一次十张参考图：AI 图像编辑从单张生成迈向合成

很长一段时间里，AI 图像编辑意味着一张参考图和一条指令。给模型看一张照片，告诉它要改什么，然后得到结果。这覆盖了很多场景，却忽略了人们实际思考图像的方式——往往是把多个来源组合成一个。

Qwen-Image 2.1 将参考图数量提升到了十张。该模型可以把六张独立的人像合并成一张合影，或者用模特、衬衫、鞋子、包和帽子各一张参考图，拼出一套完整穿搭。这与单图编辑是不同类型的任务，而这类任务在实际工作中不断出现。

想想实际案例。一个品牌想要一张宣传图，把旗下三款产品布置在同一场景中，每款产品都提供单独的照片。婚礼摄影师想把多张照片合成一张。时尚卖家想展示由商品目录中的单品搭出的完整造型。角色设计师想让一张脸在十几个变体中保持一致。单参考图编辑会迫使你不断重新生成和修补，一次只能输入一张图，并指望模型保持其他所有内容一致。多参考图编辑则让你把各个部分交给模型，让它去合成。

困难之处一直在于计算。更多参考图意味着更多 token，而更多 token 通常意味着生成更慢、内存占用更高。如果天真地把十张参考图输入模型，并在扩散过程的每一步都重新编码它们，成本会急剧膨胀，这个功能除了数据中心 GPU 外几乎无法使用。Qwen 对此采用的方法是混合粒度注意力方案。文本指令使用 token 级因果掩码，而图像生成使用块级掩码。KV 缓存复用方案让参考图和指令只需计算一次，并在各步骤中作为静态上下文复用，而不是每一步都重新计算。

这个思路很简单。如果参考图在生成过程中不会改变，就没有理由在每一步重新编码它们。计算一次，缓存起来，把算力花在真正会变化的部分上。这类工程不会登上头条，却决定了一个功能能否在消费级硬件上真正可用。规格表上的“支持十张参考图”和实际中“支持十张参考图且不会超时”之间的差别，恰恰就是这种缓存。

从两张参考图到十张，不只是数字变大。它改变了你能描述的东西。单图编辑产生变体，也就是同一张图被修改。多图编辑产生组合，也就是由多个部分拼装出的新图片，而很多商业价值正存在于组合之中。产品摄影、合影、造型画册、场景合成、基于一组素材的分镜，当模型能同时容纳多个输入并推理它们如何组合时，这一切都会打开。

这也标志着图像模型的一个更广泛方向。早期模型是文本生成图像：描述一个场景，得到一张图片。随后出现了图生图编辑：给一张图，描述一处修改。如今前沿是合成：向模型输入许多素材，让它推理它们如何组合。这更接近人类设计师的工作方式——用零件组装，而不是从零描述——也指向那些行为更像协作者而非生成器的模型。

还有一个值得注意的隐私与控制角度。当模型能从十张参考图合成时，用户对输入保持控制。与其描述一个产品并指望模型准确渲染它，不如把实际的产品照片输入进去。与其描述一个人，不如在适用的同意边界内输入其真实图像。从某种意义上说，多参考图编辑是迈向有依据生成的一步，模型锚定于真实素材，而不是根据文本描述产生幻觉。

仍然存在真实限制。在一张图中对多个人物保持身份一致仍然很棘手，而且你输入的参考图越多，模型就越有可能混淆它们之间的属性：错误的脸出现在错误的身体上，错误的颜色出现在错误的物体上。十张图的上限是一步进展，而不是已经解决的问题，随着输入数量增长，失败模式也会变得更怪异。团队显然已经做了工程工作来让它变快，但质量方面的工作仍在继续。

局部编辑控制是同一套功能的一部分。你可以画圈、涂抹标注，或者传入单独的蒙版图像，把编辑定位到一个区域而不影响其余部分。与多参考图输入结合后，这开始看起来像一个真正的合成工具——过去需要在图形编辑器里用图层完成的事情，现在可以表达为一组参考图和指令，交给单一模型处理。

对于任何构建创意工具的人来说，教训很直接。下一波差异化不是“更好的单张图像”，而是“模型一次能容纳并组合多少东西，以及你能多精确地告诉它要改什么”。十张参考图是当前答案。它不会长期停留在十张。

值得为这件事套上一个更广阔的框架。多年来，AI 图像生成的承诺是“描述它，得到它”。这个承诺对休闲使用有效，但对专业人士从未完全奏效，因为专业人士很少从空白描述开始。他们从素材开始：一张产品照片、一张参考图、一份品牌指南、一张必须保持一致的脸。向多参考图编辑的转变，本质上是向这一现实的让步。模型正在被教导从用户已经拥有的东西出发，而不是从用户能描述的东西出发。

这就是工程重要的原因。在上下文中保持十张参考图并让它们彼此区分，不只是保持一张的放大版。这是一个不同的问题，就像记住一张脸与记住十个人、并且能在合影中分辨他们之间的区别。Qwen 描述的块级掩码和 KV 缓存复用，是解决该问题的具体技术，而正是这类细节决定了一个功能是在实践中可用，还是只在演示中可用。

商业影响很直接。多参考图编辑解锁的工作流——产品合成、合影肖像、造型画册、品牌素材生成——都是人们当前要付费的事情，无论是为工具付费还是为人力付费。如果模型能足够好地完成它们，价值就会从合成的人力劳动转向模型容纳与组合的能力。这是一次真正的经济转变，也正是为什么这个功能，比那些对基准测试友好的功能，更值得关注，以判断行业实际走向。

还有一个容易被忽略的创意角度。多参考图编辑改变了什么才算“提示”。输入十张参考图的用户不是在写描述，而是在策划一组素材，决定包含什么、舍弃什么。这更接近艺术指导，而不是提示工程，并指向一个未来：在 AI 图像工作中，创意行为既关乎语言，也同样关乎选择与组合。从这个意义上说，十张参考图的上限是迈向图像模型的第一个真正步骤——这些模型把用户视为导演，而不是请求者。