Qwen-Image-3.0登場：4.5kトークン入力や10px極小文字描画に対応

従来の画像生成AIは、プロンプトが少し長くなったり、複雑なレイアウトを指示したりすると破綻しがちで、画像内の文字も意味不明な記号になるのがお決まりでした。

アリババは7月22日、第3世代となる画像生成モデル「Qwen-Image-3.0」を発表しました。従来の「見栄えの良さ」の追求から一歩踏み込み、「実用性」と「リアルさ」を最優先にした業務レベルの生産性ツールを目指しています。

4.5kトークンのプロンプトに対応、3×3の複雑な図解を一発生成

最大の進化は、入力可能なプロンプト長が最大4.5kトークンまで大幅に拡張された点です。

これにより、極めて情報量の多いレイアウト指示を正確に理解できるようになりました。公式のデモでは、3.7kトークンにも及ぶ指示から、画像を後から合成することなく、3×3のグリッド画像を1回の処理で丸ごと生成しています。

その9つの枠には、空間幾何学の講義スライド、古典文学の解説、寄生虫の図解、群論のシローの定理、銀行の内部統制フローなど、まったく異なる専門図解が正確な中英テキストや数式とともに整然と描かれていました。

また、横方向への要素配置だけでなく、画面の「入れ子構造」の再現も得意としています。ひとつの指示で、VSCodeの画面の中にチャット画面、さらにその中にポスターが配置されるといった多重のUI構成を、それぞれの質感を崩さずに描画できます。

10pxの極小フォントや学術論文のLaTeX数式も再現

文字描画の精度も飛躍的に向上しました。最小10pxの極小テキストを鮮明に描画でき、12言語のネイティブレンダリングに対応。WebサイトやゲームのUIデザインも高精度にシミュレートできます。

過酷なストレステストとして代数幾何学の学術論文を生成させた例では、複数行にわたる複雑なLaTeX数式、上付き・下付き文字、ギリシャ文字、波括弧などが崩れることなくレイアウトされました。教科書のページに赤ペンで手書きの波線や注釈を書き込んだようなリアルな編集表現も可能です。さらにネット検索とも連携し、最新の知識を反映した画像生成にも対応しています。

なぜ重要か

これまでの画像生成AIは、イラストやイメージカットの作成には重宝されたものの、文字や正確な図解が必要なポスターや資料作成では、結局PhotoshopやFigmaを使って手作業で仕上げる必要がありました。

Qwen-Image-3.0が巧みなのは、アート性を競う消耗戦から抜け出し、「高密度な情報レイアウト」という実務の課題に真っ向から取り組んだ点です。教材や企画書、Webデザインのプロトタイプを素早く作りたい人にとって、数千トークンの構成案から一発で視覚化できる恩恵は小さくありません。

一方で、このモデルを使いこなすには、数千トークン規模の緻密なプロンプトを用意する必要があり、テキスト生成AIと組み合わせたワークフローが前提になりそうです。また、学術論文や金融データのように1文字の誤りも許されない領域では、AI特有の微細な文字化けやハルシネーションのチェック負担が依然として残る点には注意が必要です。