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(wèn)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(dòng)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(shuí)能從“生成好看的圖” 率先轉(zhuǎn)向 “高效解決實(shí)際問(wèn)題”，正在成為模型競(jìng)爭(zhēng)的關(guān)鍵。

Qwen-Image-2.0對(duì)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(lái)看，字節(jié)跳動(dòng)文生圖模型主要升級(jí)點(diǎn)為首次支持檢索生圖，對(duì)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(dòng)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(duì)超長(zhǎng)文字和復(fù)雜指令的渲染。

第一財(cái)經(jīng)記者分別對(duì)Qwen-Image-2.0和Seedream 5.0進(jìn)行了同題測(cè)試，以相同的提示詞分別請(qǐng)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(wú)厘頭美食番<三國(guó)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(lái)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(duì)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(huà)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(duì)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(duì)關(guān)羽的“紅臉”的體現(xiàn)不足。

公平起見(jiàn)，記者將兩道測(cè)試分別給了豆包和kimi評(píng)判“誰(shuí)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(wú)厘頭美食番<三國(guó)演義>》中選擇Seedream 5.0勝出。

kimi認(rèn)為，阿爾卑斯山場(chǎng)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(yíng)造，朦朧詩(shī)意，偏印象派，但偏“油畫(huà)感”，細(xì)節(jié)被柔化。而三國(guó)演義場(chǎng)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(lè)氛圍，無(wú)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(méi)有絕對(duì)優(yōu)劣，只有場(chǎng)景適配�！�

圖像編輯方面，記者實(shí)測(cè)過(guò)程中發(fā)現(xiàn)，在剪映平臺(tái)通過(guò)Seedream 5.0 Preview生圖后，圖片可調(diào)整范圍包括裁剪、畫(huà)質(zhì)、像素等，但無(wú)法在生成過(guò)程中或完成進(jìn)行局部調(diào)整。Qwen-Image-2.0則可在對(duì)話中直接根據(jù)指令調(diào)整圖片，不過(guò)，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(wú)厘頭美食番<三國(guó)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(chǎng)景有一定脫離。

總體來(lái)看，比起會(huì)“畫(huà)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(yǔ)義、具備可控編輯能力、根據(jù)真實(shí)場(chǎng)景及需求智能推理的方向去。換句話說(shuō)，比起“能不能畫(huà)”，大模型們轉(zhuǎn)向了“畫(huà)得是否符合使用場(chǎng)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(kāi)始。

從“會(huì)畫(huà)”到“能用”

“會(huì)辦事”，是這一年無(wú)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(lái)要面臨的問(wèn)題則更具體：“這張圖能解決什么問(wèn)題？”

千問(wèn)大模型高級(jí)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(kāi)始，文生圖或圖生圖開(kāi)始在偏C端或個(gè)人使用的場(chǎng)景中落地，但在真正的“企業(yè)級(jí)”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(wèn)題一直解決得不是很好，而隨著模型對(duì)語(yǔ)義的理解及模型能力的上限更高后，這些問(wèn)題正在技術(shù)層面被攻克。

圍繞著如何讓圖片更“可用”的競(jìng)爭(zhēng)，圖像模型在技術(shù)升級(jí)的同時(shí)，開(kāi)始圍繞生態(tài)、場(chǎng)景分化。

目前，字節(jié)已將 Seedream 5.0 深度集成到剪映、CapCut、即夢(mèng) AI等字節(jié)生態(tài)體系平臺(tái)，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(lái)計(jì)劃在美國(guó)市場(chǎng)逐步開(kāi)放，以此來(lái)鞏固字節(jié)跳動(dòng)在內(nèi)容創(chuàng)作領(lǐng)域的優(yōu)勢(shì)地位。CapCut海外官方賬號(hào)發(fā)文稱，Seedream 5.0 對(duì)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(wèn)APP，未來(lái)，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(chǎng)景。

未來(lái)一年，圖像模型可能圍繞怎樣的方向發(fā)展？對(duì)此，千問(wèn)Qwen視覺(jué)生成負(fù)責(zé)人吳晨飛表示，Qwen-Image-2.0升級(jí)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(lái)，“信息圖”是目前生圖領(lǐng)域的一個(gè)大趨勢(shì)，“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(huà)、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(jué)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(duì)“圖層分離”的渴望，他形容這是整個(gè)AIGC平面市場(chǎng)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(duì)工業(yè)流程來(lái)說(shuō)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(huì)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(jué)模型發(fā)展更多的痛點(diǎn)還是與應(yīng)用場(chǎng)景的結(jié)合�！毙芎程毂硎荆�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(chǎng)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(guó)廠商“彎道超車”的機(jī)會(huì)。比如在短劇或漫劇的AIGC生成領(lǐng)域，熊撼天提到，中國(guó)漫劇的發(fā)展速度已經(jīng)遠(yuǎn)超國(guó)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(huì)拿著最新一代的模型快速在生產(chǎn)級(jí)的場(chǎng)景里落地，“單劇集做一個(gè)動(dòng)漫視頻的錢可能馬上就會(huì)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(guó)企業(yè)更擅長(zhǎng)做應(yīng)用，而應(yīng)用的土壤會(huì)催生出一些新的產(chǎn)業(yè)鏈，新的產(chǎn)業(yè)鏈也會(huì)反復(fù)去迭代模型的能力。