- Como modelo de generación de imágenes de nueva generación, implementa una arquitectura unificada que integra generación y edición de texto e imágenes
- Admite instrucciones de 1k tokens, lo que permite generar directamente infografías complejas como PPT, pósters y cómics
- Logra al mismo tiempo una representación realista y detallada basada en resolución 2K y un renderizado preciso de texto
- Con un modelo más ligero, acelera la inferencia y registra un rendimiento sobresaliente tanto en benchmarks de texto a imagen como de imagen a imagen
- Maximiza la eficiencia en la creación de contenido visual profesional con cinco características clave: precisión (准), complejidad (多), estética (美), realismo (真) y alineación (齐)
Descripción general de Qwen-Image-2.0
- Qwen-Image-2.0 es un modelo base de generación de imágenes de nueva generación que adopta una arquitectura unificada con integración de renderizado de texto y edición de imágenes
- Procesa instrucciones de 1k tokens para generar directamente infografías profesionales como PPT, pósters y cómics
- Expresa escenas realistas y detalladas de personas, naturaleza y arquitectura en resolución 2K
- Realiza generación y edición de imágenes en un solo modo gracias a la integración de comprensión y generación de texto
- Garantiza una alta velocidad de inferencia con una arquitectura de modelo liviana
- En las pruebas ciegas de AI Arena, registró un rendimiento sobresaliente tanto en tareas de texto a imagen como de imagen a imagen
Evolución del modelo
- La serie Qwen-Image ha evolucionado en paralelo por una línea de generación y una línea de edición
- En agosto de 2025, Qwen-Image reforzó la precisión del renderizado de texto
- En diciembre de 2025, Qwen-Image-2512 mejoró el detalle y el fotorrealismo
- En la línea de edición, pasó de edición de una sola imagen (agosto) → edición de múltiples imágenes (septiembre) → mejora de consistencia (diciembre)
- Qwen-Image-2.0 combina ambas líneas en un único modelo unificado, logrando resultados sobresalientes tanto en generación como en edición
Precisión (准) y complejidad (多)
- El modelo implementa con exactitud composiciones complejas de “imagen dentro de imagen”, aumentando la eficiencia en la creación de PPT
- Como ejemplo, genera una escena compuesta con dos imágenes de la misma persona colocadas en disposición vertical, manteniendo la consistencia visual
- A través de instrucciones de 1k tokens, renderiza por completo infografías de estructura multinivel, como un reporte de pruebas A/B
- Puede generar material visual al nivel de un informe profesional, con elementos complejos como tablas, gráficos, cifras y anotaciones
- Aprovechando el conocimiento del mundo de los LLM, puede expandir automáticamente solicitudes simples en prompts descriptivos detallados
- Ejemplo: la solicitud “póster de viaje de dos días a Hangzhou” se transforma en una composición detallada de estilo, fondo y texto
Estética (美)
- Logra una armonía formal entre texto e imagen
- Reproduce con precisión el estilo tradicional chino de caligrafía y pintura en composiciones donde poesía y pintura se integran
- Expresa con precisión diversos estilos tipográficos, como 瘦金体 y Sojache
- Como ejemplo, puede recrear casi a la perfección una pintura en tinta con poemas de la dinastía Song o la «兰亭序» de Wang Xizhi en Sojache
Realismo (真)
- Refuerza la sensación de realidad mediante una representación precisa de reflejos ópticos, materiales y perspectiva
- Ejemplo: renderiza con precisión texto sobre materiales distintos como pizarras de vidrio, ropa y portadas de revistas
- Implementa una expresión integrada de iluminación, textura y materiales al nivel de un póster cinematográfico
- Ejemplo: en el póster de «千灯问心», el metal, la lluvia y la textura de la tela se fusionan de manera natural
Alineación (齐)
- Ajusta automáticamente alineación y distribución en estructuras con múltiples textos, como calendarios, cómics e infografías
- Ejemplo: alinea correctamente dentro de la cuadrícula las fechas, el calendario lunar y las anotaciones de febrero de 2026
- Centra el texto en los globos de diálogo de los cómics para lograr un flujo conversacional natural
- En una infografía de OKR, alinea automáticamente bloques de texto y flechas, y los diferencia por color
Mejora del fotorrealismo
- Distingue más de 23 tonos de verde para expresar el realismo ecológico de un bosque de verano
- Describe con detalle la textura de las hojas, los reflejos, la humedad e incluso las partículas en el aire
- Reproduce con precisión la musculatura, las expresiones y las texturas de humanos y animales
- Ejemplo: en una escena donde un caballo pisa a una persona, representa incluso la tensión muscular, la textura de la piel y las partículas de polvo
Funciones de edición de imágenes
- Como modelo Omni que integra generación y edición, las mejoras del lado de generación se reflejan directamente en la edición
- Permite insertar poesía y texto sobre imágenes existentes
- Puede fusionar personas de dos imágenes manteniendo una coincidencia natural de iluminación y sombras
- También permite edición mixta de fotos reales y personajes de caricatura
- Ejemplo: ofrece resultados de integración natural en casos como fotos compuestas de dos personas o inserción de personajes sobre fotos urbanas
Imagen de cabecera del blog “Qwen Street”
- Con un paisaje invernal de una calle de Beijing de fondo, dos tiendas simbolizan las funciones clave de Qwen-Image-2.0
- Letrero de la tienda de caligrafía a la izquierda: “文字渲染”, y en el interior “专业幻灯片 中英文海报 高级信息图”
- Letrero de la florería a la derecha: “真实质感”, con el rótulo “2k resolution” sobre la puerta
- Pizarra que sostiene el muñeco de nieve en el centro: “Qwen-Image-2.0 正式发布”
- En la calle aparece un repartidor con la frase “更小模型，更快速度”
Conclusión
- Qwen-Image-2.0 es un modelo unificado de generación de imágenes que reúne precisión, complejidad, estética, realismo y alineación
- Difumina la frontera entre texto e imagen y mejora considerablemente el nivel de automatización en la creación de infografías profesionales y contenido visual
- Para uso en investigación o creación, se recomienda citar Qwen-Image Technical Report (arXiv:2508.02324)
1 comentarios
Comentarios en Hacker News
Este meme se originó a partir de un incidente en el que el famoso presentador chino Kevin Tsai (蔡康永) llevó en una premiación un atuendo con un caballo pegado a la espalda.
