Qwen-Image-3.0: Contenido rico, detalles auténticos, conocimiento profundo

Artículo original ↗ Discusión en Hacker News ↗

Qwen-Image-3.0, el nuevo modelo de generación de imágenes de Alibaba, está siendo elogiado por capacidades impresionantes como composiciones complejas, renderizado de texto multilingüe y salidas estilo documento, pero muchos usuarios informan que la calidad en el mundo real—especialmente la precisión del texto y los gráficos fieles a los datos—se queda corta frente a las muestras de marketing. Los comentaristas están frustrados porque, a diferencia de lanzamientos anteriores de Qwen, esta versión parece ser de pesos cerrados, lo que limita el uso local y refuerza la dependencia de APIs propietarias. El uso del modelo en comercio y publicidad plantea preocupaciones más amplias sobre imágenes de productos engañosas, retratos con “plástico de IA” y la erosión de la confianza en las fotos, amplificadas por revelaciones de que el propio sitio de Qwen está repleto de extrañas palabras clave SEO NSFW pese a las restricciones oficiales de contenido.

Lanzamiento del modelo y apertura

  • Muchos comentaristas señalan que no se menciona la publicación de los pesos y asumen que Qwen-Image 3.0 es solo de pesos cerrados.
  • El comportamiento pasado (sin pesos de Qwen-Image-2.0) refuerza el escepticismo de que vayan a producirse futuras publicaciones abiertas.
  • Algunos lo comparan explícitamente con otros sistemas propietarios (modelos de imagen de GPT, NB Pro) y lo ven como otro competidor cerrado en lugar de una alternativa abierta.

Capacidades vs. rendimiento en el mundo real

  • Los ejemplos de marketing (composiciones complejas, infografías con mucho texto, PDFs en LaTeX) se consideran impresionantes.
  • Los usuarios que prueban el modelo en vivo informan resultados mixtos:
    • Buena calidad general de imagen, pero serios problemas con gráficos, alineación del texto y superposiciones simples de mapas.
    • Algunos ven regresiones frente a Qwen-Image 1 en composición y anatomía (extremidades extra, ojos brillantes).
    • Otros dicen que es de nivel “Microsoft Lens” o “slop” para ciertas tareas analíticas.

Renderizado de texto y multilingüe

  • El renderizado de texto se cita ampliamente como frágil: las letras de los encabezados se deforman; los gráficos desalinean los datos; la muestra en coreano del blog es lingüísticamente incorrecta pese a la afirmación de marketing.
  • Algunos señalan que el árabe de la imagen principal está muy mal, mientras que las salidas reales del modelo pueden ser mejores, lo que hace sospechar que no todas las imágenes promocionales provienen realmente del modelo.
  • La discusión confirma que el texto se sintetiza como píxeles (sin fuentes), de forma similar a otros modelos de difusión.

Estética: tinte, “aspecto de IA”, rostros

  • Varias personas comentan un filtro amarillo persistente, o de “pis”, comparándolo con GPT Image 1.
  • Se discuten explicaciones: preferencia por estéticas cálidas de “puesta de sol”, problemas comunes de tinte en los procesos de entrenamiento.
  • Los retratos son criticados por la piel “plástica” y rostros excesivamente similares y perfectos. Algunos dicen que los modelos especializados/LORAs pueden evitar esto, pero que los sistemas convencionales optimizan para ese aspecto filtrado.

SEO, etiquetas NSFW y el fiasco de meta-keywords

  • Un subhilo importante analiza la enorme etiqueta meta keywords del sitio, que incluye miles de términos extraños y explícitos (frases NSFW, sitios pornográficos, consultas mal escritas de “Gwen/Qwen”, etc.).
  • Observaciones:
    • Las palabras clave aparecen en todas las páginas, incluso en la política de uso que prohíbe el contenido sexual.
    • Las hipótesis incluyen canalizaciones automáticas de SEO alimentadas por autocompletado / registros de consultas de búsqueda, posiblemente mediante datos de Yandex.
    • Algunos lo ven como un intento de captar tráfico de búsqueda NSFW; otros creen que es una herramienta mal configurada de forma incompetente.
    • Varios señalan que la mayoría de los motores de búsqueda occidentales ignoran meta keywords, por lo que la hinchazón es en gran parte inútil.

Casos de uso, ética y “verdad en las imágenes”

  • Preocupa mucho que la generación de imágenes se esté impulsando para el “try-on” de comercio electrónico y visuales de productos que idealizan el ajuste, la iluminación y la escala.
  • Se comparten ejemplos:
    • Listados inmobiliarios, de muebles y de ropa mejorados con IA que tergiversan el tamaño, el estado o incluso detalles arquitectónicos.
    • Imágenes de catálogo generadas por IA para artículos de segunda mano que sustituyen entornos reales por falsificaciones glamurizadas.
  • Muchos ven esto como una continuación y amplificación del engaño publicitario de larga data, erosionando la “verdad en la publicidad”.
  • Algunos imaginan contrausos (agentes personales que generen vistas más exactas), pero otros dudan de que existan incentivos para priorizar la honestidad.

Entrenamiento y notas técnicas

  • Explicación de alto nivel: los modelos aprenden un espacio latente compartido entre texto e imágenes, entrenados con millones de imágenes etiquetadas descriptivamente (a menudo mediante modelos de imagen a texto).
  • Los comentaristas enfatizan que el raspado moderno a escala web inevitablemente también ingiere grandes volúmenes de imágenes generadas por IA.
  • Hay curiosidad por las mejoras en OCR/comprensión documental; la percepción es que algunos otros modelos siguen liderando aquí, pero que los modelos de visión recientes tienen mejor posentrenamiento para detectar texto desordenado.

Actitudes más amplias hacia la generación de imágenes

  • Las reacciones van desde el entusiasmo (“exactamente lo que estaba buscando”, usos educativos/creativos) hasta un profundo escepticismo.
  • Los críticos argumentan que la generación de imágenes es el ámbito de IA “menos interesante y más preocupante”, al habilitar sobre todo engaño, acoso y desinformación (por ejemplo, portadas de manga falsas atribuidas a creadores y editores reales fallecidos).
  • Otros destacan usos benignos: ilustración para juegos de rol de mesa, visualización de reformas del hogar, zines de recetas, exploración de ropa/estilo, aunque incluso los fans reconocen limitaciones y el riesgo de que los usuarios sean inducidos a error.