Alibabaは、新聞紙面やインフォグラフィック、ストーリーボードといった複雑な業務向け画像の生成に対応する新たな画像生成AI「Qwen Image 3.0」を公開した。見栄えの良さだけでなく、実務で使える生産性を重視した点を打ち出している。

暗号資産関連メディアのDecryptが7月22日に報じたところによると、Qwen Image 3.0は最大4500トークンのプロンプトを処理できる。Alibabaによれば、これは前世代の4.5倍に当たる。

これにより、ユーザーは複数のシーンや要素を個別に生成して組み合わせる必要がなくなる。1つのプロンプトに、複数パネル、図表、数式、説明文、小さな文字までまとめて指示し、完成形のレイアウトを生成できるとしている。

Alibabaは、新聞紙面やストーリーボード、複雑なインフォグラフィックのグリッドも一度に生成可能だと説明する。公開したデモ画像についても、複数の出力をつなぎ合わせたものではなく、単一の生成プロセスで作成したと強調した。

公式発表では、Qwen Image 3.0について、単に「見栄えのよい結果」を出すのではなく、実務でそのまま使える生産性ツールを目指したと説明している。派手なビジュアルより、実用的な制作物の生成を重視する姿勢を鮮明にした格好だ。

テキスト表現も強化した。Alibabaによると、Qwen Image 3.0は10ピクセル程度の小さな文字まで精密に再現でき、皮膚の質感や髪の毛といった細部表現にも対応する。研究分野で使われるLaTeX表記もサポートし、数式、説明文、図表を含む学術文書や教材形式の画像も一括生成できるという。

多言語対応とインターフェース表現の機能も拡充した。12言語を標準で扱えるほか、Webページ、ゲーム、ライブ配信など主要なデジタルインターフェースの形態をシミュレーションできるとしている。さらに、インターネット上の最新情報を取り込み、画像生成に反映する機能も備える。特定の都市名と日付を入力して天気の可視化を求めた場合、推定値ではなく最新の実データに基づく出力が可能だとしている。

Alibabaは主な活用先として、デザインスタジオ、コンテンツ制作チーム、EC運営部門、教育分野を挙げた。大量のビジュアル資料や文書型画像を反復的に制作する企業・組織を主なターゲットに据えているとみられる。

一方で、現時点では実性能を裏付ける資料は限られている。Qwen Image 3.0ではモデルの重みは公開されておらず、性能比較表や技術レポートも提示されていない。現在はQwenの公式チャットサービスで試用できるが、APIの価格は明らかにされていない。

この公開方法は従来モデルとも異なる。Qwen Image 1.0では、Apache 2.0ライセンスのオープンな重みと技術レポートを公開当日に提供していたが、今回は同社が選定したデモ画像を中心に性能を紹介する形となった。

競合との比較でも、なお検証の余地がある。Alibaba独自の評価指標「Qwen Image Bench」では、従来の主力モデル「Qwen Image 2.0 Pro」が18モデル中5位だった。当時の1位はOpenAIの「GPT Image 2」だったという。

新モデルが前世代からどの程度改善したのかは、現時点の公開情報だけでは定量的に見極めにくい。今後は、実ユーザーの評価、API価格、技術レポート公開の有無が競争力を判断するうえで重要な材料になりそうだ。

Qwen Image 3.0の成否は、複雑な文書型画像や業務制作の現場で、どこまで安定した出力を実現できるかにかかっている。Alibabaが実用性を前面に出して画像生成AI市場での差別化を図るなか、追加の性能情報と実利用での評価に注目が集まりそうだ。