阿里、字節同日上新，圖像大模型激戰“春節檔”

AI應用掀起春節大戰的同時，基礎大模型也在加速上架“春節檔”。

2月10日，阿里云發布新一代圖像生成基礎模型Qwen-Image-2.0，而千問的新一代基座模型Qwen3.5也已經在路上。同一天，字節跳動旗下剪映宣布上線新一代圖像生成模型——Seedream 5.0預覽版，距離上一代模型（Seedream 4.5）發布僅兩個多月。

臨近春節，圖像生成大模型發布按下加速鍵，事實上，伴隨著AIGC落地加速，在圖像生成領域，誰能從“生成好看的圖” 率先轉向 “高效解決實際問題”，正在成為模型競爭的關鍵。

Qwen-Image-2.0對陣Seedream 5.0

盡管同日發布，兩款模型在技術路徑和生成效果上有著一定的差異。

具體來看，字節跳動文生圖模型主要升級點為首次支持檢索生圖，對提示詞的理解準確性增強、支持更細節、精細紋理的圖像生成，允許用戶精確調整圖像。而阿里的Qwen-Image-2.0則是Qwen-Image項目自2025年5月啟動后，首次將生圖和編輯兩條支線迭代的模型能力統一整合到單一模型架構中，提升了中文漢字渲染方面能力，并輸入提示詞擴展到1K token，優化了對超長文字和復雜指令的渲染。

第一財經記者分別對Qwen-Image-2.0和Seedream 5.0進行了同題測試，以相同的提示詞分別請Qwen-Image-2.0和Seedream 5.0生成了《清晨霧中的瑞士阿爾卑斯山》和《無厘頭美食番<三國演義>》兩張圖片，Qwen-Image-2.0和Seedream 5.0分別作答如下：

從生成效果來看，兩大模型在生成圖片的清晰度和細致度上都有了較大的提升，對于薄霧的層次、水中倒影、兵器造型的餐具等都能夠準確理解和生成，總體上，Qwen-Image-2.0的畫風更偏寫實，而Seedream 5.0則更具美感。但在具體指令的理解準確度上，模型仍存在一定的偏差，例如Seedream 5.0對兵器造型的餐具理解停留在西餐而非火鍋餐具，而Qwen-Image-2.0對關羽的“紅臉”的體現不足。

公平起見，記者將兩道測試分別給了豆包和kimi評判“誰更符合原提示詞的需求？”，發現豆包和kimi做出了同樣的判斷。在《清晨霧中的瑞士阿爾卑斯山》中，它們選擇了Qwen-Image-2.0勝出，在《無厘頭美食番<三國演義>》中選擇Seedream 5.0勝出。

kimi認為，阿爾卑斯山場景（寫實風景）中，Qwen-Image-2.0的細節精度拉滿、紋理清晰，而Seedream 5.0更重氛圍感營造，朦朧詩意，偏印象派，但偏“油畫感”，細節被柔化。而三國演義場景（卡通萌系）中，kimi認為，Qwen-Image-2.0漏讀關鍵詞“舉起”而更像“圍坐”，Seedream 5.0更體現出了熱血歡樂氛圍，無厘頭解構感強。最終，kimi給出的判詞是：“Qwen-Image-2.0像嚴謹的工程師，Seedream 5.0像懂流量的設計師——沒有絕對優劣，只有場景適配。”

圖像編輯方面，記者實測過程中發現，在剪映平臺通過Seedream 5.0 Preview生圖后，圖片可調整范圍包括裁剪、畫質、像素等，但無法在生成過程中或完成進行局部調整。Qwen-Image-2.0則可在對話中直接根據指令調整圖片，不過，圖像編輯的準確度仍有待提升。記者嘗試讓Qwen-Image-2.0在《無厘頭美食番<三國演義>》圖中加入一個碗，Qwen-Image-2.0選擇直接將火鍋的外殼換成了碗，再次追加指令后，Qwen-Image-2.0成功加上了碗，甚至自主加上了桌子，展現了一定的邏輯推理能力，但碗內的食物又與火鍋場景有一定脫離。

