3D 生成全文深读与原图讲解

Qwen-Image-PE：增强提示词，也需要图像级训练信号

从好图反推设计意图，再用同种子图像组优化提示重写

Qwen 团队 / 阿里巴巴预印本首发 · 近7日补收 2026.10.24

9B权重可下载 · 仅非商业研究许可

IN A NUTSHELL

Qwen-Image-PE并非另一个直接画图模型，而是把短请求改写为详细图像提示与宽高比的前置模型。它从优质图像反推描述学习设计，再由冻结图像生成器给重写结果提供组内奖励；归入视觉资产流程，但输出不包含网格、UV或PBR材质。

图解主要方法

从好图反推设计意图，再用同种子图像组优化提示重写

1
图2a上：从图像反推目标
收集并筛选请求—图像对，既含真实请求生成的候选，也含图像反向构造请求。先对选定的好图做稠密描述，再生成与原请求相符的设计推理，比纯文本“把提示写长”提供更具体的构图、光线和布局监督。
2
图2a下：监督学习重写结构
用原请求、设计理由和目标描述训练提示增强模型，输出增强prompt及推荐比例。公开9B模型卡说明输入可为多种语言，重写为详细英文；其作用是对生成条件做设计补全，而不是直接控制三维表面或材料参数。
3
图2b上：固定画图器与种子比较候选
为同一请求采样多条增强提示，送入冻结图像生成器，以共享随机种子减少噪声差异。候选图随机排列成组，由裁判比较光照、构图、布局、细节，并结合文本对齐信号；排序仍含审美与模型偏好。
4
图2b下：组内奖励更新提示模型
Groupwise Design Reward给同组结果相对分数，通过GRPO更新提示增强器，以SFT参考和KL约束控制漂移；图像生成模型本身不参与这一步训练。论文同时评9B和内部397B版本，不能把397B结果归给下载到的9B。

已阅读完整正文1–7及实验表格；HTML未附额外方法附录，核对实验条件与原图；未独立复现。

来源证据在QwenImageBench、匹配种子条件下，原提示54.36，9B增强60.28，397B增强62.17，GPT-5.5增强60.10。表1：固定Qwen-Image-2.1与2K输出 ↗

我的解读同生成器对照支持提示训练有效；9B与GPT差距很小，不能由单一总分断言显著胜出。

来源证据397B的反向描述蒸馏为61.52，对照正向描述59.86；组内设计奖励62.17，对照逐图奖励61.36；人类排序一致性59.1%对50.9%。表3：训练组件 ↗

我的解读反向目标与组内比较都有方向性贡献，但作者相关基准与裁判偏好仍需外部验证。

来源证据500例专家评估中，397B相对原提示净胜35.48，相对GPT增强17.09。9B信息密度四档得分44.65、51.36、55.39、57.31，而原提示54.36。专家与信息密度实验 ↗

我的解读专家结果不是公开9B的同等证明；低质量扩写甚至更差，文字更多并非充分条件。

来源证据论文另测四种图像骨干，显示提示迁移方向；未报告UV展开、接缝、法线、PBR通道或去光照/重光照的资产测试。跨生成器与资产边界 ↗

我的解读可用于概念设计与二维资产草图，不能把视觉纹理细节提高称为可用三维材质生成。

已打开官方9B模型卡、文件清单和LICENSE，确认四个safetensors分片及推理示例。权重采用Qwen Research License，仅授予非商业研究/评估用途，商业使用需另行许可；397B为内部版本。论文CC BY 4.0不替代模型许可证。

LICENSE论文与所引原图：CC BY 4.0

独立分析 · 未复现实验

我的判断：把提示增强的目标从语言流畅转向实际图像效果，有助于把“提示工程”变成可评估的设计模块；9B是可实际试用的研究入口。

增强器可能补入用户未要求的风格和构图；生成与裁判同生态的偏好、匹配种子的泛化范围及额外推理延迟都值得检查。最大版本未开放，9B不继承其全部人评结果。

适合研究二维视觉资产请求的设计补全；商用集成需先解决许可，3D输出能力仍未建立。

未执行的验证方案：在相同生成器、种子与像素预算下比较原提示、通用LLM改写和9B增强；盲评指令保真、风格漂移和局部编辑可控性，并另测平铺接缝与重光照，记录额外延迟。