太香了太香了，妥妥完爆 ChatGPT 和 Nano Banana！

刚刚，ViT 核心作者、Meta 超级智能团队成员 Lucas Beyer 连发三条帖子，怒赞通义千问不久前发布的开源模型Qwen — Image — Layered。

在他看来，这才是图像生成的正确打开方式～

他还顺便自补了一句：这个模型方向自己其实也想做来着，只是太忙，一直没来得及动手……（笑）

实话实说，Qwen — Image — Layered 模型确实不一般，因为它可以让我们真正实现 ps 级别的拆图自由。

也就是说现在图片元素也支持精细化修改了：

连网友们看了模型效果后都不禁感叹：咋有种开源 PhotoShop 的感觉，amazing 啊～

所以，这套让 Lucas Beyer 反复点赞的模型到底强在哪儿，咱一起来看！

图片也能像 PS 一样拆拆拆了

如果说 Nano Banana 技能点在生图，那 Qwen — Image — Layered 模型则厉害在：《拆图》。

相信大家都有过类似的经历，我们平时用大模型生图时总会碰的到一个抓狂问题，那就是图片生成 so easy，细节修改 so 抓狂！！！

AI 生出来的图片里，经常会有一些小细节不太到位，但我们又没法只改局部，只能整张丢回模型重新生成，结果往往还不如上一版…

Qwen — Image — Layered 模型的核心能力，就是专治「一图定生死」这事儿的。

它能将一张普通图片分解成多个包含透明度信息的 RGBA 分离图层，实现真正意义上的图片素材的可编辑性。

光说概念有点抽象，咱直接看例子～

在官方案例中，一张完整图片输入之后，模型会自动把画面拆成 6 个包含不同元素的图层，背景是背景，人物是人物，装饰是装饰，互不干扰。

看到这儿大家是不是突然感觉，这个非常适合用在海报制作等细节较多的图片上？？（雀实

但是 Qwen — Image — Layered 模型能做的还不止只是分离图层这么简单，我们还可以对图层进行二次编辑修改。

比如最基础的：改背景，不动主体。

只替换背景图层的颜色，一张橙色背景的海报，瞬间就能换成蓝色版本：

再比如，直接换主体。

保持构图不变，把原图里的长发女孩，换成短发女孩，几乎看不出拼接修改痕迹：

再来看下面这个——文字编辑。

我们可以只修改图片中的局部文字，哪怕第一次生成的文字有幻觉问题也不怕了：

除了基本的替换编辑功能外，Qwen — Image — Layered 模型还支持调整元素的大小、删除不想要的元素等等。

例如像这样，我们可以删除掉画面中不想要的元素对象，只保留自己想留的画面元素：

又或者在不拉伸、不失真的前提下，轻松调整元素的大小比例，其实有点像 PS 里的自由缩放功能：

值得注意的是，Qwen — Image — Layered 模型分层不限于固定的图层数量，支持可变层分解，例如我们可以根据需要将图像分解为 3 层或 8 层：

这个能力非常适合我们在不同的编辑需求场景下使用，可以根据我们想局部编辑的元素数量多或少而定。

当然，如果只是想改文字，差不多两三层就够了，如果修改需求比较多比较复杂，多拆几层反而更好操作～

除了刚才说的这些，模型还支持在已分解的图层基础上做进一步分解，进而实现无限分解，听上去很像无限套娃…

像下面这位网友，用 Qwen — Image — Layered 把人物元素进行一次性分层处理，最后甚至可以一路拆到只剩下一个线稿层：

再来看这位网友，原本人物和背景完全糊在一起的一张图，被模型直接拆成了主体和背景两个独立元素：

简单说就是：只要画面里不止一个元素，它就能拆、还能一直拆……

拆图的本事来自于扩散模型

有朋友看到这儿该问了，小小模型背后能有这 PS 一般的能力，用的是啥神奇魔法？

不藏着掖着，Qwen — Image — Layered 的核心技术，本质上是一套端到端的「扩散模型」。

它并不是用来生成图片的那种扩散模型，而是专门为「拆图片」这件事设计的——

模型直接输入一张完整的 RGB 照片，通过扩散过程，一步步预测出多个带透明度信息的 RGBA 图层。

这里有一个绕不开的前提是：

我们平时看到的图片其实只有 RGB 三个通道，但真正的图层编辑，离不开 Alpha（透明度）通道。

为此，Qwen — Image — Layered 专门设计了一套四通道的RGBA-VAE，把 RGB 输入和 RGBA 输出，统一压缩到同一个隐藏空间中：

具体来说，当输入是一张普通 RGB 图片时，模型会自动把 Alpha 通道补成 1（完全不透明），在初始化阶段还会聪明地复用预训练参数，避免在透明度建模时出错。

这样一来，模型从一开始就「懂透明」，不同图层也就不会被混在一起。

而且在结构上模型也不是死板拆层，它的核心 Transformer — VLD-MMDiT 会根据图片复杂度，自动决定需要拆成多少层。

为了避免前一层把后一层盖住的问题，模型还加了一套 Layer3D RoPE（三维位置编码），简单说就是给不同图层打上明确的层级标签，让模型在空间和顺序上都分得清楚～

还不止如此，在隐藏空间里中，模型能够被逐步「引导」去学会：哪些像素该属于哪一层、哪些区域需要保留透明度、哪些内容应该被分离开来。

这样一来哪怕图层再多对模型来说也都是小 case 了～

并且在训练策略上模型也不是从零教的，而是基于 Qwen-Image 预训练生成模型逐步升级：

第一阶段让模型学会文本生成单 RGBA 图层，第二阶段让模型学会扩展到多图层合成，第三阶段让模型真正学会从图片反向拆解多图层。

每阶段几百 K 步训练，加上重建损失和感知损失，确保语义分离干净、不冗余。

这样一来好处很直接，以前方法（如 LayerD）要递归抠前景再补背景，容易积累错误，或者用分割 + 修复，遮挡区补不好。

Qwen — Image — Layered 模型直接实现端到端生成完整 RGBA 层，避免这些问题，尤其擅长复杂遮挡、半透明和文字。

相较于 Nano Banana 的 " 一次抽图定生死 "，Qwen — Image — Layered 的拆图能力能让 Lucas Beyer 这么喜欢，也就不奇怪了…

目前模型已经开源，感兴趣的朋友可以试试～

github 开源地址：https://github.com/QwenLM/Qwen-Image-Layered

—  欢迎 AI 产品从业者共建  —

「AI 产品知识库」是量子位智库基于长期产品库追踪和用户行为数据推出的飞书知识库，旨在成为 AI 行业从业者、投资者、研究者的核心信息枢纽与决策支持平台。

一键关注 点亮星标

科技前沿进展每日见