Qwen 推出提示詞重寫器，解決提示詞問題
--- title: Qwen 推出提示詞重寫器，解決提示詞問題 slug: qwen-shipped-a-prompt-rewriter-to-fix-the-prompt-problem meta_title: Qwen 的提示詞重寫器鎖定真實障礙 meta_description: Qwen 開源了一個微調的 Qwen3.5-VL 9B，能將任何語言的簡短請求轉換為詳細的英文提示詞，並推薦長寬比。 category: ai tags: Qwen,Qwen-Image-2.1,提示詞重寫,Qwen3.5-VL,開放權重,diffusers,長寬比,圖像生成,授權 ---
阿里巴巴開源了一個小型模型，只做一件事：接收任何語言的簡短圖像請求，將其擴展為詳細的英文提示詞，並推薦長寬比。Qwen-Image-2.1-PE-T2I 是一個微調的 Qwen3.5-VL 9B，它鎖定了一個圖像模型供應商很少直接處理的障礙。
模型的功能
輸入是一段簡短描述，可使用任何語言。輸出是一個 JSON 物件，包含重寫後的提示詞與推薦的長寬比，並在推理區塊之後產生。目標模型是 Qwen-Image-2.1，它使用一個 70 億參數的視覺生成元件，具有 32 個單流 DiT 層。
機制很直接。供應商沒有要求使用者學習 Qwen-Image 如何回應提示詞，而是訓練了一個模型，將意圖轉譯成生成器最擅長處理的形式。
推理區塊的重要性比表面上看起來更高。重寫器並不是單純用形容詞填充簡短請求。它會推敲請求所暗示的內容，然後輸出一個結構化物件，包含提示詞與推薦的畫面比例。這更接近規劃步驟，而不是文字擴充。
為這項工作微調一個視覺語言模型，而不是從頭訓練一個小型文字模型，是刻意的選擇。Qwen3.5-VL 已經能理解圖像，因此重寫器可以針對描述所暗示的視覺內容進行推理，而不只是處理文字。
為什麼這比看起來更有用
提示詞工程一直是圖像生成的非官方稅。以英文書寫並花時間學習語法的使用者，會比不這麼做的使用者得到更好的結果，而這個差距與創造能力無關。
對非英語使用者而言，障礙會層層疊加。中文、阿拉伯文或葡萄牙文的請求，必須先經過翻譯才能到達模型，而翻譯往往會剝離掉一開始讓請求變好的具體視覺細節。一個能從原始語言運作並輸出詳細英文提示詞的重寫器，移除了其中一層損失。
長寬比推薦是一個較小的功能，卻解決了真實的困擾。畫面比例弄錯是一種無聲的失敗：圖像生成得很好，卻放不進它需要放置的位置。
授權但書
該模型在 Hugging Face 上以 Qwen Research License Agreement 提供，該協議限制商業使用。這與 Qwen-Image-2.1 本身的條款一致，並使其與較舊的 Apache 2.0 Qwen-Image 版本有所區別；後者仍是安全的商業選擇，但在公開排行榜上的排名遠遠較低。
計畫以重寫器為基礎進行開發的企業，需要在整合前閱讀授權條款，因為僅限研究用的授權會改變該管線可以用於哪些用途。
周邊整合工作
重寫器與 Qwen-Image 2.1 整合進 Diffusers v0.41.0 一同推出，現在該模型能在同一條管線中處理文字轉圖像生成、圖像編輯、原生 RGBA 透明輸出與 LoRA 訓練。同一個版本也棄用 ONNX 支援，改以 Optimum 取代，並移除了較舊的 Lumina 管線別名。
