致を保った傷んだ水墨画の修復が含まれます。

*Figure: Qwen 自身のデモ：小さくても読める文字描画を示すための、情報が詰まったジンベエザメの解説図。ベンダーによる厳選。*

> **🔎** 文字描画こそ、厳選デモがモデルを最も美化する領域です——ショーケースでは完璧、自分のプロンプトでは文字化け。未見のプロンプトでのエラー率が出るまで、「10px判読可」は最良ケースであって保証ではありません。


### 柱その3 — 深い知識——言語、UI、ライブ情報

Qwen は **12言語**のネイティブ描画（日本語・韓国語・スペイン語を提示）、100超の画風、ウェブ・ゲーム・ライブ配信の実在UIレイアウトを主張します。モデルは世界知識を引き出し、特筆すべきは**インターネットに接続**できること——あるデモは特定の都市の特定の日の天気予報カードを生成します。

> トークン上限は検証できる。品質はできない——少なくとも今はまだ。


### 落とし穴 — 見事だが、すべて自己申告

これは厳選された例で示されたベンダー発表です。**独立したベンチマークも、第三者比較も、公開されたエラー率もありません**。具体的で検証可能なのは仕様——4.5kトークン上限と12言語だけ。あの驚き——完璧な小文字、一度で作るグリッド——は、まだ自分のプロンプトで確かめられない主張です。実に興味深い戦略的な賭けですが、実運用で通用するかはデモには答えられません。

> **⚡** 注目点：独立した文字描画ベンチマーク、雑然とした実プロンプトでの実地検証、そしてモデルが（初期の Qwen-Image のように）オープンウェイトか、API限定か。


## Primary sources

- [Qwen-Image-3.0 announcement (Qwen / Alibaba)](https://qwen.ai/blog?id=qwen-image-3.0)
- [Qwen-Image-2.0 announcement (for comparison)](https://qwen.ai/blog?id=qwen-image-2.0)

---
_Published by iyu (https://iyu.app) — the day's AI news, checked against primary sources and rewritten in plain language. Free to quote with attribution and a link to the canonical URL._