通义千问 Qwen-Image 3.0：图像 AI 的下一站不是「好看」，而是「有用」
阿里第三代图像模型主打信息密集、文字繁多的版面——支持 4.5k token 提示词、10px 小字清晰可读、12 种语言一次生成——但目前所有说法都来自厂商演示，而非基准测试。
60 秒版本
阿里 Qwen-Image 3.0 把图像生成重新定义为生产力工具——密集、文字多、版面准确、为真实工作而生，而不只是好看。
要点
- 核心主题是「实」= 有用；三大支柱：内容丰富、细节真实、知识深厚。
- 头号说法：4.5k token 提示词、一次生成 3×3 信息图网格、10px 小字清晰、12 语言原生、联网取实时信息。
- 面向报纸 PDF、分镜、复杂界面、教育与电商。
- 所有数据均为自测并配精选演示——目前没有独立基准。
结论. 一次大胆押注：图像 AI 的下一站是「有用」胜过「好看」。规格可核查，质量类说法不可——等外部实测再信那份惊艳。
核心主张从「好看」到「有用」
阿里通义千问团队发布了 Qwen-Image 3.0，第三代图像生成模型。千问给每一代定关键词：1.0 是「精准」；2.0 是「精准、多样、完整、美观、真实」；3.0 则归结为一个字——「实」。这里的「实」不是光鲜，而是*有用*：图要密集、准确到能当真正的工作成果——幻灯片、分镜、界面稿。
一句话概括这场押注：多数图像模型比的是「画得多漂亮」，而千问认为，下一个前沿是你能在一张图里塞进多少*正确的信息*——文字、版面、公式、界面——而不糊成一团。
官方框架三大支柱
千问把这次发布围绕三项宣称的能力展开，各自回答一个问题：
| 支柱 | 回答的问题 |
|---|---|
| 内容丰富 | 能画多少？ |
| 细节真实 | 能画多精细？ |
| 知识深厚 | 能画多广？ |
支柱一内容丰富——宽度与深度
核心演示是一个 3×3 网格，每格都是一张不同的复杂信息图——几何课、物理抛体图、生物讲解、银行内控图表等——各自带中英文字、公式和人物。千问称，描述整张图用了约 3.7k token，且是*一次生成*，而非把九张图拼接而成。
除了这种「一张画布能容纳多少并列元素」的横向能力，他们还展示了纵深：一个画中画中画演示，把代码编辑器嵌进聊天应用、再嵌进即时通讯、再嵌进海报——每层都保留各自真实的观感。
支柱二细节真实——小字测试
最尖锐的说法是小字可读性。千问用一整页学术论文做压力测试——LaTeX 公式、上下标、希腊字母、多行方程——以及一张信息密集的鲸鲨科普图。质感方面，他们强调毛孔、发丝与接近照片级的皮肤。编辑演示包括在书页上叠加逼真手写批注、以及在保留原始笔法的前提下修复受损水墨画。
支柱三知识深厚——语言、界面、实时信息
千问称原生渲染 12 种语言（演示了日语、韩语、西班牙语），支持 100+ 艺术风格，以及网页、游戏、直播等真实界面版式。模型调用世界知识，值得注意的是还能联网——一个演示生成了某城某天的天气预报卡片。
token 上限可核查，质量则不行——至少现在还不行。
问题所在很惊艳，但全是自测
这是一份配以精选示例的厂商公告。没有独立基准、没有第三方对比、也没有公开错误率。具体可核查的只有规格——4.5k token 上限和 12 种语言。那些惊艳之处——完美小字、一次成网格——你目前无法用自己的提示去验证。这确实是一次有意思的战略押注；能否经得起真实使用，演示回答不了。