智东西6月28日报道，昨日深夜，阿里推出多模态统一理解与生成模型Qwen VLo。该模型不仅能够“看懂”世界，更能基于理解进行高质量的再创造，具有三大亮点：理解和生成更准确，支持开放指令编辑修改图片，多语言指令支持。 用户即日起可以通过Qwen Chat访问该模型（预览版），比如直接发送类似“生成一张可爱猫咪的图片”的提示来生成图像，或者上传一张猫咪的图片并要求“给猫咪头上加顶帽子”来修改图像。 Qwen VLo以一种渐进式生成方式生成图片。在生成过程中，模型会对预测的内容不断调整和优化，从而确保最终结果更加和谐一致，在提升视觉效果同时带来更灵活和可控的创作体验。 以往的多模态模型在生成过程中容易出现语义不一致的问题，例如将汽车误生成其他类型的物体，或者无法保留原图的关键结构特征。而Qwen VLo通过更强大的细节捕捉能力，能够在生成过程中保持高度的语义一致性。 用户可以通过自然语言提出各种创意性指令，如“将这张画风改为梵高风格”、“让这张照片看起来像19世纪的老照片”或“给这张图片添加一个晴朗的天空”。Qwen VLo能够灵活响应这些开放性指令，并生成符合用户预期的结果。 无论是艺术风格迁移、场景重构还是细节修饰，模型都能应对。甚至一些传统的视觉感知人物如预测深度图、分割图、检测图以及边缘信息等也可以通过编辑指令轻松完成。 1、该模型能够直接生成图像，并对其进行修改，例如替换背景、添加主体、进行风格迁移，甚至可以完成基于开放指令的大幅修改，包括检测和分割等视觉感知任务。 2、Qwen VLo会根据自己的理解进行重新创作，这意味着在风格转换和迁移方面拥有更大的发挥空间，比如将卡通变为写实、将形象变成气球等有趣的生成效果。 3、Qwen VLo在图像与指令理解上的优势使其能够更好地解析复杂指令，一条指令中可以包含多个操作和修改，从而一次性完成多重任务，例如生成海报、组合物体等。 （一幅史诗级的动漫艺术作品：夜晚，一位巫师立于山顶，向黑暗的天空施展宇宙咒语，由彩色能量构成的“Qwen VLo!”字样在夜空中显现。） 7、Qwen VLo支持动态长宽比的图像生成，对于长宽比高达4:1，1:3等细长类型图像也能轻松掌握。（极端长宽比图像生成功能还没有正式上线。） 用户：动漫插画；水彩手绘；前景是草坡，草坡上有个人在奔跑，动态感，然后是厚重的白云；蓝色背景；颜色层次多渐变；过渡自然和谐 Qwen VLo还创新性地引入了一种全新的渐进式生成机制，这一机制不仅提升了生成效率，还适用于需要精细控制的长段落文字生成任务。 同时，Qwen VLo还属于预览阶段，在生成的过程可能存在不符合事实、不完全和原图一致、指令不遵循、在识别生图和理解的意图不够稳定的问题。 未来，模型不仅可以用文本回答问题，还可以用图像来传递想法和含义。例如，生成示意图、添加辅助线、标注关键区域等功能，都将为用户提供更多元化的交流手段。 与此同时，具备输出能力的多模态模型也为研发者提供了新的监督方式。通过生成任务，他们们可以更好地帮助模型理解世界。
