تصویر جدید Qwen 3 AI علی‌بابا می‌خواهد مفید باشد، نه فقط زیبا

تیم Qwen علی‌بابا روز سه‌شنبه Qwen Image 3.0 را معرفی کرد و هدف آن هیچ ارتباطی با زیبایی خروجی ندارد. این موضوع به این مربوط می‌شود که آیا خروجی واقعاً می‌تواند در کار استفاده شود یا خیر.

بیشتر ابزارهای تصویر AI---Reve، Nano Banana، Seedream---برای برتری در زمینه‌های خاص طراحی شده‌اند: خلاقیت، واقع‌گرایی، قابلیت‌های ویرایش و غیره. Qwen Image 3.0 در مسیر متفاوتی حرکت می‌کند. "Qwen-Image-3.0 فقط به دنبال 'زیبا بودن' نیست---بلکه به دنبال 'مفید بودن' است و تولید تصویر را به یک ابزار واقعی برای بهره‌وری تبدیل می‌کند," تیم Qwen در اعلامیه رسمی خود نوشت.

مرکز توجه آنچه که غول چینی علی‌بابا آن را محتوای غنی می‌نامد، است. این مدل تا ۴۵۰۰ توکن را می‌پذیرد که ۴.۵ برابر آنچه نسل قبلی می‌توانست پردازش کند، است. توکن‌ها واحدهای متنی هستند که یک AI می‌خواند؛ تصور کنید یک توکن تقریباً معادل یک کلمه یا بخشی از یک کلمه است، بنابراین ۴۵۰۰ توکن چندین صفحه دستورالعمل دقیق است.

این مقدار کافی است تا نه پنل اینفوگرافیک جداگانه را در یک درخواست توصیف کرده و آن‌ها را به عنوان یک تصویر کامل دریافت کنید.

"تمام تصویر بالا توسط Qwen-Image-3.0 در یک بار تولید شد، نه اینکه از چندین تصویر به هم دوخته شود," علی‌بابا در وبلاگ خود نوشت. هر پنل در دمو شامل نمودارها، فرمول‌ها، زیرنویس‌ها و متن‌های ریز خود است---که در یک بار به تصویر کشیده شده، نه اینکه در پس‌زمینه جمع‌آوری شود.

این تنها مدلی است که قادر به دستیابی به این بدون خطاهای عمده است.

قسمت دوم آنچه که شرکت آن را جزئیات واقعی می‌نامد، است. به گفته علی‌بابا، این مدل "پشتیبانی از رندر دقیق متنی به اندازه ۱۰ پیکسل را دارد و جزئیاتی مانند منافذ و رشته‌های مو را با تصویرسازی میکرو-سطحی به‌طور زنده بازتولید می‌کند." ده پیکسل متن ریز است---نوعی که در اعلامیه‌های دارویی می‌بینید. این مدل همچنین LaTeX---سیستم نوتاسیونی که محققان برای نوشتن معادلات ریاضی پیچیده استفاده می‌کنند---را به‌طور دقیق در تمام شبیه‌سازی‌های مقالات علمی مدیریت می‌کند.

در آزمایش‌های معمولی ما، مدل‌ها را با چند جمله آزمایش می‌کنیم و ارزیابی می‌کنیم که چگونه آن‌ها را پردازش می‌کنند. Qwen Image 3.0 توانست تصویر زیر را تولید کند، به گفته وبلاگ رسمی علی‌بابا.

ما این ویژگی را با استفاده از سریع‌ترین پیکربندی مدل آزمایش کردیم. Qwen Image 3.0 توانست یک مقاله کامل از Decrypt را بازتولید کند. اجرای آن واقعاً چشمگیر بود، اما نتیجه بی‌نقص نبود.

ستون سوم Qwen Image 3.0 دانش عمیق است. به گفته تیم Qwen، این مدل "پشتیبانی از رندر بومی ۱۲ زبان را دارد، رابط‌های اصلی مانند صفحات وب، بازی‌ها و پخش زنده را شبیه‌سازی می‌کند و از دانش جهانی غنی استفاده می‌کند." همچنین به اینترنت متصل می‌شود تا داده‌های زنده را دریافت کند، به این معنی که درخواست برای یک پیش‌بینی آب و هوا برای یک شهر و تاریخ خاص، یک گرافیک دقیق را بازمی‌گرداند، نه یک حدس.

به عنوان مثال، علی‌بابا عکسی از یک حشره روی یک برگ به اشتراک گذاشت. این مدل توانست متن مرتبطی را بر اساس درک خود از تصویر تولید کند.

علی‌بابا به استودیوهای طراحی، تیم‌های محتوا، عملیات‌های تجارت الکترونیک و مربیانی که به دارایی‌های بصری آماده تولید به صورت عمده نیاز دارند، پیشنهاد می‌دهد.

با این حال، شایان ذکر است که در ارزیابی Qwen-Image-Bench خود علی‌بابا---یک معیار که کیفیت تصویر، زیبایی‌شناسی و وفاداری به دنیای واقعی را در ۱۸ مدل ارزیابی می‌کند---Qwen Image 2.0 Pro، پرچمدار قبلی، در جایگاه پنجم قرار گرفت. تصویر GPT 2 OpenAI در رتبه‌بندی پیشتاز بود. مدل جدید ممکن است عملکرد بهتری داشته باشد، اما راهی برای تأیید آن وجود ندارد، زیرا بدون جدول معیار، وزن‌های قابل دانلود یا گزارش فنی ارائه شده است.

Qwen Image 1.0 با وزن‌های باز تحت مجوز Apache 2.0 و یک گزارش فنی در همان روز راه‌اندازی شد. این یکی این‌گونه نبود. به عنوان بخشی از تلاش‌های اخیر AI علی‌بابا، شواهد اینجا کاملاً تصاویر نمونه‌ای است که شرکت انتخاب کرده است تا منتشر کند. آزمایش‌های API در chat.qwen.ai باز است. قیمت‌گذاری اعلام نشده است.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.