El equipo Qwen de Alibaba lanzo Qwen-Image-3.0, la tercera version de su generador de imagenes. Segun el equipo, la primera version se enfoco en la "precision", mientras que la segunda apunto a "precision, variedad, completitud, belleza y autenticidad". Esta vez Qwen resume su objetivo en una sola palabra: "Real". El modelo esta pensado para trabajo practico como diagramacion de diarios, storyboards y hojas de examen, no solo para producir imagenes atractivas.
Prompts largos, disenos complejos en una pasada
Qwen-Image-3.0 acepta prompts de hasta 4.500 tokens. De acuerdo con el equipo, eso le da al modelo espacio suficiente para crear disenos densos en una sola pasada en lugar de ensamblarlos a partir de varias imagenes.
Una de las demostraciones empaqueta nueve infografias separadas en una grilla de 3 x 3, cada una con su propio texto, formulas e ilustraciones. Los paneles cubren distancias seguras de seguimiento cerca de tuneles, lineas perpendiculares, una leccion confuciana sobre emocion y razon, y la velocidad de desprendimiento de un proyectil desde un cilindro rotatorio. Otros paneles explican el ciclo de vida de la duela hepatica, el dolor toracico del lado derecho, los teoremas de Sylow para grupos de orden 72, los controles internos en bancos y el ADN en celulas animales y vegetales.
El modelo tambien maneja interfaces anidadas. Un ejemplo parte con una ventana de VSCode que contiene una pantalla de Qwen Chat. Dentro de esa pantalla hay una conversacion de WeChat, que a su vez incluye un afiche que explica como preparar cafe de filtro.
Que tan pequeno puede escribir
Qwen afirma que el modelo puede producir texto legible de apenas diez pixeles. Sus ejemplos incluyen una infografia sobre el tiburon ballena repleta de texto y una pagina completa de un paper ficticio de geometria algebraica. El paper contiene ecuaciones LaTeX de varias lineas con subindices, superindices, llaves, fracciones, sumatorias y productorias. Otras demostraciones muestran una pagina de diario simulada y comentarios manuscritos en rojo que parecen notas de un profesor.
Qwen-Image-3.0 tambien apunta al detalle fotografico en retratos y objetos, con poros visibles, textura de piel y hebras individuales de cabello. En otra demostracion de edicion, el modelo repara una pintura tradicional de tinta danada que muestra aguilas en combate: rellena las areas faltantes respetando la pincelada y el sombreado original.
Doce idiomas y datos en vivo
Qwen describe su tercera area de foco como "conocimiento profundo". El modelo soporta doce idiomas de forma nativa, incluidos japones, coreano y espanol. Los ejemplos publicados tambien lo muestran recreando interfaces de sitios web, juegos y transmisiones en vivo. En una demostracion de edicion, el modelo convierte la foto de un insecto en una lamina de identificacion completa, con taxonomia, etiquetas de rasgos fisicos, vistas ampliadas y una barra de escala. Segun Qwen, ademas puede incorporar datos de internet en vivo, y los usa para generar cosas como un pronostico del tiempo para Hangzhou.
Alibaba lanzo el antecesor directo, Qwen-Image-2.0, apenas en mayo pasado. El reporte tecnico se concentro en mejoras de eficiencia de entrenamiento e inferencia, incluida una variante mas rapida que necesitaba solo cuatro pasos por imagen en lugar de 40. En pruebas sobre la propia plataforma de arena de Alibaba, Qwen-Image-2.0 quedo apenas detras de GPT-Image-2 de OpenAI y de Nano Banana Pro de Google.
Por ahora, Qwen-Image-3.0 parece estar disponible solo mediante acceso a la API por invitacion. El modelo deberia aparecer pronto en aplicaciones propias como Qwen Chat. Es poco probable que los pesos se liberen bajo una licencia abierta, como si ocurrio con el Qwen-Image original.
Tecnologia impresionante, casos de uso discutibles
El valor practico de algunas demostraciones sigue siendo poco claro. Los investigadores normalmente escriben y componen sus papers en LaTeX en lugar de renderizarlos como imagenes, asi que las paginas generadas por IA con formulas podrian servir mas para maquetas y borradores visuales que para papers finales.
Una duda similar aplica a las paginas de diario y las infografias complejas. Los modelos de imagen modernos pueden editar elementos de texto individuales, pero los formatos editables y con busqueda siguen ofreciendo mas flexibilidad para trabajo de produccion. Aun asi, los ejemplos muestran cuanto ha avanzado el renderizado de texto y podrian apuntar a aplicaciones utiles mas alla de las demostraciones exhibidas.
