2026 年 7 月 21 日，阿里巴巴旗下 Qwen 團隊發布第三代圖像生成基礎模型 Qwen-Image-3.0。這次升級的重點不再只是「畫得好看」，而是要把生成的圖做到「能直接拿去用」：一份報紙版面、一張試卷、一組短劇分鏡、一張九宮格知識圖，一句夠長的指令就能產出。官方用一句話概括這次轉向的方向：「落字成畫，字字如印。」
能撐起這句話的關鍵，是模型讀懂複雜指令、把大量文字準確排進畫面的能力，這也是 Qwen-Image-3.0 這次改動幅度最大的地方。
最大升級：複雜圖文一次生成
官方表示，Qwen-Image-3.0 能讀懂的提示詞長度，從前一代大約 1,000 個 token 拉長到 4,500 個 token，相當於放大 4.5 倍。提示詞變長，代表使用者能在同一句指令裡塞進更多版面規範、文字內容與排版要求，不用把一張複雜的圖拆成好幾次生成，再自己手動拼接。
官方舉的例子包括報紙版面、試卷、短劇分鏡表，以及一張把多個知識點濃縮進去的九宮格知識圖。這幾種輸出的共同點是版面裡文字量大、排版規則細，過去的生成模型很容易漏字、錯字或排版跑掉。官方宣稱，這一代連 10 像素大小的小字都清晰可讀，同時能處理 LaTeX 數學公式、上下標、手寫批註，以及報紙那種資訊密集的排版方式；也能在同一張圖裡同時畫出多層 UI 介面，等於把好幾個應用程式畫面排進同一張構圖。
官方主打的三大能力
除了長指令與複雜排版，官方在發表時把 Qwen-Image-3.0 的能力歸納成三個重點。
第一是文字與風格的涵蓋範圍。官方宣稱支援 12 種語言、20 種以上的字型，以及 100 種以上的藝術風格，也能渲染各式各樣的使用者介面畫面，同一個模型不只處理中英文，連多語言版面、不同視覺風格的需求都一次涵蓋。
第二是細節真實度。官方形容這一代的人像生成連毛孔、髮絲都纖毫畢現，肌膚質感逼近攝影作品的水準。這類形容詞屬於官方單方面的宣稱，實際表現如何，仍要等更多獨立測試出爐才能確認。
第三是語義並置與空間控制。官方稱，模型能在同一張畫面裡安排多個物件、角色或元素的相對位置與關係，處理多層語意嵌套的複雜指令，像是畫面左側呈現一個情境、右側疊一層另一個情境的說明文字，這類需要同時理解多組空間與語意關係的要求。
編輯功能同步進化
這一代的進步不只發生在「從零生成」，官方也把文生圖累積的文字渲染能力、細節表現與世界知識，轉移到圖片編輯的場景裡。
官方列出的編輯功能包括古畫修復、全景圖生成、把手繪草圖轉換成簡報投影片，以及多角度鏡頭生成。以古畫修復為例，模型得先看懂畫作原本的筆觸、色調與缺損位置，才能補上合理的內容；手繪草圖轉簡報則需要模型讀懂草圖裡的版面意圖，重新排成一張正式的簡報頁面。這兩種任務都仰賴模型對「這張圖原本該長什麼樣子」有一定程度的理解，不只是單純的像素修補。
使用方式與開放進度
目前 Qwen-Image-3.0 已經在阿里雲百煉與 Qwen AI 平台開放 API 邀請測試，開發者申請後就能取得存取權限，把這個模型接進自己的產品或工作流程。官方也表示，Qwen Studio 與 Qwen App 即將開放免費體驗，讓一般使用者不用寫程式，也能直接在介面上試用這一代的生成與編輯功能。
換句話說，現階段主要是開發者與早期嘗鮮者能先上手，一般使用者得再等 Qwen Studio、Qwen App 的免費體驗上線，才有機會不透過 API 直接使用。
背景與初步觀察
把時間拉長一點看，Qwen-Image-3.0 延續的是 Qwen-Image 這條產品線一路演進的血緣。初代 Qwen-Image 採用 20B 參數規模、MMDiT（多模態擴散 Transformer）架構，總共堆疊 60 層，這是官方當時公開的規格，3.0 這一代目前還沒有另外公布對應的參數細節。
這一代目前先開放 API，還沒有附上模型權重、技術報告或跑分數據。不過，Qwen-Image 初代曾以 Apache 2.0 授權開源，第二代也發布過技術報告，先例都在，這代看起來走的是「先上線、細節後補」的節奏，權重與更完整的技術資料有機會之後陸續補上。
發布首日，國外社群像 Hacker News 上的初步討論反應不一。有使用者反映複雜排版偶爾還是會出錯，部分語言的呈現也有瑕疵；也有人肯定這一代在文字渲染方向的進展。不過模型才剛上線，能拿到的實測樣本還很少，現在下定論仍嫌太早，Qwen 系列在文字渲染上原本就是強項之一，這一代等於是把「資訊密度」這件事再往前推一步。
至於跑分，前一代 Qwen-Image 2.0 Pro 在阿里自家建置的 Qwen-Image-Bench 排行裡大約排在第 5 名，由 GPT Image 2 拿下第一；Qwen-Image-3.0 目前還沒有官方公布的跑分成績。
對設計、行銷與網站經營者來說，這類模型的意義比較接近加速草稿的工具。一張資訊圖、一張海報草案，或是一組 UI 初稿，原本要花時間排版拼接的步驟，有機會靠一句指令先跑出接近完成度的版本。最後要不要正式對外使用，還是得看文字的正確性與版面細節，多半得靠人工再確認、再修一輪。