總體來看，比起會“畫圖”，步入2026年，圖像生成模型都在往真正解讀用戶意圖、準確理解語義、具備可控編輯能力、根據真實場景及需求智能推理的方向去。換句話說，比起“能不能畫”，大模型們轉向了“畫得是否符合使用場景”。但在復雜且非專業指令的理解以及圖像可控編輯的“深水區”，頭部廠商的真正較量才剛剛開始。

從“會畫”到“能用”

“會辦事”，是這一年無論大模型還是AI應用都在強調的方向，圖像模型接下來要面臨的問題則更具體：“這張圖能解決什么問題？”

千問大模型高級解決方案架構師熊撼天在接受包括第一財經在內的媒體采訪時提到，從2023年開始，文生圖或圖生圖開始在偏C端或個人使用的場景中落地，但在真正的“企業級”應用層面，離落地始終有距離，實際上是“生成不可控”的問題一直解決得不是很好，而隨著模型對語義的理解及模型能力的上限更高后，這些問題正在技術層面被攻克。

圍繞著如何讓圖片更“可用”的競爭，圖像模型在技術升級的同時，開始圍繞生態、場景分化。

目前，字節已將 Seedream 5.0 深度集成到剪映、CapCut、即夢 AI等字節生態體系平臺，方便創作者直接完成生圖、分鏡、視頻創作、分發抖音等操作，支持2K與4K分辨率輸出，限時免費使用，未來計劃在美國市場逐步開放，以此來鞏固字節跳動在內容創作領域的優勢地位。CapCut海外官方賬號發文稱，Seedream 5.0 對標Nano Banana Pro，但價格便宜得多。記者了解到，Qwen-Image-2.0 也將在正式發布時上線阿里千問APP，未來，Qwen-Image-2.0與阿里系電商等業務的打通也成為業內關注的方向，Qwen-Image-2.0或許將更多落向電商、專業PPT、海報設計等場景。

未來一年，圖像模型可能圍繞怎樣的方向發展？對此，千問Qwen視覺生成負責人吳晨飛表示，Qwen-Image-2.0升級的核心之一是“信息圖”。信息圖可以理解為“爸爸圖”，每一張“爸爸圖”中都包含很多的子圖，每一個子圖有各自的細節。在他看來，“信息圖”是目前生圖領域的一個大趨勢，“生成一張圖”不再是傳統意義上的“一張圖”，而是一口氣生成了很多張關聯圖片，這種能力在漫畫、復雜海報、PPT制作等領域非常重要。除此之外，當生成非常多文字或復雜結構內容時，Qwen-Image-2.0仍可能出現幻覺和錯誤，這也是下一步要探索的方向。

AIGC設計師石恕之則提到了行業內對“圖層分離”的渴望，他形容這是整個AIGC平面市場的需求。這意味著讓大模型生成的圖片可解耦，像PS一樣實現圖層分離與編輯，對工業流程來說有著巨大價值，目前圖像模型仍未真正觸及。吳晨飛提到，分層模型也會是Qwen-Image下一步去探索的另一個重點。

“除了技術層面，視覺模型發展更多的痛點還是與應用場景的結合。”熊撼天表示，如何將現在模型能力的迭代，去結合現有的業務場景快速落地，也是模型發展的一大挑戰，這之中也藏著中國廠商“彎道超車”的機會。比如在短劇或漫劇的AIGC生成領域，熊撼天提到，中國漫劇的發展速度已經遠超國外了，形成了一個龐大的產業鏈。漫劇產業鏈公司會拿著最新一代的模型快速在生產級的場景里落地，“單劇集做一個動漫視頻的錢可能馬上就會從幾百塊錢減少到幾十塊錢。”

強調“辦事能力”的同時，行業也在期待應用反哺技術。熊撼天認為，在技術已經追平的情況下，中國企業更擅長做應用，而應用的土壤會催生出一些新的產業鏈，新的產業鏈也會反復去迭代模型的能力。