アリババ、Qwen-Image-3.0を発表:リッチなコンテンツと本物の詳細に焦点を当てた画像生成
Alibabaは、Qwen-Imageシリーズの第3世代となる基盤画像生成モデル「Qwen-Image-3.0」を発表しました。同社によると、今回のリリースの核となるのは「Real(リアル)」という単一のキーワードであり、これを「豊富なコンテンツ」「本物のディテール」「深い知識」という3つの次元で説明しています。本モデルは最大4.5kトークンの指示入力に対応し、10ピクセルという小さなテキストも読み取り可能な形で描画できます。
- Qwen-Image-3.0は、AlibabaのQwen-Imageシリーズ第3世代であり、「Real(リアル)」のコンセプトを中心に据えている
- 新聞、絵コンテ、試験問題などの複雑なレイアウトに対応するため、最大4.5kトークンの指示入力に対応
- 10pxという小さなテキストも読み取り可能に描画され、毛穴や毛髪の一本一本などの細部まで再現
- 12言語をネイティブに描画し、Webページ、ゲーム、ライブ配信などのインターフェースをシミュレート可能

Qwen-Image-3.0 Pro テスト、プロンプト:「高級テクノロジーマガジンのポスター。28歳の東アジア系テクノロジーレビュアーが、洗練された透明なガラスデバイスを手に持ち、自信に満ちた表情を浮かべている。柔らかなプロフェッショナルなスタジオ照明。詳細な肌の質感、超リアルな反射。
正確なタイポグラフィがオーバーレイされた、クリーンでモダンなグラフィックデザインレイアウト。
- 上部に大きく太字の英字でメインヘッダー:「TECHAPPLE TEST」
- エレガントな繁体字中国語のタイポグラフィでサブタイトル:「極限科技 創新評測」
- クリーンな簡体字中国語テキストでセカンダリタグライン:「智能测评 极致体验」
- 小さな未来的な英字フォントで脚注テキスト:「HARDWARE REVIEW & BENCHMARK 2026」
ミニマルなダークグラファイトとエレクトリックシアンの背景、ハイコントラスト、スタジオ品質、8k解像度、プロフェッショナルな構図、受賞歴のあるポスターデザイン。 -アスペクト比 2:3」
豊富なコンテンツ
Qwen-Image-3.0は、受け付け可能な指示長を4.5kトークンに引き上げ、複雑で情報密度の高いレイアウトをモデルが理解し描画できるようにしました。発表では、3.7kトークンで記述された3×3グリッドの単一インフォグラフィックが実演されており、トンネル安全の漫画、幾何学のレッスン、生物学の解説、医療図など、各セルに正確なテキスト、数式、グラフが含まれるトピックをカバーしています。
また、このモデルは構図の奥行きも処理し、プログラミングインターフェースの中にチャットウィンドウがあり、その中にメッセージングアプリとポスターがあるといった、ネストされたインターフェースを単一の画像内でレイヤーごとに描画します。
本物のディテール
このモデルは、ミクロレベルのディテールを描画する精度において新たなレベルに達しています。10pxという小さなテキストも鮮明に読み取ることができ、毛穴や毛髪の一本一本が細かく描画され、肌の質感は写真のようなリアリズムに迫ります。発表では、密集したLaTeX数式を含む学術論文、リアルな組版の新聞、本のページに重ねられた手書きの注釈などの例が示されています。
編集タスクにおいては、このモデルは、損傷または不完全な伝統絵画の欠落部分を、元の芸術スタイルと筆致を維持しながら復元することができます。
深い知識
Qwen-Image-3.0は、12言語、複数のフォント、100以上の芸術スタイル、さまざまなUIインターフェースでの描画をカバーしており、モデルの世界知識の理解に裏打ちされています。また、インターネットに接続して最新情報を取得することも可能で、例えば特定の日付の天気予報画像を生成したり、生成されたシーン内で特定の人物やIPキャラクターを参照したりすることができます。
Alibabaは、画像生成を「使える」から「実用的」へ、そして「見た目が良い」から「役に立つ」へと移行させることを目標としており、新聞PDF、短編ドラマの絵コンテ、複雑なUIインターフェースなどの高価値な生産性シナリオをターゲットにしていると述べています。
出典:Qwen Blog
