Qwen-Image-PE учит нейросеть дизайну: энхансер промптов дал +7,81 балла

Запрос «уютное кафе зимой» для генератора картинок — это почти ничего. Свет, композиция, раскладка кадра, детали остаются на усмотрение модели, и результат часто выходит средним. Команда Qwen из 29 авторов во главе с Zekai Zhang и Chenfei Wu представила Qwen-Image-PE — энхансер промптов, который достраивает такие запросы до связной дизайнерской спецификации. На внутреннем бенчмарке Qwen-Image-Bench с генератором Qwen-Image-2.1 версия Qwen-Image-PE-397B улучшает оценку исходных запросов на 7,81 балла. Компактная Qwen-Image-PE-9B обходит все оцененные базовые энхансеры, и именно её авторы выложили в открытый доступ.

Обратная дистилляция: учим дизайну по описаниям готовых картинок

Большинство существующих энхансеров сохраняют замысел пользователя и делают картинку в целом привлекательнее. Тонкие дизайнерские параметры при этом почти не выделяются как отдельная цель. Qwen-Image-PE закрывает этот пробел двухэтапным обучением.

Первый этап — supervised fine-tuning с методом Caption-Based Reverse Distillation (CRD). Берутся хорошо сделанные изображения и их плотные подробные описания. Эти описания выступают эталоном: модель учится по короткому запросу восстанавливать такой же насыщенный текст, какой описывал бы удачный кадр. Дизайн-знание приходит из реальных работ, а не из абстрактных инструкций вроде «сделай красиво».

Групповая награда вместо оценки по одной картинке

Второй этап — обучение с подкреплением с наградой Groupwise Design Reward (GDR). Для одного запроса генерируется несколько вариантов, и все получившиеся изображения оцениваются совместно, в сравнении друг с другом. Награда нацелена на четыре параметра: освещение, композицию, раскладку и детализацию. Сравнение внутри группы даёт более чёткий сигнал, чем отдельная оценка каждого кадра. Модель видит, чем удачный вариант отличается от соседних по тому же запросу.

Дополнительные проверки показали рост по визуальному дизайну, эстетике, качеству изображения и человеческим предпочтениям.

Три оси масштабирования и перенос на чужие генераторы

Авторы утверждают, что качество энхансера растёт по трём осям: объём обучающих данных, размер модели и информационная плотность промпта. Информационная плотность названа необходимым условием. Если расширенный запрос недостаточно насыщен деталями, остальные два рычага не помогут.

Ещё один результат касается переносимости. Qwen-Image-PE обобщается на четыре дополнительные T2I-архитектуры. На HunyuanImage-2.1 и FLUX 3 Image Klein он превосходит собственные «родные» энхансеры этих моделей.

Ключевые факты:

• Модель: Qwen-Image-PE, энхансер промптов для text-to-image.
• Авторы: 29 исследователей, статья arXiv 2610.33472.
• Этап 1: SFT с Caption-Based Reverse Distillation (CRD) на плотных описаниях качественных изображений.
• Этап 2: RL с Groupwise Design Reward (GDR), совместное сравнение всех кандидатов на один запрос.
• Целевые параметры: освещение, композиция, раскладка, детали.
• Qwen-Image-PE-397B: +7,81 балла к исходным запросам на Qwen-Image-Bench с Qwen-Image-2.1.
• Qwen-Image-PE-9B: лучше всех оцененных PE-базлайнов, опубликована в открытом доступе.
• Оси масштабирования: данные, размер модели, информационная плотность.
• Перенос: четыре дополнительных T2I-бэкенда, включая HunyuanImage-2.1 и FLUX 3 Image Klein, где модель превзошла родные энхансеры.
• Релиз: huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I.

Как это применить на практике

Для команд, которые строят продукты на генерации изображений, главная новость в версии на 9B. Такую модель реально держать рядом с генератором как отдельный слой. Она принимает сырой пользовательский запрос и отдаёт расширенный промпт, а генератор остаётся прежним. Поскольку энхансер переносится на чужие бэкенды, его можно проверить на уже используемой модели и сравнить с её штатным решением на собственных запросах.

Стоит учесть и вывод про информационную плотность. Если вы пишете промпты вручную или настраиваете свой энхансер, длина расширенного описания и количество конкретных дизайнерских решений в нём влияют на результат сильнее, чем кажется. Проверять это лучше на собственных сценариях: цифры авторов получены на их бенчмарке Qwen-Image-Bench и с генератором Qwen-Image-2.1.