Qwen-Image-PE enseña diseño a la red neuronal: su enhancer de prompts aporta +7,81 puntos

La consulta «cafetería acogedora en invierno» le dice muy poco a un generador de imágenes. La luz, la composición, la distribución del encuadre y los detalles quedan a criterio del modelo, y el resultado suele ser mediocre. Un equipo de Qwen formado por 29 autores, con Zekai Zhang y Chenfei Wu al frente, ha presentado Qwen-Image-PE, un enhancer de prompts que amplía esas consultas hasta convertirlas en una especificación de diseño coherente. En el benchmark interno Qwen-Image-Bench, con el generador Qwen-Image-2.1, la versión Qwen-Image-PE-397B mejora en 7,81 puntos la puntuación de las consultas originales. La compacta Qwen-Image-PE-9B supera a todos los enhancers de referencia evaluados, y es la que los autores han publicado en acceso abierto.

Destilación inversa: enseñar diseño a partir de descripciones de

imágenes terminadas

La mayoría de los enhancers existentes conservan la intención del usuario y hacen la imagen más atractiva en conjunto. Los parámetros finos de diseño, sin embargo, casi nunca se tratan como un objetivo en sí mismo. Qwen-Image-PE cubre ese hueco con un entrenamiento en dos etapas.

La primera etapa es un ajuste fino supervisado (SFT) con el método Caption-Based Reverse Distillation (CRD). Se toman imágenes bien resueltas junto con sus descripciones densas y detalladas. Esas descripciones sirven de referencia: a partir de una consulta breve, el modelo aprende a reconstruir un texto igual de rico que el que describiría una imagen lograda. El conocimiento de diseño procede de trabajos reales, no de instrucciones abstractas del tipo «hazlo bonito».

Recompensa grupal en lugar de evaluar cada imagen por separado

La segunda etapa es aprendizaje por refuerzo con la recompensa Groupwise Design Reward (GDR). Para una misma consulta se generan varias variantes y todas las imágenes resultantes se evalúan de forma conjunta, comparadas entre sí. La recompensa apunta a cuatro parámetros: iluminación, composición, distribución y detalle. La comparación dentro del grupo da una señal más nítida que la evaluación aislada de cada imagen. El modelo ve en qué se diferencia la variante lograda de las demás generadas para la misma consulta.

Las pruebas adicionales mostraron mejoras en diseño visual, estética, calidad de imagen y preferencias humanas.

Tres ejes de escalado y transferencia a generadores ajenos

Los autores sostienen que la calidad del enhancer crece en tres ejes: el volumen de datos de entrenamiento, el tamaño del modelo y la densidad de información del prompt. Esta última se señala como condición necesaria. Si la consulta ampliada no tiene suficiente carga de detalles, las otras dos palancas no ayudan.

Otro resultado se refiere a la transferibilidad. Qwen-Image-PE generaliza a cuatro arquitecturas T2I adicionales. En HunyuanImage-2.1 y FLUX 3 Image Klein supera a los enhancers «nativos» de esos propios modelos.

Hechos clave:

• Modelo: Qwen-Image-PE, enhancer de prompts para text-to-image.
• Autores: 29 investigadores, artículo arXiv 2610.33472.
• Etapa 1: SFT con Caption-Based Reverse Distillation (CRD) sobre descripciones densas de imágenes de calidad.
• Etapa 2: RL con Groupwise Design Reward (GDR), comparación conjunta de todos los candidatos para una misma consulta.
• Parámetros objetivo: iluminación, composición, distribución, detalles.
• Qwen-Image-PE-397B: +7,81 puntos sobre las consultas originales en Qwen-Image-Bench con Qwen-Image-2.1.
• Qwen-Image-PE-9B: mejor que todos los baselines de PE evaluados, publicada en acceso abierto.
• Ejes de escalado: datos, tamaño del modelo, densidad de información.
• Transferencia: cuatro backends T2I adicionales, entre ellos HunyuanImage-2.1 y FLUX 3 Image Klein, donde el modelo superó a los enhancers nativos.
• Lanzamiento: huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I.

Cómo aplicarlo en la práctica

Para los equipos que construyen productos sobre generación de imágenes, la gran noticia es la versión de 9B. Es realista mantener este modelo junto al generador como una capa independiente. Recibe la consulta en bruto del usuario y devuelve un prompt ampliado, mientras que el generador sigue siendo el mismo. Como el enhancer se transfiere a backends ajenos, se puede probar con el modelo que ya se usa y compararlo con su solución integrada sobre consultas propias.

Conviene tener en cuenta también la conclusión sobre la densidad de información. Si escribes los prompts a mano o ajustas tu propio enhancer, la longitud de la descripción ampliada y el número de decisiones de diseño concretas que contiene influyen en el resultado más de lo que parece. Lo mejor es comprobarlo en escenarios propios: las cifras de los autores se obtuvieron en su benchmark Qwen-Image-Bench y con el generador Qwen-Image-2.1.