直接说结论吧：6月27日深夜，阿里放出了一个真正的狠角色——多模态统一理解与生成模型Qwen VLo。这玩意儿不光是能“看懂”世界，更重要的是，它能基于自己的理解进行高质量的再创造。三大核心亮点拎出来：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。
从今天开始，用户就能通过Qwen Chat访问这个模型的预览版了。举个栗子，你可以直接告诉它“生成一张可爱猫咪的图片”，它就会给你画出来；或者上传一张猫咪照片，说“给猫咪头上加顶帽子”，它也能乖乖照做。
特别值得说的是它的生成机制——用一种渐进式的方式生成图片。怎么理解呢？就像画师画画一样，不是一下就把整幅画全画完，而是在生成过程中不断对预测的内容进行调整和优化。这样最终结果自然更和谐、更一致，视觉效果提升的同时，创作体验也更灵活、更可控。
理解和生成更准确，支持开放指令修改图片
从最初的QwenVL到Qwen2.5 VL，再到这次推出的Qwen VLo，能力的迭代是一个全面的升级。它的核心亮点值得好好拆解一下：
1、更精准的内容理解与再创造
以前的多模态模型在生成时容易翻车：比如原本要生成一辆汽车，结果输出了其他类型的物体；或者没法保留原图的关键结构特征。但Qwen VLo的细节捕捉能力明显更强了，能在生成过程中保持高度的语义一致性——说白了，它更“懂”你想表达什么。
2、支持开放指令编辑修改生成
想加个帽子？想换个背景？一句话的事儿。用户可以通过自然语言提出各种创意性指令：“把这张画风改成梵高风格”、“让这张照片看起来像19世纪的老照片”、“给这张图片添加一个晴朗的天空”……Qwen VLo能灵活响应这些开放指令，生成符合预期的结果。
无论是艺术风格迁移、场景重构还是细节修饰，它都能应对。更有意思的是，一些传统的视觉感知任务——比如预测深度图、分割图、检测图、边缘信息——同样可以通过编辑指令轻松完成。再复杂一点的场景呢？一条指令里同时包含修改物体、修改文字、更换背景，它也能一次性搞定。
3、多语言指令支持
中英文自然不在话下，多种语言指令都支持。这打破了语言壁垒，全球用户都能享受统一且便捷的交互体验。
像人类画师一样精细创作，一句话“指哪改哪”
Qwen VLo更像一个人类画师：先理解，再创作。下面这些具体的交互过程，能让你直观感受它到底有多强。
1、全流程的生成与修改
从直接生成图像，到对其进行各种修改——换背景、加主体、风格迁移，甚至基于开放指令的大幅修改，还包括检测和分割等视觉感知任务——它都能胜任。
用户：生成一个可爱的柴犬
Qwen VLo：
用户：背景改成草原
Qwen VLo：
用户：给它带上红色帽子和黑色透明墨镜，帽子上写着“QwenVLo”
Qwen VLo：
用户：变成吉卜力风格
Qwen VLo：
用户：变成3D Q版风格
Qwen VLo：
用户：把它放到水晶球里
Qwen VLo：
用户：桌面上摆着这个水晶球，生成以一个人的第一视角在公园的圆形咖啡桌上在笔记本上画画
Qwen VLo：
用户：用蓝色的蒙版检测框框出图中的笔
Qwen VLo：
用户：用粉色的mask分割出图中的狗狗边缘
Qwen VLo：
2、基于理解的重新创作
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。卡通变写实、形象变气球——这些有趣的生成效果都能实现。
用户：变成真实照片
Qwen VLo：
用户：背景换成埃菲尔铁塔
Qwen VLo：
用户：变成气球飘到空中
Qwen VLo：
用户：把西瓜换成榴莲
Qwen VLo：
3、复杂指令的一步实现
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。一条指令中同时包含多个操作和修改，从而一次性完成多重任务——比如生成海报、组合物体等。
Qwen VLo：
4、标注与感知任务
除了对图像的编辑和再创作，Qwen VLo还能完成一些对已有信息的标注——检测、分割、边缘检测等。
用户：生成摆满水果的桌面
Qwen VLo：
用户：预测边缘检测图
Qwen VLo：
用户：用红色mask分割图中香蕉的边缘
Qwen VLo：
5、多图输入与理解
Qwen VLo可以支持多张图像的输入理解和生成（多图输入功能尚未正式上线）。
用户：把这些洗浴用品，放到这个红色的篮子里面
Qwen VLo：
6、纯文本到图像的生成
除了图文同时输入的情况，Qwen VLo也支持文本到图像的直接生成——包括通用图像和中英文海报等。
用户：Epic anime artwork of a wizard atop a mountain at night casting a cosmic spell into the dark sky that says “Qwen VLo!” made out of colorful energy
Qwen VLo：
7、动态长宽比图像生成
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等细长类型的图像也能轻松掌握（极端长宽比图像生成功能尚未正式上线）。
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：
8、生成后的再分析与理解
作为统一的理解与生成模型，Qwen VLo还能对生成的内容进行再分析和理解——比如识别生成图片中的狗和猫的品种。
用户：Generate a puppy and a kitten.
Qwen VLo：
用户：What breed of cat and dog is this?
Qwen VLo：
结语：统一理解与生成，看图说话再升级
Qwen VLo还创新性地引入了一种全新的渐进式生成机制。这个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。
当然，也要客观地说一句：Qwen VLo目前还属于预览阶段，在生成过程中可能存在不符合事实、不完全与原图一致、指令不遵循、在识别生图和理解意图方面不够稳定等问题。这些都是在预料之中的。
但未来的方向已经很清晰了：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。生成示意图、添加辅助线、标注关键区域——这些功能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，它们能更好地帮助模型理解世界。
