🎨 图像生成 · 模型发布
阿里发布 Qwen-Image-3.0：文本输入提升 4.5 倍至 4.5K Token，一页需求说明直接画成图
7 月 21 日，阿里发布第三代图像生成基础模型 Qwen-Image-3.0：最高支持 4.5K Token 长文本输入，原生渲染 12 种语言、20 多种字体，可一次生成含公式、几何图形、逻辑推导步骤的知识图解与多层嵌套 UI——生图竞争的焦点，正从「画得美」转向「听得懂复杂需求」。
来源：公开报道•
事件时间 2026-07-21•
全文约 2 分钟读完
#Qwen-Image-3.0
#阿里千问
#文生图
#多语言渲染
#生成编辑一体化
4.5K Token
文本输入上限，可写下整页需求说明
4.5×
较前代输入长度提升（官方口径）
12 / 20+
原生渲染语言种数 / 字体数量
⚡ 30 秒速览
- 核心升级：文本输入上限 4.5K Token，为前代 4.5 倍——画面结构、文字内容、视觉风格、排版要求一次写清，不必再压缩成短指令。
- 能画什么：含公式、几何图形、逻辑推导步骤的知识图解，以及网页、软件界面、聊天窗口互相嵌套的复杂 UI。
- 文字渲染：原生支持 12 种语言、20 多种字体；官方演示中连截图时间戳等小字号文本也被保留（效果待实测）。
- 架构亮点：生成与编辑一体化——初稿、局部修改、内容扩展、风格转换在同一模型内连续完成，减少文字漂移与风格跳变。
- 怎么用上：阿里云百炼、千问 AI 平台已开放 API 邀测；Qwen Studio 与千问 App 体验功能计划上线。
014.5K Token 是什么概念？把「写咒语」变成「写需求文档」
此前的文生图用法更接近「念咒」：把需求压缩成几十个词的短指令，剩下的交给模型脑补，不满意就再来一轮。Qwen-Image-3.0 把输入上限拉到 4.5K Token——画面结构、文字内容、视觉风格、排版要求可以一次写全。
Qwen-Image-3.0阿里千问 · 第三代
4.5K
前代 Qwen-Image按官方「4.5 倍」口径推算
≈1.0K
注：「4.5 倍」为官方口径，前代输入上限未在报道中单列，此处按 4.5K ÷ 4.5 推算约为 1K Token；柱形按真实比例绘制（零起点），仅供直观对比。
短提示词工作流
需求压缩成简短指令 → 多轮生成 → 人工调整，返工是常态。
长提示词工作流
画面结构、文字内容、视觉风格、排版要求一次写清。阿里称有助于减少多轮生成和后续人工调整。
原文点名三类最能吃到长提示词红利的场景：
🎬 影视分镜
🗂️ 复杂信息图
📄 产品说明页
02一张图能装多少层？复杂信息组织能力实测演示
12原生渲染语言
20+原生渲染字体
9宫格知识图解
4类界面嵌套（演示）
🧮 九宫格知识图解官方场景
- 一条指令，生成由多个领域内容组成的九宫格知识图解。
- 图中可包含公式、几何图形、逻辑推导步骤——瞄准数学试卷、教辅图解这类信息密集型图像。
🪆 多层嵌套界面：一张图里的「套娃」官方演示 · 待实测
- 演示需求：一张图同时包含 VS Code 编程界面、千问 App、聊天窗口、手冲咖啡海报，四层内容互相嵌套。
- 生成结果按指令呈现了不同界面层级，并保留了截图时间、界面文字等较小尺寸文本。
行业媒体 原文提醒：相关效果目前主要来自企业展示，实际稳定性和不同场景下的生成质量仍需进一步测试。
背后的能力指向很明确：过去文生图最容易翻车的环节是「在图上写字」。阿里称新模型重点提升了复杂指令理解、文字渲染、空间布局与多层信息组织能力，并支持 12 种语言与 20 多种字体的原生渲染——都是在补这块短板。
03生成与编辑，收进同一个模型
Qwen-Image-3.0 采用图像生成与编辑一体化架构，将文字渲染、图像细节和知识理解能力同时用于生成和编辑两类任务。
多工具接力
生成工具出初稿，修图软件改细节，排版工具调结构——每次切换都可能引入文字变化、风格不一致、结构偏移。
一体化架构
同一模型内连续完成初次生成与后续修改，不必在多个工具之间切换；价值正落在减少二次编辑中的漂移与跳变。
初次生成→局部修改→内容扩展→风格转换
以上四步均在同一模型内完成。官方给出的任务清单还包括：古画修复、全景图扩展、手绘草图转演示文稿、多镜头视角生成。
编辑核心判断
当提示词长度不再是瓶颈，生图模型的分水岭正在从「画工」转向对复杂指令的理解与信息组织能力。
04官方点名的六大应用场景
📷人像摄影
📝数学试卷
🖥️网页界面
🛍️产品海报
🎬影视分镜
📜古籍图像
场景清单来自阿里官方发布；其中数学试卷、网页界面、影视分镜对应本次主打的复杂指令与多层信息组织能力。