阿里、字節(jié)同日上新，圖像大模型激戰(zhàn)“春節(jié)檔”

AI應(yīng)用掀起春節(jié)大戰(zhàn)的同時(shí)，基礎(chǔ)大模型也在加速上架“春節(jié)檔”。

2月10日，阿里云發(fā)布新一代圖像生成基礎(chǔ)模型Qwen-Image-2.0，而千問的新一代基座模型Qwen3.5也已經(jīng)在路上。同一天，字節(jié)跳動旗下剪映宣布上線新一代圖像生成模型——Seedream 5.0預(yù)覽版，距離上一代模型（Seedream 4.5）發(fā)布僅兩個(gè)多月。

臨近春節(jié)，圖像生成大模型發(fā)布按下加速鍵，事實(shí)上，伴隨著AIGC落地加速，在圖像生成領(lǐng)域，誰能從“生成好看的圖” 率先轉(zhuǎn)向 “高效解決實(shí)際問題”，正在成為模型競爭的關(guān)鍵。

Qwen-Image-2.0對陣Seedream 5.0

盡管同日發(fā)布，兩款模型在技術(shù)路徑和生成效果上有著一定的差異。

具體來看，字節(jié)跳動文生圖模型主要升級點(diǎn)為首次支持檢索生圖，對提示詞的理解準(zhǔn)確性增強(qiáng)、支持更細(xì)節(jié)、精細(xì)紋理的圖像生成，允許用戶精確調(diào)整圖像。而阿里的Qwen-Image-2.0則是Qwen-Image項(xiàng)目自2025年5月啟動后，首次將生圖和編輯兩條支線迭代的模型能力統(tǒng)一整合到單一模型架構(gòu)中，提升了中文漢字渲染方面能力，并輸入提示詞擴(kuò)展到1K token，優(yōu)化了對超長文字和復(fù)雜指令的渲染。

第一財(cái)經(jīng)記者分別對Qwen-Image-2.0和Seedream 5.0進(jìn)行了同題測試，以相同的提示詞分別請Qwen-Image-2.0和Seedream 5.0生成了《清晨霧中的瑞士阿爾卑斯山》和《無厘頭美食番<三國演義>》兩張圖片，Qwen-Image-2.0和Seedream 5.0分別作答如下：

從生成效果來看，兩大模型在生成圖片的清晰度和細(xì)致度上都有了較大的提升，對于薄霧的層次、水中倒影、兵器造型的餐具等都能夠準(zhǔn)確理解和生成，總體上，Qwen-Image-2.0的畫風(fēng)更偏寫實(shí)，而Seedream 5.0則更具美感。但在具體指令的理解準(zhǔn)確度上，模型仍存在一定的偏差，例如Seedream 5.0對兵器造型的餐具理解停留在西餐而非火鍋餐具，而Qwen-Image-2.0對關(guān)羽的“紅臉”的體現(xiàn)不足。

公平起見，記者將兩道測試分別給了豆包和kimi評判“誰更符合原提示詞的需求？”，發(fā)現(xiàn)豆包和kimi做出了同樣的判斷。在《清晨霧中的瑞士阿爾卑斯山》中，它們選擇了Qwen-Image-2.0勝出，在《無厘頭美食番<三國演義>》中選擇Seedream 5.0勝出。

kimi認(rèn)為，阿爾卑斯山場景（寫實(shí)風(fēng)景）中，Qwen-Image-2.0的細(xì)節(jié)精度拉滿、紋理清晰，而Seedream 5.0更重氛圍感營造，朦朧詩意，偏印象派，但偏“油畫感”，細(xì)節(jié)被柔化。而三國演義場景（卡通萌系）中，kimi認(rèn)為，Qwen-Image-2.0漏讀關(guān)鍵詞“舉起”而更像“圍坐”，Seedream 5.0更體現(xiàn)出了熱血?dú)g樂氛圍，無厘頭解構(gòu)感強(qiáng)。最終，kimi給出的判詞是：“Qwen-Image-2.0像嚴(yán)謹(jǐn)?shù)墓こ處煟琒eedream 5.0像懂流量的設(shè)計(jì)師——沒有絕對優(yōu)劣，只有場景適配�！�

圖像編輯方面，記者實(shí)測過程中發(fā)現(xiàn)，在剪映平臺通過Seedream 5.0 Preview生圖后，圖片可調(diào)整范圍包括裁剪、畫質(zhì)、像素等，但無法在生成過程中或完成進(jìn)行局部調(diào)整。Qwen-Image-2.0則可在對話中直接根據(jù)指令調(diào)整圖片，不過，圖像編輯的準(zhǔn)確度仍有待提升。記者嘗試讓Qwen-Image-2.0在《無厘頭美食番<三國演義>》圖中加入一個(gè)碗，Qwen-Image-2.0選擇直接將火鍋的外殼換成了碗，再次追加指令后，Qwen-Image-2.0成功加上了碗，甚至自主加上了桌子，展現(xiàn)了一定的邏輯推理能力，但碗內(nèi)的食物又與火鍋場景有一定脫離。

