一句"一只在雨中弹吉他的柯基",会被改写成一整段英文长描述,再附一个 16:9 宽高比建议,然后才轮到文生图模型接手。Qwen-Image-PE 把这一步做成了能单独下载的模型——9B 权重已挂在 Hugging Face 的 Qwen-Image-2.1-PE-T2I 上,推理代码同步进了 Qwen 官方仓库(arXiv:2610.33472)。
靶子不是"更好看",是"会设计"
传统提示词增强只把短需求扩写成更长的描述。Qwen-Image-PE 换了个靶子——光影、构图、布局、细节四个设计维度。
训练分两段。第一段是 Caption-Based Reverse Distillation:不收集人写的好提示词,而是反过来把"设计得好的图"密集描述出来,让改写器从用户需求预测出这种描述。论文用 t-SNE 比了 1000 条请求,改写提示词与真实训练 caption 分布更近:unigram/bigram 的 JS 散度从 0.229/0.539 降到 0.105/0.329,MAUVE 从 0.032 升到 0.414(对照是 Qwen-3.8-Max)。
第二段是 Groupwise Design Reward。多模态裁判把同一请求的一组候选图拼成网格,四个设计维度一次性联合打分,所有候选共享同一组参照。它只需 D×K 次裁判调用,低于逐点打分的 D×G,远低于穷举两两比较。
密度不够,改写反而帮倒忙
三条标度轴:训练数据从 1.25 万加到 10 万,Overall 从 55.87 爬到 57.61,只涨 1.74 分且增量一路递减;模型从 Qwen3.5-2B 换到 397B-A17B,从 49.56 涨到 59.86,涨 10.30 分;信息密度从 L1 到 L4,从 44.65 涨到 57.31,涨 12.66 分——密度最猛。
关键在于 L1 和 L2 低于完全不增强的原始请求(54.36),只有 L3、L4 才反超 1.03 和 2.95 分。密度不够时改写不是无效,而是负收益:把用户本就含糊的需求,改写成另一种含糊。
三盆冷水
第一,数字全是论文自测,Qwen-Image-Bench 是 Qwen 自己的基准。397B 综合分 62.17,比原始请求高 7.81 分,同一底座上压过 GPT-5.5(60.10)、Gemini-3.1-Pro(60.04)、FLUX 3 Image Klein PE(59.90),均属论文自报成绩。
第二,拿第一的 397B 是内部模型(表格标了 †),放出来的只有 9B。9B 综合分 60.28 也压过那批对手,但 Layout 一项 60.72 落后 GPT-5.5 的 61.60;397B 的 Layout 是 61.11,对 61.15 基本打平。
第三,增强器补输入端,补不过底座。同一张表里直接出图的 GPT Image 2 综合分 64.69,仍高于 Qwen-Image-2.1 加 397B 增强器后的 62.17(底座不同,仅供参考)。迁移实验也画出边界:FLUX 3 Image Klein 上原生增强器 56.36,9B 与 397B 是 57.81、59.10;混元 HunyuanImage-2.1 上原生 PE-32B 只有 48.59,9B 和 397B 是 51.04、51.66。
所以呢
提示词改写正在变成可单独训练、下载、部署的模型品类。9B 权重落地意味着它不再需要闭源 API,也意味着你要自己占一张卡。
值得抄走的是密度门槛:改写器的价值不来自说得更多,而来自说的那部分是不是真信息。密度不足时反而拉低成品质量的改写器,比没改写更糟。