2025年12月22日，阿里巴巴通义实验室开源全新图像生成模型Qwen-Image-Layered，首次在模型内实现Photoshop级的图层理解与图像生成——这意味着，AI不再把图片当作扁平的像素点阵，而是像专业设计师一样，能"脑补"出图像的立体结构和空间关系。这一突破标志着视觉大模型从"像素预测"迈向"结构重组"，或将彻底改写数字创意产业的生产逻辑。
技术内核：给AI装上"分层视觉"
传统AI生图最大的痛点是"牵一发而动全身"。你想把画面里的猫向左移动10厘米，AI却不知道猫挪走后背景该是什么，只能重新生成整张图，结果猫和背景全变了样。这种随机性让AI在设计、影视等需要精准控制的领域始终只能是辅助工具。
Qwen-Image-Layered的破解之道是RGBA-VAE编码。技术报告显示，团队在传统的RGB三通道中加入了代表透明度的Alpha通道，让模型天生具备"图层"概念。配合创新的VLD-MMDiT架构和独特的图层级3D位置编码，AI能自动理解物体间的遮挡关系，并"脑补"被遮挡部分的背景纹理。更关键的是，训练数据来自海量专业Photoshop（PSD）文件，让模型从出生就浸染在设计师的"分层思维"中。
实测效果堪称惊艳。模型可将任意图像分解为3-8个RGBA图层，用户能对单个图层重新着色、替换人物、修改文字、删除物体或自由缩放移动，而其他部分完全不受影响。这种"零漂移"编辑能力，解决了困扰行业已久的"一致性难题"。
场景革命：从"抽卡游戏"到"活素材库"
对创意产业而言，Qwen-Image-Layered带来的不是效率提升，而是范式转移。过去AI生图像抽卡"开盲盒"，现在则成为"可无限调整的活素材库"。设计师无需再为抠图耗费数小时，动画师可在保持背景不变前提下重绘角色动作，影视后期人员能精准替换画面元素而不穿帮。
这一变革早有伏笔。早在2025年8月，阿里开源的Qwen-Image模型已在复杂文本渲染能力上实现突破，支持多行布局、段落级文本生成，在中文场景生成中大幅领先现有模型。而12月的新版本将能力从"生成"延伸至"编辑"，补上了关键拼图。
结构重组为何比像素预测更重要？
Qwen-Image-Layered的价值，在于它让AI真正理解了物理世界的层级与空间。主流视觉大模型的"扁平式思维"本质上是统计学游戏——预测下一个像素该是什么颜色。而"结构重组"则是让AI建立对物体、空间、遮挡关系的认知模型，这更接近人类的视觉理解方式。
从商业角度看，这步棋精准卡位了专业设计市场的爆发点。当AI生成内容的质量普遍达标后，可控性成为付费意愿的关键。模型已上线魔搭社区和Hugging Face，全球开发者可免费商用。考虑到阿里已开源近400个千问模型、累计下载量超7亿次，Qwen-Image-Layered有望快速构建生态壁垒，吸引更多设计师和内容创作者进入其AI服务体系。
图像生成领域的竞争已从"谁画得更像"转向"谁更能服服帖帖地改"。阿里选择开源这一核心技术，不仅是在展示肌肉，更是在邀请全行业共同定义"可编辑AI内容"的新标准。当越来越多的创意工作流程建立在"图层化AI"之上，中国的大模型生态或将从追赶者变为规则制定者。毕竟，在AI时代，最稀缺的不是算力，而是对真实世界结构的理解能力——而这，恰恰是Qwen-Image-Layered最锋利的地方。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
