一句话看懂：Qwen 团队在 Hugging Face 发布论文 Qwen-Image-PE，提出用两阶段训练让提示词增强模型主动学习视觉设计；同期开源的 Qwen-Image-PE-9B 在论文报告的评测中超过所比较的基线，值得关注的是它试图把“提示词改写”从保意任务推向设计任务。
事件核心：发生了什么
根据 Hugging Face Papers 收录的论文摘要（原始发布时间为 2026 年 10 月 24 日，目前公开信息为摘要层面），Qwen-Image-PE 的核心思路是让提示词增强（PE）模型学会视觉设计，而不是只把用户模糊的描述扩写成完整句子。它采用两阶段训练：先以设计良好的图像密集描述作为监督做微调，称为 Caption-Based Reverse Distillation（CRD）；再用 Groupwise Design Reward（GDR）做强化学习，在同一请求的候选图像之间横向比较，打磨光照、构图、布局和细节。
在 Qwen-Image-Bench、搭配 Qwen-Image-2.1 的条件下，Qwen-Image-PE-397B 相比原始请求提升 7.81 分；Qwen-Image-PE-9B 超过所评估的 PE 基线。摘要还称，它在视觉设计、美学、图像质量与人类偏好上有增益，并能在另外四个 T2I 骨干模型上泛化，在 HunyuanImage-2.1 和 FLUX 3 Image Klein 上甚至超过原生提示词增强器。团队已在 Hugging Face 开源 9B 版本。
为什么重要
提示词增强长期处于“改写文字”的层面，行业多数方案优先保证不曲解用户意图，对光线、构图这类细粒度设计维度强调不足。Qwen-Image-PE 把设计监督和候选图像间的比较奖励引入训练，等于把一部分“视觉审美”显式写成模型目标。摘要中给出的三个扩展轴——训练数据、模型规模和 information density——也提示 PE 的效果并非只靠更大模型，信息密度是前提。这为图像生成管线提供了新思路：在生成模型之外，单独提升提示词层的设计能力。
对用户/开发者/创作者的影响
对普通用户和创作者，这意味着未来输入一句简短需求后，得到的可能不只是更完整的句子，而是带明确布光和构图意图的视觉规格；但实际体验仍取决于接入的底层生成模型和产品实现。对开发者，9B 模型已开源，可尝试接入现有图像生成流程，但摘要未给出延迟、显存和许可证细节，部署前需以模型卡和代码为准。目前公开信息显示，这些结论来自论文摘要与报告的内部评测，不是已在第三方产品中验证的稳定排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
后续可观察三点：9B 开源版本的实际可用性与推理成本；第三方在真实业务场景中的复现效果，而非仅在 Qwen-Image-Bench 上的结果；其他 T2I 厂商是否跟进“学习视觉设计”的提示词增强路线。