總體來看，比起會“畫圖”，步入2026年，圖像生成模型都在往真正解讀用戶意圖、準(zhǔn)確理解語義、具備可控編輯能力、根據(jù)真實(shí)場景及需求智能推理的方向去。換句話說，比起“能不能畫”，大模型們轉(zhuǎn)向了“畫得是否符合使用場景”。但在復(fù)雜且非專業(yè)指令的理解以及圖像可控編輯的“深水區(qū)”，頭部廠商的真正較量才剛剛開始。

從“會畫”到“能用”

“會辦事”，是這一年無論大模型還是AI應(yīng)用都在強(qiáng)調(diào)的方向，圖像模型接下來要面臨的問題則更具體：“這張圖能解決什么問題？”

千問大模型高級解決方案架構(gòu)師熊撼天在接受包括第一財(cái)經(jīng)在內(nèi)的媒體采訪時(shí)提到，從2023年開始，文生圖或圖生圖開始在偏C端或個(gè)人使用的場景中落地，但在真正的“企業(yè)級”應(yīng)用層面，離落地始終有距離，實(shí)際上是“生成不可控”的問題一直解決得不是很好，而隨著模型對語義的理解及模型能力的上限更高后，這些問題正在技術(shù)層面被攻克。

圍繞著如何讓圖片更“可用”的競爭，圖像模型在技術(shù)升級的同時(shí)，開始圍繞生態(tài)、場景分化。

目前，字節(jié)已將 Seedream 5.0 深度集成到剪映、CapCut、即夢 AI等字節(jié)生態(tài)體系平臺，方便創(chuàng)作者直接完成生圖、分鏡、視頻創(chuàng)作、分發(fā)抖音等操作，支持2K與4K分辨率輸出，限時(shí)免費(fèi)使用，未來計(jì)劃在美國市場逐步開放，以此來鞏固字節(jié)跳動在內(nèi)容創(chuàng)作領(lǐng)域的優(yōu)勢地位。CapCut海外官方賬號發(fā)文稱，Seedream 5.0 對標(biāo)Nano Banana Pro，但價(jià)格便宜得多。記者了解到，Qwen-Image-2.0 也將在正式發(fā)布時(shí)上線阿里千問APP，未來，Qwen-Image-2.0與阿里系電商等業(yè)務(wù)的打通也成為業(yè)內(nèi)關(guān)注的方向，Qwen-Image-2.0或許將更多落向電商、專業(yè)PPT、海報(bào)設(shè)計(jì)等場景。

未來一年，圖像模型可能圍繞怎樣的方向發(fā)展？對此，千問Qwen視覺生成負(fù)責(zé)人吳晨飛表示，Qwen-Image-2.0升級的核心之一是“信息圖”。信息圖可以理解為“爸爸圖”，每一張“爸爸圖”中都包含很多的子圖，每一個(gè)子圖有各自的細(xì)節(jié)。在他看來，“信息圖”是目前生圖領(lǐng)域的一個(gè)大趨勢，“生成一張圖”不再是傳統(tǒng)意義上的“一張圖”，而是一口氣生成了很多張關(guān)聯(lián)圖片，這種能力在漫畫、復(fù)雜海報(bào)、PPT制作等領(lǐng)域非常重要。除此之外，當(dāng)生成非常多文字或復(fù)雜結(jié)構(gòu)內(nèi)容時(shí)，Qwen-Image-2.0仍可能出現(xiàn)幻覺和錯(cuò)誤，這也是下一步要探索的方向。

AIGC設(shè)計(jì)師石恕之則提到了行業(yè)內(nèi)對“圖層分離”的渴望，他形容這是整個(gè)AIGC平面市場的需求。這意味著讓大模型生成的圖片可解耦，像PS一樣實(shí)現(xiàn)圖層分離與編輯，對工業(yè)流程來說有著巨大價(jià)值，目前圖像模型仍未真正觸及。吳晨飛提到，分層模型也會是Qwen-Image下一步去探索的另一個(gè)重點(diǎn)。

“除了技術(shù)層面，視覺模型發(fā)展更多的痛點(diǎn)還是與應(yīng)用場景的結(jié)合�！毙芎程毂硎�，如何將現(xiàn)在模型能力的迭代，去結(jié)合現(xiàn)有的業(yè)務(wù)場景快速落地，也是模型發(fā)展的一大挑戰(zhàn)，這之中也藏著中國廠商“彎道超車”的機(jī)會。比如在短劇或漫劇的AIGC生成領(lǐng)域，熊撼天提到，中國漫劇的發(fā)展速度已經(jīng)遠(yuǎn)超國外了，形成了一個(gè)龐大的產(chǎn)業(yè)鏈。漫劇產(chǎn)業(yè)鏈公司會拿著最新一代的模型快速在生產(chǎn)級的場景里落地，“單劇集做一個(gè)動漫視頻的錢可能馬上就會從幾百塊錢減少到幾十塊錢�！�

強(qiáng)調(diào)“辦事能力”的同時(shí)，行業(yè)也在期待應(yīng)用反哺技術(shù)。熊撼天認(rèn)為，在技術(shù)已經(jīng)追平的情況下，中國企業(yè)更擅長做應(yīng)用，而應(yīng)用的土壤會催生出一些新的產(chǎn)業(yè)鏈，新的產(chǎn)業(yè)鏈也會反復(fù)去迭代模型的能力。