- Ein Bildgenerierungsmodell der nächsten Generation, das eine einheitliche Architektur zur Integration von Text- und Bildgenerierung sowie -bearbeitung umsetzt
- Unterstützt 1k-Token-Anweisungen und kann dadurch komplexe Infografiken wie PPTs, Poster und Comics direkt erzeugen
- Vereint 2K-Auflösung für detaillierte realistische Darstellungen mit präzisem Text-Rendering
- Durch Modellverschlankung wurde die Inferenzgeschwindigkeit erhöht; zugleich erzielt es starke Ergebnisse in Benchmarks für Text-zu-Bild und Bild-zu-Bild
- Mit fünf Kerneigenschaften – Präzision (准), Komplexität (多), Ästhetik (美), Realismus (真) und Ausrichtung (齐) – wird die Effizienz bei der Erstellung professioneller visueller Inhalte maximiert
Überblick über Qwen-Image-2.0
- Qwen-Image-2.0 ist ein grundlegendes Bildgenerierungsmodell der nächsten Generation, das eine einheitliche Architektur nutzt, welche Text-Rendering und Bildbearbeitung integriert
- Verarbeitet 1k-Token-Anweisungen und erzeugt direkt professionelle Infografiken wie PPTs, Poster und Comics
- Stellt mit 2K-Auflösung detaillierte realistische Szenen mit Menschen, Natur und Architektur dar
- Führt dank integriertem Textverständnis und integrierter Textgenerierung Bildgenerierung und Bearbeitung in einem einzigen Modus aus
- Sichert mit einer verschlankten Modellarchitektur hohe Inferenzgeschwindigkeit
- Im Blindtest von AI Arena erzielte es starke Leistungen sowohl bei Text-zu-Bild- als auch bei Bild-zu-Bild-Aufgaben
Entwicklung des Modells
- Die Qwen-Image-Serie wurde entlang eines Generierungs- und eines Bearbeitungs-Tracks parallel weiterentwickelt
- Im August 2025 verbesserte Qwen-Image die Präzision beim Text-Rendering
- Im Dezember 2025 steigerte Qwen-Image-2512 Detailgrad und Fotorealismus
- Im Bearbeitungs-Track erfolgte die Erweiterung von Einzelbildbearbeitung (August) → Mehrbildbearbeitung (September) → verbesserter Konsistenz (Dezember)
- Qwen-Image-2.0 verbindet beide Tracks zu einem integrierten Modell und erzielt sowohl bei Generierung als auch Bearbeitung herausragende Ergebnisse
Präzision (准) und Komplexität (多)
- Das Modell setzt komplexe „Bild-im-Bild“-Kompositionen präzise um und erhöht damit die Effizienz bei der Erstellung von PPTs
- Als Beispiel erzeugt es eine zusammengesetzte Szene mit zwei Bildern derselben Person, oben und unten angeordnet, bei gleichbleibender visueller Konsistenz
- Mit 1k-Token-Anweisungen rendert es mehrstufige Infografiken (z. B. A/B-Test-Berichte) vollständig
- Dadurch lassen sich visuelle Materialien auf dem Niveau professioneller Reports erzeugen, einschließlich Tabellen, Diagrammen, Kennzahlen und Anmerkungen
- Durch Nutzung des Weltwissens eines LLM können einfache Anfragen automatisch zu detaillierten Beschreibungs-Prompts erweitert werden
- Beispiel: Die Anfrage „Reiseplakat für zwei Tage in Hangzhou“ wird in eine detaillierte Vorgabe für Stil, Hintergrund und Textaufbau umgewandelt
Ästhetik (美)
- Realisiert eine gestalterische Harmonie zwischen Text und Bild
- Reproduziert den traditionellen chinesischen Stil von Kalligrafie und Malerei mit vereinter Bild- und Dichtkomposition präzise
- Stellt verschiedene Schriftstile (z. B. 瘦金体, Xiaozhuan) präzise dar
- Als Beispiele werden Tuschemalereien mit Gedichten aus der Song-Zeit oder Wang Xizhis „兰亭序“ nahezu perfekt in Xiaozhuan reproduziert
Realismus (真)
- Verstärkt die Wirklichkeitsnähe durch präzise Darstellung von optischen Reflexionen, Materialien und Perspektive
- Beispiel: Text auf unterschiedlichen Materialien wie Glas-Whiteboards, Kleidung und Magazincovern wird präzise gerendert