三件事一起推出：一個生成器、一個提示詞轉譯器，以及讓生成器能用大多數開發者已在使用的工具載入的函式庫支援。這樣的組合，才讓一次模型發布變成開發者無需重建整個技術堆疊就能採用的東西。
這些管線功能暗示了團隊預期模型會被用在哪些地方。LoRA 訓練意味著團隊可以微調某種風格，而不必重新訓練整個模型。原生 RGBA 輸出意味著生成的圖像可以直接放進設計檔案，無需經過去背步驟。張量平行檢查點載入意味著模型可以在先前無法容納它的硬體配置上載入。
這些都不是頭條功能。合在一起，它們描繪出一個為生產管線而非展示而設計的模型。
同一個版本也新增了對 LTX-2.5 關鍵影格插槽、Cosmos 3 混合精度去雜訊，以及 Krea 2 與 MiniMax-H3 單檔載入器的支援。Diffusers 正成為影片與圖像模型的共同陳列架，這對任何及早整合的供應商都有利。
團隊實際上會如何使用它
最明顯的整合位置是在管線前端：使用者輸入簡短請求，重寫器將其擴展，生成器再進行渲染。這為提示詞詞彙量不足的人移除了一個手動調整步驟，也降低了讓非設計師加入圖像工作流程的成本。
一個較不明顯的用途是作為評估工具。將簡短請求跑過重寫器，會產生一個基準提示詞，可與人類專家撰寫的提示詞比較。兩者之間的差異，衡量了人類額外增加了多少價值，這有助於判斷在某個專案中，專業提示詞撰寫者是否仍值得編列預算。
批次管線的理由最充分。當系統從範本化請求生成數百張產品圖像時，能標準化提示詞格式的重寫器會減少項目之間的差異。整個目錄的一致性，比任何單一圖像的峰值品質更重要。
還有一種防禦性用途。保留原始語言請求的團隊，可以將它們導向重寫器，而不是交給人工翻譯，這能保留翻譯通常會壓平的視覺細節。對在許多市場推行活動的公司而言，這可大幅減少重工。
預期會出現的失敗模式
重寫器會朝特定方向失敗：它們過度指定。一個關於平靜海景的簡短請求，可能會回傳一個提示詞，指定了一天中的時間、鏡頭、色彩調色盤，以及使用者從未要求過的構圖。圖像很詳細，卻是錯的，這比明顯失敗的圖像更難除錯。
長寬比推薦也繼承了同樣的風險。推薦的 16:9 是對意圖的猜測，而一條默默套用它的管線，可能會產生不符合原始版位的裁切。團隊應將該推薦視為需要人工確認的建議，至少在模型公布準確率數字之前是如此。
語言涵蓋範圍是第三個未知數。主要以英文提示詞資料訓練的重寫器，可能可以妥善處理中文請求，但在訓練集中代表性較低的語言上表現會下降。研究授權使得在未協商條款的情況下，難以在生產規模進行測試。
第二層問題
提示詞重寫器改變了「好提示詞」的價值。如果重寫器能可靠地從簡短請求產生詳細的英文提示詞，那麼提示詞撰寫技巧就不再是目標模型的差異化因素。這對採用有利，但對圍繞它建立的提示詞指南生態系不利。
它也引發了一個資料問題。以 Qwen 自家模型行為訓練的重寫器，學到的是 Qwen-Image 對什麼有反應。這讓它對 Qwen-Image 有用，但對其他地方較不有用。供應商專屬的重寫器既是便利功能，也是一種鎖定機制。
值得觀察的重點
重寫器的輸出是否匹配熟練提示詞撰寫者的產出，以及 Qwen 是否會將此方法擴展到其他模態。提示詞重寫器是一個有著明確工作的小模型，其價值完全取決於重寫後的提示詞是否真的比使用者原本會寫的更好。該公司尚未發布獨立比較，因此這個說法仍待他們自己證明。
下一個訊號是 Qwen 是否會為影片與音訊發布類似的重寫器，或將此能力直接整合進 Qwen-Image 管線，讓使用者永遠看不到中間提示詞。兩者都會暗示，該公司將提示詞工程視為一個要用工程解決、而非教導的問題。