阿里釋出 Qwen-Image-3.0：支援 4500 token 長輸入，可渲染 10px 微縮文字

以前讓 AI 畫圖，輸入稍微長一點、要素稍微多一點，畫面就開始群魔亂舞，文字更是糊成一團火星文。

阿里巴巴釋出了第三代基礎影像生成模型 Qwen-Image-3.0。官方給它的定位很實在，不再只講畫面好看，而是強調「實」和「有用」，想把它做成一個能直接落地的生產力工具。

撐得住 4.5k token，一次畫出九宮格資訊圖

這次最嚇人的變化，是它把提示詞的長度上限直接拉到了 4.5k token。

能吃下這麼長的指令，意味著使用者可以用極長、極細緻的描述去指揮複雜的版面佈局。官方做了一個演示：用一段長達 3.7k token 的提示詞，直接單次渲染出一張 3×3 的九宮格大圖，而不是靠多張圖拼接。

更誇張的是，這 9 個格子裡塞滿了隧道安全漫畫、空間幾何課件、古文《出師表》賞析、生物寄生蟲講解、代數幾何裡的西羅定理，甚至還有銀行內控圖表。每個格子的圖表、公式、中英文混排全都不一樣，而且互不干擾。

除了能橫向平鋪多個並列元素，它還能做縱向的「畫中畫」巢狀。比如官方用一條指令，由外到內嵌套了 VSCode 程式碼介面、Qwen 聊天視窗、微信介面，最裡面再貼一張手衝咖啡海報，每一層的 UI 質感和細節都保留得相當完整。

連 10px 小字和 LaTeX 論文都能直接排版

文字渲染一直是生圖模型的硬傷，Qwen-Image-3.0 這次把精度摳到了微觀級別。按照官方和報道的說法，它能精確渲染低至 10px 的小字，原生支援 12 種語言，甚至可以直接生成網頁和遊戲 UI。

拿學術論文來做極端測試，它能一次性渲染一整頁代數幾何論文，包含密集的多行公式推導、上下標、希臘字母和花括號，排版都嚴絲合縫。除了印刷體，它還能在書本頁面上生成逼真的紅色手寫批註，下劃線、波浪線、箭頭和短評看起來就像高中生的課堂筆記。

另外，模型還支援聯網檢索即時知識，用來生成具有當下時效性的內容。

為什麼重要

過去大家用 Midjourney 或 Stable Diffusion，大多是用來做插畫、概念設計、海報背景，一旦涉及文字排版、產品原型或者複雜的圖表，設計師最後還是得老老實實開啟 Photoshop 或 Figma 手動加字。

Qwen-Image-3.0 的思路很清晰，它跳出了純粹比拼藝術美感的死迴圈，轉頭去啃「高密度資訊渲染」這塊硬骨頭。對於做教育課件、產品原型設計、資訊圖表整理的人來說，能直接吃下數千字結構化提示詞並準確吐出排版，確實有希望省掉大量的基礎製圖時間。

但我們認為，這也給普通使用者帶來了新的門檻：要想用好它，你得先學會寫幾千字結構嚴密的 prompt，或者依賴大語言模型先幫你寫好排版指令。同時，把 dense text 哪怕渲染得再逼真，生圖模型在面對嚴謹的邏輯推理時依然可能出現細微的幻覺符號，實際用在學術出版或金融圖表裡，人工校對的成本依然省不掉。