- Setzt eine integrierte Darstellung von Beleuchtung, Textur und Materialität auf Filmplakat-Niveau um
- Beispiel: Im Poster zu „千灯问心“ verschmelzen Metall, Regen und Stofftexturen natürlich miteinander
Ausrichtung (齐)
- Passt bei Kalendern, Comics und Infografiken mit mehrteiligen Textstrukturen Ausrichtung und Layout automatisch an
- Beispiel: In einem Kalender für Februar 2026 werden Datum, Mondkalender und Anmerkungen präzise innerhalb des Rasters ausgerichtet
- Sprechblasentexte in Comics werden zentriert, wodurch ein natürlicher Gesprächsfluss entsteht
- In einer OKR-Infografik werden Textblöcke und Pfeile automatisch ausgerichtet und farblich unterschieden
Verbesserter Fotorealismus
- Unterscheidet mehr als 23 Grüntöne und stellt so die ökologische Realitätsnähe eines sommerlichen Waldes dar
- Blatttexturen, reflektiertes Licht, Feuchtigkeit und sogar Partikel in der Luft werden detailliert beschrieben
- Reproduziert Muskulatur, Mimik und Texturen von Menschen und Tieren präzise
- Beispiel: In einer Szene, in der ein Pferd auf einen Menschen tritt, werden Muskelspannung, Hauttextur und Staubpartikel dargestellt
Bildbearbeitungsfunktionen
- Als Omni-Modell, das Generierung und Bearbeitung integriert, fließen Verbesserungen auf der Generierungsseite direkt in die Bearbeitung ein
- Gedichte und Text können in bestehende Bilder eingefügt werden
- Personen aus zwei Bildern können kombiniert werden, wobei natürliche Übereinstimmung von Licht und Schatten erhalten bleibt
- Auch gemischte Bearbeitung aus Realfoto und Cartoon-Charakter ist möglich
- Beispiele wie zusammengesetzte Fotos zweier Personen oder das Einfügen von Charakteren in Stadtfotos liefern natürlich integrierte Ergebnisse
Blog-Header-Bild „Qwen Street“
- Vor dem Hintergrund einer winterlichen Straßenszene in Peking symbolisieren zwei Geschäfte die Kernfunktionen von Qwen-Image-2.0
- Schild des Kalligrafieladens links: „文字渲染“, innen „专业幻灯片 中英文海报 高级信息图“
- Schild des Blumenladens rechts: „真实质感“, Kennzeichnung über der Tür „2k resolution“
- Tafel des Schneemanns in der Mitte: „Qwen-Image-2.0 正式发布“
- Auf der Straße erscheint ein Lieferfahrer mit dem Slogan „更小模型，更快速度“
Fazit
- Qwen-Image-2.0 ist ein integriertes Bildgenerierungsmodell mit Präzision, Komplexität, Ästhetik, Realismus und Ausrichtung
- Es verwischt die Grenzen zwischen Text und Bild und verbessert den Automatisierungsgrad bei der Erstellung professioneller Infografiken und visueller Inhalte deutlich
- Für die Nutzung in Forschung oder Kreativarbeit wird die Zitierung des Qwen-Image Technical Report (arXiv:2508.02324) empfohlen
1 Kommentare
Hacker-News-Kommentare
Dieses Meme geht auf einen Vorfall zurück, bei dem der bekannte chinesische Moderator Tsai Kang-yung (蔡康永) bei einer Preisverleihung ein Kostüm trug, bei dem ein Pferd an seinem Rücken befestigt war
Damals geriet er wegen eines Gerüchts um einen Mann namens „Ma Qiren (马启仁)“ in die Schlagzeilen, und dieser Name klingt im Chinesischen genauso wie „jemand, der auf einem Pferd reitet (马骑人)“
Der Vorfall verbreitete sich im Internet und wurde zu einem Meme, daher ist das Beispiel „horse riding man“ nicht völlig aus der Luft gegriffen
Das Bild selbst vermittelt allerdings weiterhin eine unheilvolle und bizarre Stimmung
Link zum Foto
Normalerweise ist umgekehrt „eine Person reitet ein Pferd“ die leichtere Variante, während „ein Pferd reitet eine Person“ ein schwierigeres Embedding ist
Im übersetzten Prompt steckte anscheinend auch eine satirische Nuance wie „Das Jahr des Pferdes unterwirft einen weißen Ingenieur“
