Qwen-Image-PE：提示增强怎样学会设计，为什么扩写也会退步？
CRD把高质量图像变成密集描述监督；生成主干保持冻结，增强器学习补足灯光、构图、布局与细节。
作者评测，本站未独立复现。397B为内部模型；同主干结果、信息密度消融与跨主干迁移各有条件，不等于所有请求更好或生产成本更低。
本次变化：首次完整分析：四条结论与同号论述、三张本站重绘，保留训练、同主干分数、密度退步与迁移限制。
并行探索：同一研究的互补证据
§2.3; §3.3.2; Table 3(b); Figure 6并行探索：同一研究的互补证据
§3.1–3.2; Table 1; Figure 4; §4; Figure 7并行探索：同一研究的互补证据
§3.1; Table 1; §5; Table 5CRD把高质量图像变成密集描述监督；生成主干保持冻结，增强器学习补足灯光、构图、布局与细节。
GDR用网格与多次打乱比较同请求候选，设计奖励加意图对齐；Overall比SFT高 0.65分，不能写成训练收益无限扩大。
同主干 9B为 60.28、内部 397B为 62.17；低信息密度消融只有 44.65和 51.36，均低于原请求 54.36。
两种增强器在四个测试主干均超过原请求；9B有发布入口，397B是内部模型，不能据论文许可推断权重许可。
短请求常没有说清光源、主体层次、留白和材质。论文把提示增强定义为从用户请求生成设计推理、增强提示和宽高比，再交给冻结的文生图主干。目标是补齐视觉决策，同时保留用户明确要求；增强器和图像生成器是不同角色。
Qwen-Image-PE: Learning Visual Design for Text-to-Image Prompt Enhancement v1 · §2; Figure 2
Caption-Based Reverse Distillation沿两条路径构造请求与图像：从请求生成并筛选好图，或从已有好图降级出简短、含噪请求。多模态模型为图像写密集描述，作为增强提示目标；再据请求与目标合成设计理由。训练时增强器只从请求预测这些输出。监督理由属于合成标签，不是可直接证明真实内部推理的观测。
在 397B相同训练设置的消融中，正向扩写监督Overall为 59.86，反向描述监督为 61.52，相差 1.66分。提示分布更靠近主干训练描述的JS、FD与MAUVE结果支持作者动机，但分布接近不自动构成画面质量提高的充分因果解释。
返回核心结论每个请求采样一组增强提示，用相同生成种子输出候选图。评判器在统一网格中按灯光、构图、布局和细节分别打分，多次打乱排列后平均，减少位置敏感性；奖励另含对原始请求的对齐项。GRPO在组内归一化奖励，KL约束靠近初始SFT策略，图像主干始终冻结。
397B的SFT初始化为 61.52，逐张设计奖励为 61.36，组内设计奖励为 62.17；组内比逐张高 0.81分、比SFT高 0.65分。组内奖励与盲评人类偏好的排序一致率 59.1%，逐张为 50.9%，相差 8.2个百分点。一致率仍远非 100%，不能称评判器已经替代专业判断。
适用边界：训练使用组内奖励；基准设计维度使用另一个在专家标注上训练的Q-Judger逐张评估。区分训练奖励与评价指标有价值，但仍属于作者实验，本站未复现评判可靠性。
返回核心结论主要比较固定Qwen-Image-2.1主干、2K分辨率及每请求采样种子。原请求Overall 54.36，9B增强 60.28，内部 397B增强 62.17；397B相对原请求提升 7.81分，不是 7.81%。表 1上方其他图像模型使用不同主干，不能将全部行混成提示增强器公平排名。
Qwen-Image-PE: Learning Visual Design for Text-to-Image Prompt Enhancement v1 · §4; Figure 7(c)
信息密度实验固定Qwen3.5-9B和 50K样本，改变描述监督等级。L1至L4的Overall依次 44.65、51.36、55.39、57.31；前两级低于原请求。作者用冻结Qwen3-VL-8B-Instruct测量图像条件对文字似然的增益GPG，不是简单按token数给提示贴密度标签。结论限于该模型、样本和度量，不是一个可直接套用所有任务的长度阈值。
数据规模从 12.5K增至 100K时，Overall由 55.87至 57.61，后续翻倍收益递减。模型规模实验固定 50K，包含dense与MoE，不能仅按标称总参数推断实际推理费用。专家偏好评估含 500个跨领域案例，净胜率定义为(G−B)/(G+S+B)，不等于单独的获胜比例。
返回核心结论表 5将增强器迁移到FLUX.2-dev、Krea 2 Turbo、HunyuanImage-2.1及FLUX 3 Image Klein，未访问这些目标主干的训练描述。每个主干内部，9B和 397B的Overall都超过原请求；在Hunyuan与FLUX 3两组也超过各自原生增强器。该设计支持可迁移视觉设计的解释，不能外推到所有模型或所有用户请求。
9B由Qwen3.5-9B初始化，397B由Qwen3.5-397B-A17B初始化，后者在表 1标为内部模型。论文链接 9B权重发布页，但本站未完成权重许可证、显存、吞吐和费用核验，不提供未经验证的部署门槛。论文CC BY 4.0只说明论文材料许可，本站配图为独立重绘。
作者结论：本站建议：固定图像主干、种子与请求，检查显式约束是否被扩写改写，再盲评画面、延迟和费用。创作工具应保留查看／修改增强提示和回退原请求的路径。以上是采用建议，不属于作者实验结果。
返回核心结论Qwen-Image-PE: Learning Visual Design for Text-to-Image Prompt Enhancement v1 · arXiv:2610.33472v1 · 首次发布 2026-10-24
地图首次发布 2026-10-29T03:02:35.898238+00:00 · 地图修订 2026-10-29T03:02:35.898238+00:00