Qwen VLo 效果实测
2025年6月26日，Qwen团队发布了Qwen VLo，一个定位是“unified multimodal understanding and generation model”的模型，包括多模态的理解和生成。
根据官方的介绍博客，Qwen VLo包含下面的功能：
- 图像生成：文生图、2D卡通图像转真实图像
- 图像编辑：例如修改某个主体、更换颜色、更换风格
- 图像算法能力：例如检测框、canny 算子、图像分割结果
经过一段时间的测试，我个人的总结是：
- 生图能力：效果比较差，感觉是一两年前生图模型的水平
- 图像风格转换：效果比较稳定，生图有美感
- 图像编辑能力：还算可以，有一些case做不好
- 检测框：能稳定生成，单人没问题，多人场景下也不算很准
- 图像分割：没有成功
- canny算子：细节更丰富，但有一些地方与原图并非完全对齐
再单独吐槽一个点，刚开始没找到Qwen VLo的入口，看微信公众号文章的留言才发现，并不是以一个模型列在可选模型列表中的，而是不管选择什么模型，只要做生图任务或者上传图片进行对话，都调用Qwen VLo。这种不遵从用户已有习惯的设置，随意而为的做法，用户体验很差，要是没看到留言回复，真的不知道怎么用。
下面详细展开我上面总结中各个条目的实际结果。
1. 生图
用最简单的提示词来生成图，下面是一些结果和对应的提示词。
Prompt: 画一个哪吒
Prompt: 画一个哪吒
Prompt: 画一个哪吒骑在龙上的照片
Prompt: 画一个哪吒骑在龙上的照片
没有处理好”骑”这个动作。
Prompt: 生成一个大象和巨龙战斗的图片
Prompt: 生成一个大象和巨龙战斗的图片
大象长翅膀了？？
Prompt: 画一幅李白和杜甫打篮球的图片
Prompt: 画一幅李白和杜甫打篮球的图片
非常奇葩的效果：自动将上一轮的图像用上了，虽然提示词根本没有提上一轮的内容。
新开一轮，同样的提示词，结果如下：
Prompt: 画一幅李白和杜甫打篮球的图片
似乎看到了两三年前生图模型的效果…
看看同样提示词，豆包的生成结果：
豆包网页版效果，Prompt: 画一幅李白和杜甫打篮球的图片
数数也数不对：
Prompt: 画一幅包含四个苹果的静物图
总结：感觉Qwen VLo的画图还是玩具级别，距离真实场景下的使用，还差比较远。
2. 风格转换
尝试了三组图像风格转换，包括吉卜力风格、3D风格、像素风格。
输入图像
Prompt: 将图片变成吉卜力风格
Prompt: 将上面的图片转换成3D风格
输入图像
Prompt: 转换成吉卜力风格
提示词：转换为3D风格
输入图像
Prompt: 转换为真人照片
Prompt: 转换为吉卜力风格
Prompt: 转换为3D风格
Prompt: Prompt: 转换为像素风风格
结论：吉卜力风格，3D风格和像素风格生成的图片还是挺不错的，草稿转真人恐怖谷拉满。
3. 图像编辑
基于这张著名的合影做了一些有意思的图像编辑功能：
输入图像
图像上色：
Prompt: 给图片上色
上色对照片的内容改变太多，而且衣服一部分蓝色，一部分黑色，也有点奇怪。
给这些物理学大佬一人戴一个博士帽如何？
Prompt: 给所有人加一顶博士帽
结果一般般，有一些加了博士帽，效果还可以，有一些没有加上去，图像的内容还是变了，爱因斯坦都不像了。
每个人戴一个诺贝尔奖牌：
Prompt: 给每个人的脖子上挂一个诺贝尔奖牌
这个奖牌效果还可以，除了有一个大佬头变大了很多，有点鬼畜，但三排变成了两排，而且画面变化太大了，人物都没一个认识的了……
露齿微笑：
Prompt: 让画面中的每个人都露齿微笑
这个效果还行.
头变成流汗的emoji:
Prompt: 把每个人的头都变成流汗的emoji
怎么都变成了外星人，还有一个拿着头。。
变动物怎么样？
Prompt: 把每个人的头都变成一种动物
左上角的🦁亮眼，别的都是什么呀…
结论：图像编辑整体差强人意，一些需求会出现鬼畜效果。对于这种真人照片，致命问题是图像变化太影响ID的稳定性了，可能对于卡通图中的形象，画面变一点还能接受，真人图的细节变化，可能就完全像是换了一个人。
4. 检测框
Prompt: 将图片中的人用bbox框起来
有时候Prompt会失效：
5. 分割图
分割功能我还没成功实现过，尝试了几次，要么出来文本回答，要么直接返回一张原图
6. Canny效果图
上面的小狗图片得到的Canny结果如下：
Prompt: 给出图片的canny算子结果图
用OpenCV计算得到的结果如下：
可以看到，并不是完全一样，AI生成的Canny细节更丰富，但一些地方并不是与原图完全对齐（例如鼻子），不知道对结果有多大影响？
7. 其他问题
多次对话后，指令遵循能力下降：
新开一次会话就可以了：
8. 总结
总体来说，比较有意思的是风格转换和图像编辑功能，生图功能不知道为什么做的这么差，检测框和Canny还行，分割图没试出来。
这个模型的发布，说明Qwen团队也尝试对偏向应用的生图、编辑图功能进行探索，但相比豆包等长期积累，有大量用户体验上优化、长期生图效果迭代的选手，目前这个模型还不能让人满意。