铁石心肠

阿里最强图像模型，变了_我的网站

一 |     今天，7月21号。         阿里发布了它最强的图像模型，Qwen-Image-3.0，接下来，估计你会看到一大堆实测；发布会官方的关键词，就一个字：实；内容丰实、细节真实、知识厚实；三个词，阿里自己给的答案。         但我想退一步，先问一个问题：图像模型发展到今天，到底在比什么？          搞懂这个，比看一场花里胡哨的演示重要得多。         为什么这么说？          过去几年，你对AI生图的印象，大概还停在「画得像不像、美不美」这一层。手指头画对了没，光影真不真实，AI味重不重。    近日，在新余市分宜县亚林中心年珠实验林场，工作人员发现国家近危级珍稀植物——水晶兰。图源：“江西发布”微信公众号　　水晶兰，这个名字如梦如幻，在生物界中也有着独特而神秘的地位。它是武侠小说“幽灵之花”的原型，其形酷似一株洁白无瑕的水晶，散发着诡异而迷人的光芒。水晶兰虽然分布广泛，但其个体数量在同一地区却极为很少，是名副其实的珍稀植物。　　当天上午，年珠实验林场的工作人员在林区野外作业时，无意中发现路边生长着几株奇特植物，植物高10至15厘米，为白色半透明鳞片，花朵微微下垂。后经辨认，该植物为水晶兰。         这套比赛规则里，图像模型是个画师，考画功。　　据了解，水晶兰虽然名字带“兰”却不是兰花，而属于鹿蹄草科植物。多年生，草本，腐生；茎直立，单一，不分枝，高10厘米至30厘米，全株无叶绿素，白色，肉质，干后变黑褐色。水晶兰八九月份开花，主要分布于俄罗斯、日本、印度、东南亚、北美等国家及地区；在我国主要分布于山西、云南、四川、贵州、广西等省份。　　水晶兰对海拔、气候、土壤等生长环境尤为苛刻，分布在中高海拔的针阔混交林和阔叶林下，大多生长在海拔800米至3200米的幽暗潮湿的环境里，只有在人迹罕至、阳光稀缺、生态环境非常好且落叶重重的深山丛林里才有机会见到，非常罕至。可这场发布会，阿里声称的所有升级，指向的都不是画功。　　水晶兰经过千万年的进化，叶子已经蜕变成白色的鳞片，浑身晶莹剔透如水晶一般，没有一点叶绿素，无法进行光合作用，依靠腐烂的植物获得养分。因其特殊的腐生方式，水晶兰被称作“幽冥之花”，或称“梦兰花”“腐生花”等，是一种无毒植物。在武侠小说中，水晶兰被神化成能够起死回生的仙草，要么被视为具有灵异力量，可以无形中致人毙命的邪物，甚至将它的幽香也描写得令人毛骨悚然。其实水晶兰既没有回天的魔力，更不会伤人致命，而是一味性草味淡，可医治体虚久咳的民间良药。　　水晶兰虽属多年生草本腐生植物，即其正常生命周期超过两年，但一年365天，有300多天都隐藏在地下，只有40多天露出地面，开花结果。如果碰到极端天气，或者受到环境影响，它们露出地面的时间还会更短。         是另一个指标：一张图里，能装下多少东西。         说一个最直观的数字。

二 | 提示词长度。水晶兰在2013年列入《中国生物多样性红色名录-高等植物卷》，属于近危物种。　　水晶兰的种子异常微小，几乎没有任何营养物质，且根部完全寄生在其他植物的根上。上一代Qwen-Image-2.0，一次最多吃进去1K token的指令。3.0直接拉到了4.5K。翻了4.5倍。