En ese momento quedó envuelto en rumores con un hombre llamado ‘Ma Qiren (马启仁)’, y ese nombre suena igual en chino que ‘persona montando un caballo (马骑人)’.
El incidente se difundió por internet y se volvió meme, así que el ejemplo de “horse riding man” no salió completamente de la nada.
Aun así, la imagen sigue dando una atmósfera inquietante y extraña.
Enlace a la foto
Normalmente es más fácil al revés, con ‘una persona montando un caballo’, pero ‘un caballo montando a una persona’ es un embedding más difícil.
Al ver el prompt traducido, también había un matiz satírico de “el Año del Caballo conquista a un ingeniero blanco”.
No quiero ver cómo dibujaría esto SD1.5.
O sea, el nombre suena como ‘persona montando un caballo’, pero no es una traducción literal.
Artículo relacionado: Horse Rides Astronaut Redux
Por ejemplo, creo que las empresas estadounidenses temerían una reacción negativa si usaran estas imágenes en calendarios o materiales promocionales.
Imagen de ejemplo
Podía generar bien una imagen de ‘un astronauta montando un caballo’, pero seguía fallando al intentar hacer ‘un caballo montando a un astronauta’.
Ese problema persistió incluso en modelos más recientes, y es probable que el equipo de Qwen Image tuviera presente este benchmark difícil.
Al final, ‘astronauta = persona’, así que esta prueba termina conectándose con el meme chino.
1️⃣ Viendo el patrón de lanzamientos anteriores, es muy probable que haya open weights en 3 a 4 semanas.
2️⃣ Parece que apuntan a un modelo que pueda correr incluso en GPUs modestas, como Z‑Image Turbo (6B) y Flux.2 Klein (9B).
3️⃣ Como es un modelo único que integra generación y edición de imágenes, no hace falta separar Qwen‑Image y Qwen‑Edit.
4️⃣ En mi GenAI Showdown, Qwen‑Image fue el mejor modelo local en edición y también estuvo entre los mejores en generación.
Cuando salga una versión local, pienso agregarla al sitio.
Si es un modelo de 20B, con 20GB de RAM basta, y en ese tamaño incluso puede funcionar con iGPU.
Una configuración con 128GB de RAM unificada también se puede conseguir por unos 2200 dólares.
Es una configuración mucho más barata que comprar una GPU aparte.
Usaba su propio VAE, pero tenía problemas de artefactos de alta frecuencia.
El nuevo Qwen 2 se redujo a 7B parámetros y quedó mucho más ligero, además de actualizarse a Qwen 3 VL.
Ahora evolucionó a un modelo Omni que combina Image y Edit.
Z‑Image, Klein y Qwen están compitiendo al mismo tiempo por ocupar el lugar de “SDXL2”.
Si liberan los open weights, se va a poner realmente interesante.
Cada 3 o 4 meses cambia el SOTA, y la innovación del trimestre pasado se convierte en un producto de API.
Ahora el cuello de botella ya no es el modelo, sino la persona que maneja el prompt.
En generación de código se ve el mismo patrón.
Está compuesto por descripciones extremadamente realistas, como una pradera desolada, polvo y una escena donde un caballo marrón aplasta a un hombre.
En conjunto, es una imagen que expresa una tensión primitiva y el choque de fuerzas biológicas.
Enlace relacionado
Pero como no soporta generación de imágenes, me da curiosidad qué herramientas usa la gente para correr en Linux modelos de diffusion como Qwen.
La comunidad se encarga de todo: cuantización, conversión al formato gguf y optimización de velocidad.
Uso sobre todo
diffusers; será más lento, pero adopta rápido las arquitecturas nuevas.Sitio / Notas de lanzamiento
Para que se vea natural habría que usar signos de puntuación verticales, por ejemplo ︒.
LinkedIn está lleno de ese tipo de imágenes.
Casi nadie sabe hacer o explicar una buena infografía.
Para otro ejemplo, ver el hilo de Gas Town
La última publicación fue por diciembre de 2025.
Si usas el mismo prompt del blog funciona bien, pero si cambias un poco la entrada, se descompone la cantidad de paneles o los diálogos en inglés pasan a chino.
O sea, todavía es una función con poca consistencia.
Aunque bueno, cada quien sus gustos.