指示文の上限が4.5kトークンに、複雑な内容も1ページ分を一度に指定可能に

真ん中のバーは、Alibaba CloudのBailian API文書に明記されている数字だ。qwen-image-2.0系のプロンプト上限は1300トークン、他のモデルは800トークンで、超過分はそのまま切り捨てられる。

指示文が短かった頃は、複雑なレイアウトは分割して描いてから貼り合わせるしかなかった。9つのテーマそれぞれのタイトル、本文、数式、人物の動作を指定しようにも、1000字では半分も書き切れない。上限が3000字クラスまで伸びたことで、この手の作業がようやく「分割して貼り合わせる」から「一度で描き切る」に変わった。

公式がこの点を裏付けるために示したのが、あるグリッド画像だ。その説明文には3.7kトークンを費やしている。

9つのマスは3.7kトークンの指示文一本から一度に生成されており、途中で貼り合わせた形跡はない。テーマはそれぞれ、トンネル出口の安全距離を説明する漫画、空間幾何、「出師表」の文体分析、放物運動、寄生虫の科学解説、医学図解、群論のSylowの定理、銀行の内部統制インフォグラフィック、細胞のDNA構造比較。画像出典:Qwen発表ページ

どのマスを取り出しても、単独で使える1枚の画像として成立している。中央上のマスは空間幾何の完全な教材ページで、問題、前提、定理、結論がすべて揃っている。

1マス分の情報密度は、そのまま1枚の完全な授業スライドに相当する。画像出典:Qwen発表ページ

特筆すべきは、マス内の数式展開が見せかけではないという点だ。群論のマスでは「位数72の群がいくつのSylow 3-部分群を持つか」を計算しており、72を8×9に分解し、個数は3で割って1余りかつ8を割り切るという条件を経て、答えが1か4になるまでの一連の流れがきちんと成立している。物理のマスも、離脱点の初速度から角速度の式を導く過程で、落下時間や変位の置き換えが正しく噛み合っている。

空間制御は2方向:横に並べる、縦に入れ子にする

前の節で見た3×3グリッドは横展開を裏付けるものだった。奥行きの方の例では、1本の指示文で4層の入れ子が描かれている。一番外側にVSCodeエディタ、その中でQwenチャットが開かれ、チャットの中にWeChatのスクリーンショットがあり、WeChatで送られているのはハンドドリップコーヒーの手順を示すポスターだ。

4層の入れ子構造で、各層のUI要素はそれぞれ独立して成立している:VSCodeにはファイルツリーとステータスバーが、WeChatには対話相手と時刻表示が、ポスターには4ステップの手順番号がある。画像出典:Qwen発表ページ

この2方向はそれぞれ異なる用途に対応する。横展開が向いているのは、1ページに複数の欄を持つもの──新聞、試験問題、教材ポスター、製品比較ページだ。奥行きが向いているのは、製品デモ資料やUIの連結図で、ある機能がどのソフトからどのソフトへ移っていくかを示すもの。以前は3枚のスクリーンショットを撮って貼り合わせる必要があったが、今は指示文一本で済む。

判読可能な最小フォントサイズが10pxに、新聞一面も論文1ページもレイアウトできる

この能力が最も試される作業は3種類ある。

1. 数式が密集する学術組版

LaTeX組版の難所は、上付き・下付き文字、波括弧、分数線、ギリシャ文字、複数行の位置揃えが同時に現れる点にある。どこか半マスでもずれればすぐにばれてしまう。

2段組の論文1ページで、数式の上下付き文字の位置、複数行の位置揃え、特殊記号がすべてLaTeXの組版ルール通りになっている。ヘッダーには「Fake PDF」と書かれており、このページは架空の論文という設定で生成されたものだ。画像出典:Qwen発表ページ

2. 新聞のレイアウト

新聞の一面には同時に成立させるべき要素が多い。題字の筆致、日付欄の区切り線、複数の記事それぞれの見出しの階層、中央の図表カード、右側の見出し一覧欄、加えて各段の本文のベースライン揃え。どれか一つ欠けても新聞らしく見えない。