三 | 这种生物特性使得水晶兰在普通的人工环境中很难存活。　　“水晶兰对生长环境要求特别苛刻，这表明大岗山地区生态环境保护的效果很好，同时也对水晶兰的地域分布研究提供了参考。         这意味着什么？          过去你给图像模型下指令，只能压成一句话。现在你可以像给设计师写需求文档一样，把画面结构、文字内容、排版细节，完整地写进去。         发布会现场演示的一条提示词，3700个token，折合约13000个字符。”亚林中心年珠实验林场科技人员袁毅杰称。什么概念？一份小型说明书的体量。         这份说明书生成了什么？          一张九宫格。　　（透视社综合央视新闻、云南网、大江网、贵州日报、大皖新闻、南宁晚报、“江西发布”微信公众号报道）　　编辑：李煦、廖明娟（实习）　　校对：李旭颖　　审核：龚紫陌。九个格子，九个不同学科的知识图解。数学公式、几何图形、逻辑推导，各画各的，互不串门。一条指令，一次生成。

四 |          作为对照，现场把同一条提示词喂给了2.0；超出1K限度之后，模型就开始「胡字」，连九宫格的框都排错了位置。         另一组演示往纵深走，让模型生成一个VSCode编程界面，界面里打开着千问App，App的聊天窗口里躺着一张手冲咖啡海报。

五 |          三层界面套娃，每一层的结构和风格都要对，最里层海报上的文字还得清晰可辨。         官方演示里，手机截图上的时间数字，小到只有10个像素，现场还把一张YouTube界面图放大20倍来看，这些字小到只占原图的1%，字字可辨。         把这些演示摆在一起，动作是同一个：          往一张图里塞进更多的东西。更长的指令、更多的画面、更深的嵌套、更小的字；塞进去，还要保证每个字都是对的。         这就是「实」的人话版本：信息密度；图像模型比赛项目，正在从「画得好不好」，换成「装得下，装不下」。         ......          问题来了：一张图塞这么满，给谁看？谁买单？          这就要算一笔账了，图像模型这门生意，主流模式简单到有点原始：按产出量。         我查了一下现在市面上的计费方式。国内厂商的图像API，普遍按张收费，生成一张收一张的钱。         OpenAI的GPT-Image-2按token计费，产出的图越多越大，token烧得越多。名目不同，骨架是同一副：客户为产出的量买单。

六 |          阿里的3.0目前还在公测申请阶段，没有定价；不过，记住「按量收钱」这四个字。我们再回头看发布会上一个不起眼的案例。         讲商业化的架构师举了短剧行业：          过去客户做一部短剧的前期素材，人设图、场景图、每个镜头的分镜图，要一张一张生成，几十张起步。现在这些元素可以融在一张图里，一次出完。         官方的原话：过去生成几十张图的事，今天一张搞定。         这笔账发布会没有算下去，我替它算完；按量计费的模式下，几十张变一张，客户这个环节的账单就压到了原来的几十分之一，单价一分没动，客户掏的钱少了一个数量级。         这不是短剧一个行业的特例。         讲到办公场景时，同一位架构师又算了一笔时间的账：过去自己调一个复杂的PPT页面，字号、字距、排版一处处抠，要半小时甚至一小时，用3.0生成，最快半分钟。         张数的账、时间的账，算的是同一件事：图的信息密度越高，客户为一份可用素材付出的成本就越低。         C端是同一个逻辑的零售版。         发布会上，千问App的产品经理举的例子是手帐和社媒封面；过去要找模板、挑图、拼字、调排版，做到一半就想放弃。

七 | 现在一句话丢给模型，文字、排版、贴图一次成型。         企业省账单，个人省那个熬夜拼图的晚上，这大概就是信息密度在商业上的真实身份：一种不打价格战的降价。         直接降单价是价格战，人人都会，也人人都伤，把降价做成技术能力就不一样了：一张图装得下九张图的内容，等于用一张的价格卖九张的货。

