加载中...
2025年6月26日，阿里达摩院正式发布了全新的Qwen VLo大模型。这是继QwenVL和Qwen2.5 VL后，阿里在多模态大模型领域又一具有里程碑意义的创新。Qwen VLo是一款统一的多模态理解与生成模型，不仅具备深度理解图片与文本内容的能力，更能基于这种理解实现高质量和高度一致的图像生成与编辑，真正跨越了“感知”与“创造”的界限。
不同于传统大模型仅聚焦于单项任务，Qwen VLo将感知和创作深度融合，用户既可以用自然语言直接生成图片，也可以对上传的图片进行多样化编辑。更值得一提的是，目前Qwen VLo已在Qwen Chat中开放体验，用户可通过简单的指令（如“生成一个可爱的猫”或“给猫加顶帽子”）感受到下一代多模态AI工具的强大能力。
*上图：Qwen VLo在生成-编辑-感知多个任务中的流畅表现（官方演示截图）*Follow DataLearner WeChat for the latest AI updates
Qwen VLo不仅在架构上做出了创新，还在生成机制和编辑灵活性等方面实现了突破。其全新设计聚焦于渐进式生成机制和大幅提升的指令理解及多轮编辑能力。
经过多项技术升级，Qwen VLo展现出以下突出亮点：
这些创新点不仅解决了行业内长期存在的关键难题，也为用户带来了更高的创造自由度和更优的交互体验。
Qwen VLo在内容理解、开放编辑与多轮转换方面表现出了前所未有的优越性。模型定位于双向统一的多模态智能引擎，实现了感知与创造无缝衔接。
Qwen VLo具备对图片语义、结构和风格的深度理解能力。例如，当用户上传一张汽车照片并要求“只更改车身颜色”时：
这种能力极大地提升了创作的可控性和专业感。
用户可通过连续的自然语言指令，完成从风格迁移、元素添加到内容大改造的多轮编辑，灵感可以“即说即现”，突破了传统模型的功能边界。例如：
多轮流畅编辑的强大表现赋予用户无限的表达可能。
Qwen VLo不仅能生成图像，还能对已有或生成图像进行二次感知，例如：
这种“感知-生成-再理解”的闭环流程，为设计、广告、教育等多领域带来创新工具。
Qwen VLo在多模态理解、编辑灵活性和生成一致性等核心指标上相较前代及竞品均有明显提升。下表简要对比了Qwen VLo与Qwen2.5 VL、Sora等同类模型的关键性能：
可以看到，Qwen VLo在多模态内容理解、复杂编辑流程、以及对极端画幅适配的能力上，均领先于现有的主流多模态大模型。
Qwen VLo为什么能获得这样的提升？主要原因在于：
这些优势对实际生产、设计师日常工作以及AI内容创意均有重大意义。
接下来，我们以真实场景演示Qwen VLo的落地表现，突出其在复杂需求中的实际效能。
以生成一只柴犬为例：
Qwen VLo同样支持多对象、多属性的组合生成需求。例如：
用户输入复杂指令：
生成照片，图中男人带着黑帽子在地铁上看报纸，旁边是一个美丽的带红色墨镜女性，还有一只哈士奇，地铁窗外自由女神像，站牌显示“Qwen VLo”
模型能将所有元素准确组合，兼顾构图合理、语义一致和细节真实。
对于风格迁移和局部重组，Qwen VLo可实现：
无论风格、内容或版面比例要求多么苛刻，模型都能保持高一致性。
Qwen VLo支持动态分辨率输入输出，打破了传统生成模型对图片尺寸、比例的限制。这为海报、长幅插画、社交媒体Banner等实际应用场景提供极大便利。
渐进式生成则为用户带来：
目前，Qwen VLo已在Qwen Chat正式上线预览：
体验入口：访问Qwen Chat，输入描述，例如
“生成一个戴帽子的柴犬”
或
“将此图片变成19世纪风格，并替换为东京背景”
便可体验行业领先的多模态生成交互。
目前Qwen VLo仍处于预览阶段，部分生成结果可能偶有不准确、不符合预期等问题。对指令理解、极端复杂任务下的鲁棒性也有提升空间。官方团队将持续优化稳定性与创作灵活性。
Qwen VLo作为阿里多模态大模型家族的新成员，不仅实现了感知与创造的一体化，更树立了行业内多轮自然编辑与复杂场景处理的新标杆。无论是设计师、内容创作者，还是普通用户，都能在Qwen VLo中体会到前所未有的AI灵感释放和人机协同体验。
未来，随着更多输入类型、能力和场景的开放，Qwen VLo有望成为连接想象与现实，驱动创新表达的核心引擎。如果你关注AI多模态内容创作，不妨第一时间登陆Qwen Chat亲身体验这场认知与创造力升级的变革。
获取和使用建议
让我们一起见证，从理解到描绘，AI如何颠覆人类的创作边界。