紙面の内容はすべて指示文に基づく架空のものだ。密に組まれた小さな文字に加えて、紙のしわや影、印刷の質感も同時に生成されている。画像出典:Qwen発表ページ

3. 情報密度の高い科学解説図

この手の図は、本文、引き出し線の注釈、凡例、縮尺がすべて詰め込まれ、文字サイズは最小まで圧縮される。それでいて、どの注釈も正しい位置を指し示していなければならない。

番号付きの8区画に加え、回遊ルートを示す世界地図と体格比較の目盛りが配置され、本文の文字サイズはいずれも最小クラスだ。画像出典:Qwen発表ページ

毛穴、髪の毛、素材の質感まで、近づいて見ても耐えられる仕上がりに

人物:光が硬いほど、ごまかしが利かない

硬い光は肌の凹凸や毛穴のひとつひとつを明るみに出し、影の輪郭がぼやけることも許さない。下の写真では顔にさらに花の枝の影が落ちており、明暗の境目のディテールが最も腕の見せどころになる。

花びらの形をした影が顔に落ちる一方で、耳に並ぶピアス、リップグロスのハイライト、花柄シャツのプリントも同時にくっきり保たれている。画像出典:Qwen発表ページ

自然光の写真で試されるのは別の要素、髪の毛だ。風で舞う後れ毛は逆光の中で一本一本分かれて見え、なおかつ透過光の感じも出ていなければならない。

背景のモンステラやシダは被写界深度によるボケを保ちつつ、手前の後れ毛は一本一本見分けられる。画像出典:Qwen発表ページ

素材:まったく異なる4種類の表面

人物以外の例のほうが、カバー範囲の広さがよく分かる。刺繍を成立させるには3つのことを同時に正しく処理する必要がある。羽根の層は針目の方向で表現し、絹糸には絹らしい反射があり、下地の麻布の織り目が透けて見えること。

糸の向き、色の階調変化、下地の織り目という3種類の異なる質感が、同じ1枚の画像の中でそれぞれ成立している。画像出典:Qwen発表ページ

動物の毛になると、また別の理屈が働く。黒い毛は暗部でも階調を保ち、白い毛はフラッシュを浴びても白飛びしないこと。

夜景でのフラッシュ撮影で、黒い毛の階調と白い毛のふわふわ感が同時に保たれ、背景には街灯によるボケが入っている。画像出典:Qwen発表ページ

岩絵で試されるのは顔料と石の関係だ。鉱物顔料が砂岩の孔隙に染み込み、なおかつ風化による剥落の斑も出ていなければならない。

赤褐色の顔料が砂岩の上に描かれ、岩肌の亀裂、粒子感、顔料の剥落が同時に表現されている。画像出典:Qwen発表ページ

最後の1枚は極端なマクロ撮影だ。油絵具の厚塗りの重なり、筆の毛の一本一本、金属の金具に入った傷と反射。

絵具の厚みの重なり、豚毛の筆の毛束のほつれ、縁からのぞくキャンバスの織り目という3層の質感が、ほぼ同じピント面に収まっている。画像出典:Qwen発表ページ

同じモデルで、ゼロから描くことも、手元の既存画像を直すこともできる

既存の書籍ページに手書きの書き込みを加える

難しいのは筆跡のリアリティだ。赤ペンの文字には筆圧の強弱があり、丸で囲む線は手描きらしい不揃いな楕円で、矢印の先には筆を返すような跳ねがあり、しかも印刷された文字の上に重なっていて脇に浮いているように見えてはいけない。