八 |          而这个折扣，只有装得下的模型给得起，想给同样折扣的对手，得先把4.5K token的长指令、互不干扰的排版这些能力做出来。         降价，被做成了门槛。         这也解释了为什么发布会把GPT-Image-2挂在嘴边。那是目前公认的天花板，也是把文字渲染、信息图当主打能力的模型。         两家瞄着的是同一个方向：图不再是画，可以直接商用的信息载体。         方向对不对，市场用脚投票；各家走到哪一步，得看第三方的尺子。         这里如实交代一句：阿里闭源旗舰没有上过第三方盲测榜，今天「仅次于GPT Image」的信息，来自自家评测，毕竟还没放出来。         但这笔降价的账，往下多想一步，会碰到一个悬着的问题：          按量计费的生意，收入等于单价乘以量；信息密度把客户要买的量压掉一个数量级，单价又没人敢涨。这门生意的收入，以后从哪里长出来？我不知道。         能确定的只有一件事：这个能往图里塞东西的本事，正在变成竞争的胜负手。         ......          既然是胜负手，为什么偏偏只有这几家能做到？因为回头看那些演示，考的都不是画笔。         把10个像素的字写对，考模型认不认识这个字。九个学科各画各的、互不串门，考它知不知道对数函数长什么样、蜻蜓的翅膀分几节。         三层界面套娃不乱，考它捋不捋得清「界面里的App里的聊天窗里的海报」这种嵌套关系；这些能力拼在一起，有一个统一的名字：语言模型的能力。         文字渲染、世界知识、长指令理解、逻辑结构，没有一样是传统图像模型的看家本领，全是从大语言模型那边外溢过来的。

九 |          外溢还有一个更直接的证据：编辑。         这一代模型把生图、编辑做进了同一个架构。官方的说法是，文生图里积累的文字渲染、细节质感和世界知识，会自然迁移到编辑场景。         所以，你能看到古画修复前后文字不丢、手绘草图直接转成PPT这类演示；能迁移，说明这些本事长在底下那个理解世界的模型里。         另外，线上发布时，有一句话值得单独摘出来。         演示九宫格时，技术负责人说，这个case试了目前市面上的模型，只见到两个能做到；一个是千问3.0。另一个他没点名，语境里指向GPT-Image-2。         注意这两家，都是先把语言模型做进第一梯队，再回头做图像的公司。         牌桌上剩下这两位，不是巧合，图像模型的门槛，已经挪到了语言那一侧。         发布会的结尾也在往同一个方向指，外部嘉宾被问到还期待什么，他说：「我发一张图给你，你捣鼓完直接返我十张能用的。」          技术负责人接的词是agentic image generation。他管这叫三思而后行：一思用户意图，二思收集素材，三思整合统筹。最后才轮到生成。         四步里，前三步全是语言模型的活；生成，那个我们以为的主角，排在最后一步。         我翻了翻这条产品线的发布记录，商业身段的变化也对得上。

十 |          1.0在2025年8月发布时是开源的，那是千问递给开源社区的一张名片；2.0起，旗舰不再开源。

十一 | 到今天的3.0，直接走API公测申请。         开源线没有断，早先的编辑模型至今仍是开源阵营里最能打的，只是旗舰收进了柜台。

十二 |          会画图的模型，开源社区里已经不稀缺了；会读需求文档的模型，稀缺，收进柜台的是后者。         90分钟的发布会，讲一个图像模型，拆到最后，图像可能只是入口，一个「实」字背后，是提示词变成需求文档，一张图当九张图卖，是画画的本事让位给读题的本事。         再往前一步，问题就变成了：          当塞图的能力全部来自语言，图像模型还是一个独立的物种，还是语言模型的一个输出头？          这个问题很有意思。不过看演示的方向，阿里自己可能也在思考。它只是把每一步都往「更实」的方向踩，踩到哪算哪。         我先把我听到、理解后的思考发出来；回头体验一下，也许会有新想法。

Current article:http://pobianbenmailuntiraoeng.cfd/news/20260826_98708.html

Published on:01:54:47