Qwen-Image-2.0: Infografiken auf Expertenniveau, ausgefeilter Fotorealismus

(qwen.ai)

10 Punkte von GN⁺ 2026-02-11 | Noch keine Kommentare. | Auf WhatsApp teilen

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

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

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

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

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

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

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

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

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“

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