変更前:徐霞客について書かれた本の1ページ、下半分は旅の行程図

変更後:10箇所余りの赤ペンの書き込み、下線、丸囲み、矢印が重ねられている

破損した絵画の欠損部分を補う

ここで求められるのは、補完後の筆致が原画と一致していて、継ぎ接ぎ感が出ないことだ。

変更前:画面全体に欠損による白斑、横方向の折り目、茶色い染みがある

変更後:絹地の色は均一になり、落款の印章や構図・筆致は元の位置のまま保たれている

実写写真に専門的な注釈レイヤーを重ねる

入力は普通のマクロ写真で、出力はそのまま学術論文の図版として使えるものでなければならない。被写体が変形せず、注釈も正しい位置を指し示している必要がある。

変更前:草の葉にとまる2匹のイトトンボ

変更後:分類学的な情報、形態の注釈、拡大ディテール、縮尺が追加されている

キャラクターと場面をひとそろい渡せば、絵コンテ1枚を丸ごと組んでくれる

公式が示したこの例は4枚1セットだ。最初の3枚は素材で、キャラクター設定、場面、キーとなる1カットにあたる。

キャラクター設定:黒縁メガネ、ベージュのスーツ、ワインレッドのタートルネック。画像出典:Qwen発表ページ

場面:夕暮れの山間の古い町並み。黒瓦の木造家屋、石畳の道、幾重にも連なる遠くの山。画像出典:Qwen発表ページ

キーカット:モノクロ、逆光の雨のカーテンの中で両腕を広げるシルエット。画像出典:Qwen発表ページ

4枚目は、前の3枚を1枚の絵コンテとしてつなぎ合わせたものだ。

12コマで、各コマにカット番号、尺(3秒から1秒まで幅がある)、カメラサイズと動作の説明(遠景で村に入る、中景で歩く、アップでメモを見る、オーバーショルダーで前方の黒い影を見る、手持ちで振り返る、インサートカットで手が扉を押す)が付されている。右下にはカメラワーク(hold、move、push in、follow)も記されている。画像出典:Qwen発表ページ

この1枚には、ここまで見てきた能力がすべて使われている:同一人物が12コマを貫いていること、場面と天候が物語の進行に沿って変化すること(村に入る、雨が降る、扉を押す)、各コマの黒地のラベル欄には文字が密に組まれていること、そして全体としては横展開のレイアウトでもあること。10コマ目が、上で見た雨の中のシルエットのカットにあたる。

かつてこの作業を行う手順は、まずキャラクター設定を作り、次に場面を作り、そこから1コマずつ生成し、最後にデザインソフトに取り込んでレイアウトと注釈を加える、というものだった。今はこの一連の作業が一度で出てくる。

12カ国語、100種類以上のスタイル、主要ソフトのUIまで対応。さらにネット接続でその日の情報も取得できる

多言語、しかも各言語にその土地ならではのレイアウトを合わせる

この軸は12カ国語のネイティブな描画と100種類以上のアートスタイルをカバーする。3つの例はまったく異なる3つの方向性を示している。日本語の例は漫画の扉ページで、白黒のスクリーントーン、縦書きのセリフ枠、擬音語というレイアウトの作法がすべて揃っていなければならない。

日本語の縦書き、漫画のコマ割り、スクリーントーンの質感が同時に成立している。画像出典:Qwen発表ページ

韓国語の例はECの商品詳細ページだ。左側にスペックのアイコン、中央にモデル、右側にパラメータ表、下部に4枚のシーン写真という、ひとそろいの商品ページのレイアウトになっている。

ワンピースの詳細ページ:6個の服の線画アイコンとラベル、5個のカラーバリエーション画像、右側のスペック表、下部の着用シーン4点。画像出典:Qwen発表ページ

スペイン語の例は手書きに切り替わる。ホワイトボードのマーカー書体を3色使い、ニューラルネットワークの模式図と数式を添えている。

ホワイトボードに手書きされた多層パーセプトロンの解説で、番号付きの5つの小節(基本構造、順伝播、損失関数、逆伝播、特徴)からなる。ニューロンの結線図と数式も含まれている。画像出典:Qwen発表ページ

UIの再現

ウェブ、ゲーム、ライブ配信といったUIには、それぞれ独自のコントロール規範がある。製品のプロトタイプやデモ画像を作る際に、この能力がそのまま活きる。

開発ツールのUI:メニューバー、プロジェクトツリー、シンタックスハイライトの配色、下部コンソールのログ形式。画像出典:Qwen発表ページ

フードデリバリーアプリの一覧ページ:スマホのステータスバー、検索ボックス、絞り込みタグ、4枚の店舗カード(商品写真、評価、月間販売数、配送時間、割引クーポンを含む)、下部のクーポンバーと5つのナビゲーションタブ。情報密度は開発ツールの画像よりもさらに高い。画像出典:Qwen発表ページ