Ich möchte lieber nicht sehen, wie SD1.5 das zeichnen würde
Der Name klingt also wie „jemand, der auf einem Pferd reitet“, ist aber keine wörtliche Übersetzung
Zugehöriger Artikel: Horse Rides Astronaut Redux
Zum Beispiel würden US-Unternehmen vermutlich mit Gegenwind rechnen, wenn sie solche Bilder in Zeitplänen oder Werbematerial verwenden
Beispielbild
Bilder von „einem Astronauten, der auf einem Pferd reitet“ gelangen gut, aber „ein Pferd, das auf einem Astronauten reitet“ scheiterte am Ende immer
Dieses Problem bestand auch bei neueren Modellen weiter, und das Qwen-Image-Team dürfte sich dieses schwierigen Benchmarks bewusst gewesen sein
Letztlich ist „Astronaut = Mensch“, wodurch dieser Test mit dem chinesischen Meme verknüpft wird
1️⃣ Wenn man sich frühere Release-Muster ansieht, ist Open-Weight innerhalb von 3–4 Wochen sehr wahrscheinlich
2️⃣ Es wirkt so, als ob Modelle angestrebt werden, die auch auf schwächeren GPUs laufen, ähnlich wie Z‑Image Turbo (6B) und Flux.2 Klein (9B)
3️⃣ Es ist ein einzelnes Modell, das Bildgenerierung und Bearbeitung integriert, sodass man Qwen‑Image und Qwen‑Edit nicht getrennt halten muss
4️⃣ In meinem GenAI Showdown lag Qwen‑Image bei lokalen Modellen auf Platz 1 bei der Bearbeitung und auch bei der Generierung weit oben
Sobald eine lokale Version erscheint, werde ich sie auf der Website ergänzen
Bei einem 20B-Modell reichen also 20 GB RAM, und in dieser Größenordnung geht es sogar mit einer iGPU
Eine Konfiguration mit 128 GB Unified RAM ist schon für etwa 2200 Dollar machbar
Das ist ein deutlich günstigeres Setup, als eine separate GPU zu kaufen
Es nutzte ein eigenes VAE, hatte aber Probleme mit hochfrequenten Artefakten
Das neue Qwen 2 ist mit 7B Parametern deutlich leichter geworden und wurde auf Qwen 3 VL aktualisiert
Es hat sich inzwischen zu einem Omni-Modell entwickelt, das Image und Edit zusammenführt
Z‑Image, Klein und Qwen konkurrieren derzeit gleichzeitig um den Platz von „SDXL2“
Wenn Open-Weight veröffentlicht wird, wird das wirklich spannend
Alle 3–4 Monate wechselt das SOTA, und die Innovation des letzten Quartals wird zum API-Produkt
Der Engpass ist inzwischen nicht mehr das Modell, sondern die Person, die mit Prompts umgeht
Dasselbe Muster sieht man auch bei Codegenerierung
Er besteht aus extrem realistischer Beschreibung einer Szene mit trostloser Steppe, Staub und einem braunen Pferd, das einen Mann niederdrückt
Insgesamt zeigt das Bild eine rohe Spannung und den Zusammenprall biologischer Kraft
Passender Link
Bildgenerierung wird dort allerdings nicht unterstützt, daher frage ich mich, welche Tools man unter Linux verwendet, um Diffusion-Modelle wie Qwen auszuführen
Die Community kümmert sich dort um Quantisierung, Konvertierung ins GGUF-Format und Geschwindigkeitsoptimierungen
Ich nutze meist
diffusers; das ist zwar langsamer, unterstützt aber neue Architekturen sehr schnellWebsite / Release Notes
Mit vertikalen Satzzeichen (z. B. ︒) würde es natürlicher aussehen
LinkedIn ist voll von solchen Bildern
Es gibt kaum Menschen, die gute Infografiken erstellen oder überhaupt erklären können, was eine gute Infografik ausmacht
Ein weiteres Beispiel findet sich im Gas-Town-Thread
Die letzte Veröffentlichung war wohl etwa im Dezember 2025
Mit demselben Prompt wie im Blog funktioniert es gut, aber sobald man die Eingabe nur leicht verändert, stimmt die Zahl der Panels nicht mehr oder englische Dialoge werden zu Chinesisch
Das ist also noch eine Funktion mit mangelnder Konsistenz
Aber nun ja, jedem das Seine