赛道Hyper | 通义千问推出多模态模型Qwen VLo

作者：周源/华尔街见闻

阿里云在中国生成式AI基础设施登顶。

据IDC刚刚发布的最新报告显示，2024年中国AI基础设施（AI IaaS）市场份额，阿里云占比23%，位列中国市场第一，超过第二名和第三名总和；在生成式AI基础设施领域，阿里云取得模型训练和模型推理市场的双项冠军。

阿里云的生成式推理模型迭代频繁，动作很多。

6月27日，阿里云通义千问推出多模态统一理解与生成模型Qwen VLo，用户可通过Qwen Chat（chat.qwen.ai）体验。

这一模型在人工智能领域传承与创新，为多模态人工智能发展带来新探索，具备理解和基于理解进行再创造的能力。​​

Qwen VLo采用渐进式生成方式，在生成图像时从左到右、从上到下逐步构建画面。

在这个过程中，模型不断对预测内容调整优化，比如生成风景图时，先勾勒山川河流轮廓，再细化树木、花草等细节，确保画面在结构、色彩、语义等方面和谐统一。

这种生成机制给用户更灵活、可控的创作体验，设计师创作海报时，可实时观察生成过程，及时调整不协调部分，让创作更贴合预期。​

​据官方介绍，Qwen VLo运用动态分辨率训练技术，在图像生成的输入和输出端，都支持任意分辨率和长宽比。

以往模型受限于固定尺寸和比例，而Qwen VLo打破这一限制。无论是制作长宽比为4:1的横幅广告，还是1:3的社交媒体竖版封面，用户都能按需生成。

Qwen VLo通过技术创新，创造了图像生成在分辨率和长宽比方面的更多资源，电商商家可根据不同平台要求，快速生成适配的商品展示图，无需繁琐的后期裁剪调整。

过往多模态模型生成时易出现语义不一致问题，如将汽车图片错误生成其他物体，或改变原图关键结构特征。

Qwen VLo通过提升细节捕捉能力，在生成中保持较高语义一致性。

当用户输入汽车照片并要求“将颜色换成蓝色”，模型精准识别车型，保留车身结构、线条等特征，自然地完成颜色替换，生成结果既符合指令预期，又不失真实感。

这种能力恰似达尔文进化论中物种对环境的精准适应，模型在复杂的图像生成环境中，不断进化以满足多样且精细的用户需求。​

​用户能用自然语言对图像提出创意指令，Qwen VLo能灵活响应。输入“把这张照片风格变成梵高的画风”“给图片中的天空加上彩虹”，模型即可完成艺术风格迁移、场景元素添加等操作。

面对“把人物换成卡通形象，背景改为森林，同时添加宣传语”这类复杂指令，也能尝试执行。此外，传统视觉感知任务如预测深度图、分割图等，通过编辑指令也能实现。

这一特性体现了“不创新，就死亡”的理念，Qwen VLo打破传统模型指令响应的局限，赋予用户更自由的操作空间，使其在开放指令编辑修改中不断进化，适应快速发展的AI市场。

Qwen VLo支持包括中文、英文等多种语言指令。全球用户无论使用何种语言，只要简洁描述需求，模型就能理解并生成结果。

中国用户用中文输入“生成一张美丽的花朵图片”，国外用户用英文输入“Generate a picture of beautiful flowers”，都能得到符合要求的图片。

这符合美国理性预期学派的领袖、诺贝尔经济学奖获得者托马斯・萨金特（Thomas J. Sargent）提出的开放和自由贸易理念，通过技术手段打破语言壁垒，促进全球用户在图像生成领域的“交流贸易”。​

在广告设计行业，设计师常需为不同客户和项目快速产出多种风格设计方案。

借助Qwen VLo，输入“时尚运动品牌夏季促销海报”，模型迅速生成多版不同构图、配色的海报草图，设计师在此基础上完善，大大缩短设计周期。

在包装设计方面，输入产品特点、目标受众等信息，模型生成相应设计图，提供创意灵感。Qwen VLo为设计师提供创意裂变的契机，帮助其用创新设计在市场竞争中赢得商业利润。​

在教育领域，教师可利用Qwen VLo将抽象知识具象化。

地理课讲解地貌时，输入“生成一张丹霞地貌的图片”，模型展示相关图片，帮助学生直观理解；语文教学中，讲解古诗词时，输入诗词内容，模型生成诗意场景图，加深学生对诗词意境的体会。

自媒体创作者、博主等创作内容时，需优质配图吸引受众。通过Qwen VLo，输入文章主题如“旅游攻略之海边度假”，模型生成海滩、海景等相关图片；在视频制作中，输入视频脚本关键信息，模型生成视频分镜草图，为拍摄和后期剪辑提供参考，提升内容创作质量和效率。

在游戏开发中，Qwen VLo能助力游戏美术资源制作。游戏设计师输入游戏风格、场景设定等指令，模型生成游戏场景、角色、道具等美术素材，降低开发成本，加速开发进程。

玩家也可利用模型生成个性化游戏场景、角色形象，增加游戏趣味性。影视制作中，在前期概念设计阶段，输入故事背景、角色特点等信息，模型生成影视场景概念图、角色概念图，为后续拍摄和特效制作提供方向。