ネット接続でその日の情報を取得

モデルが内蔵する世界知識にはカットオフ日があり、ネット接続はそこを補う新しい情報の役割を担う。「今日の杭州の天気予報の画像」を指示すると、出てくるのは天気と観光ガイドが一体になった完全な1枚だ。

その日の気温幅、天気、風力、湿度に気温の推移グラフを添え、下半分には4つの観光スポットのカードと1日のモデルルートが配置されている。画像出典:Qwen発表ページ

特定のIPキャラクターを認識し、再創作する

この能力は顔を認識するだけでなく、そのキャラクターにふさわしい描き方までまとめて持ってこなければならない。

斉白石はリアルな写真的な質感で、ゴッホは油絵の厚塗りの筆致を保ったまま、この2種類の描画方式が同じライブ配信ルームの照明環境の中に置かれている。画像出典:Qwen発表ページ

今どこで使えるのか、料金はいくらか、オープンソースか

発表ページは最初から最後まで、この3点に触れていない。当サイトで一通り調べた。

Alibaba Cloud・Bailianの千問(Qwen)文生図(text-to-image)価格表では、qwen-image-3.0-proはすでに一番上の行に載っており、中国本土・国際リージョンともに「期間限定無料」と表示されている。参考までに、前世代のqwen-image-2.0-proは1枚0.5元だった。

BailianのAPI文書ページは当日時点でまだ更新されておらず、モデル一覧に載っている最新版はqwen-image-2.0-proの6月22日版のままだった。価格表はすでに公開されているが、文書の方はもう少し待つ必要がありそうだ。ウェブ版ならQwen Chatで「画像生成」を選べばすぐに使える。

オープンソースの話は別だ。Hugging Face上のQwen組織による画像生成モデルのリポジトリでは、最後に重みが公開されたのは2025年12月30日のQwen-Image-2512だった。今年2月のQwen-Image-2.0には重みのリポジトリがなく、GitHubリポジトリの更新履歴のその項目には、ブログとQwen Chatへのリンクしか記載されていない。3.0も現時点で同様にない。

実際に使うときは、指示文を長めに書くといい。今回上限を4.5kトークンまで引き上げたのは、出したい文字の一つひとつ、配置したい要素の一つひとつを、すべて書き込めるようにするためだ。

今回、1回の指示文の上限は4.5kトークン、中国語で約3000字相当まで引き上げられた。同じことを指定するにしても、詳しさのレベルが大きく変わる。

指示文が書き切れるようになったことで、対応できる作業も変わってきた:

• 10pxの小さな文字クラスにも耐えられ、新聞一面、LaTeX組版の論文1ページ、文字が密な図鑑もレイアウトできる
• キャラクター設定と場面をひとそろい渡せば、12コマの絵コンテを直接組める。各コマにカメラサイズ、尺、カメラワークの注釈付きだ
• 編集と生成が同一モデルに統合:書籍ページに赤ペンの書き込みを重ねる、破損した古画の欠損を補う、実写写真に学術的な注釈レイヤーを加える
• 12カ国語をそれぞれの土地のレイアウトで組め、主要ソフトのUIも再現でき、ネット接続でその日の天気情報まで取得できる

指示文を長く書けるようになった次に出てくる問題は、3000字分の要素を1枚の画面の上にどう配置するかだ。

小互(シャオフー)の手元には2つの作業がある。一つは9コマ連続の教材図、もう一つは製品デモの連結画像だ。この2つはそれぞれモデルの異なる空間制御能力を必要とする。一方は横に並べ、もう一方は縦に入れ子にする。

横展開は1枚の画像に同時にいくつの要素を配置できるかを、奥行きは1枚の画像に何層のUIを入れ子にできるかを決める。新聞、試験問題、教材ポスターは前者を、製品デモ資料やUI連結画像は後者を必要とする。図は当サイトが作成した模式図。

今回胸を張れる数字は一つの方向だけだ:一度にどれだけの文字数を指定できるか。バーが長いほど、1枚の画像に配置できる要素も多くなる。