Qwen-Image: l'AI che scrive nelle immagini meglio di un umano (ed è già open source)

L’intelligenza artificiale generativa è in rapida evoluzione. Sviluppato da Alibaba Cloud Intelligence in collaborazione con il centro di ricerca avanzata DAMO Academy, Qwen-Image si impone come una delle novità più rilevanti del 2025. Si tratta di un modello multimodale da 20 miliardi di parametri che introduce innovazioni radicali nella resa del testo complesso, nell’editing coerente delle immagini e nella capacità di interpretare prompt articolati in molteplici lingue e contesti visivi.

Grazie all’architettura MMDiT (Multi-Modal Diffusion Transformer) ottimizzata per compiti combinati di generazione e modifica, Qwen-Image non è solo un modello generativo, ma una piattaforma completa per la creazione visiva, capace di tradurre descrizioni complesse in contenuti visivi ricchi, dettagliati e semanticamente accurati.

L’obiettivo degli sviluppatori è fornire modelli open source avanzati, scalabili e capaci di essere impiegati sia in ambito accademico sia nel mondo industriale, con particolare attenzione al supporto multilingua e alla compatibilità con strumenti di deployment diffusi.

Rendering testuale ad alta fedeltà: una svolta per la generazione multimodale

Uno degli aspetti più critici e sfidanti nei modelli di generazione visiva è il rendering del testo all’interno delle immagini. Qwen-Image si distingue in maniera netta su questo fronte, riuscendo a riprodurre:

• Layout multilinea e paragrafi coerenti
• Testi calligrafici, simbolici o digitali
• Testi in lingue alfabetiche (inglese, italiano, ecc.) e logografiche (cinese, giapponese)

Nei benchmark LongText-Bench, ChineseWord e TextCraft, Qwen-Image supera i modelli concorrenti con ampio margine, mostrando una precisione e una coerenza strutturale finora inedite.

Qwen-Image può quindi creare, senza difficoltà, poster cinematografici con titoli, sottotitoli e cast completamente generati; infografiche in stile elegante, con icone e testi disposti in modo preciso e leggibile; testi applicati su targhe, vetrine, lavagne di vetro o in verticale.

Perché i modelli generativi spesso falliscono con il testo nelle immagini

La generazione di testi all’interno delle immagini rappresenta una delle sfide più complesse per i modelli generativi perché richiede la combinazione precisa di capacità linguistiche, comprensione semantica e rendering visivo strutturato.

Ecco i principali motivi per cui mette in crisi i modelli esistenti:

1. Vincoli spaziali e di layout: i testi richiedono un posizionamento preciso, con spaziatura coerente, allineamento corretto e rispetto del contesto visivo (i.e. scritte su insegne, lavagne, etichette e così via). Molti modelli generano testo come parte indistinta dell’immagine, causando distorsioni o parole illeggibili.
2. Sensibilità agli errori tipografici: mentre una lieve imprecisione in un’immagine può essere tollerata, un singolo carattere errato in un testo lo rende incomprensibile. I modelli devono quindi mantenere coerenza ortografica e sintattica, cosa che richiede un allineamento preciso tra linguaggio e pixel.
3. Difficoltà nel gestire caratteri non latini: le lingue logografiche (come il cinese) pongono ulteriori sfide, data l’alta densità informativa per carattere e la varietà grafica necessaria a rappresentarle in modo corretto.
4. Mancanza di attenzione testuale: molti modelli diffusion-based sono ottimizzati per la coerenza visiva globale, ma non dispongono di meccanismi sufficientemente specializzati per gestire elementi testuali avanzati.
5. Assenza di supervisione testuale durante l’addestramento: i dataset di immagini con testo annotato sono più rari e meno curati rispetto a quelli generici, rendendo difficile per i modelli apprendere la relazione tra semantica e forma scritta in modo robusto.

Proprio per questi motivi, la precisione testuale raggiunta da Qwen-Image rappresenta un importante balzo in avanti nella generazione multimodale.

Integrazione e utilizzo: Qwen-Image è open source e pronto all’uso

A dispetto del fatto che si tratti di un prodotto cinese, Qwen-Image non presuppone il caricamento di alcun dato su server extra-UE. Usando HuggingFace e Diffusers, il modello è scaricato e utilizzato direttamente sul dispositivo dell’utente, appoggiandosi all’infrastruttura privata. In questo caso non avviene alcun trasferimento dati verso server esterni.

Qwen-Image è distribuito sotto licenza Apache 2.0 ed è disponibile tramite Transformers (>= 4.51.3) e Diffusers via pip (il package manager di Python):

pip install git+https://github.com/huggingface/diffusers

Come spiegato nel repository GitHub di Qwen-Image, è possibile ricorrere al codice seguente per cimentarsi con la generazione di un’immagine contenente, come si vede nella descrizione, del testo applicato su un’insegna:

from diffusers import DiffusionPipeline
import torch

model_name = "Qwen/Qwen-Image"
device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.bfloat16 if device == "cuda" else torch.float32

pipe = DiffusionPipeline.from_pretrained(model_name, torch_dtype=torch_dtype).to(device)

prompt = "A coffee shop entrance features a chalkboard sign reading 'Qwen Coffee 😊 $2 per cup'..."
image = pipe(prompt=prompt, width=1664, height=928, num_inference_steps=50).images[0]
image.save("example.png")

È possibile variare il rapporto d’aspetto (1:1, 16:9, 4:3…) e utilizzare lo strumento Prompt Enhancement con Qwen-Plus per risultati ancora migliori.

Conclusioni

Qwen-Image è molto più di un generatore di immagini. È un modello fondazionale che unisce linguaggio, immaginazione e comprensione visiva in un’unica architettura coerente e potente.

Grazie alla sua apertura, versatilità e qualità espressiva, rappresenta un passo decisivo verso un’AI generativa più accessibile, controllabile e creativa.

Sia per imprese che per ricercatori o creativi, Qwen-Image offre uno strumento solido e immediatamente utilizzabile al fine di esplorare il futuro dell’immagine digitale, in cui la parola scritta dà forma al mondo visivo.

Per garantire una valutazione equa e dinamica delle performance generative, Alibaba ha anche introdotto AI Arena. Ogni confronto avviene valutando due immagini generate da modelli diversi sullo stesso prompt. Gli utenti votano e aggiornano il punteggio globale, in un ambiente competitivo e trasparente. Ciò contribuirà a migliorare ulteriormente il comportamento di Qwen-Image.