概覽
- 工具名稱：Qwen-Image 2.1
- 開發商：阿里巴巴通義千問（Qwen）團隊
- 官方釋出：https://qwen.ai/blog?id=qwen-image-2.1
- 權重：GitHub / Hugging Face / ModelScope（Qwen/Qwen-Image-2.1）
- 分類：AI 影像模型
- 許可證：Qwen Research License Agreement（僅限非商業用途）
- 釋出日期：2026 年 9 月 20 日
Qwen-Image 2.1 把文生圖與影像編輯整合進同一個模型，視覺生成部分只有 7B 引數（32 層 Single-Stream DiT），配 Qwen3-VL 8B 文本編碼器與 64 通道 RGBA 自編碼器。官方主打四件事：小模強效、原生透明、全能編輯、真實質感。
四項核心能力
1）原生 RGBA 透明，創改一體
這是本次最大看點。模型可根據提示詞自動決定輸出普通圖還是帶透明通道的圖，也能直接編輯透明圖層，還能從普通照片裡把主體抽成 RGBA 圖層——等於把「出圖」變成「出可拆解、可重組的圖層素材」。相比 2025 年 12 月的獨立模型 Qwen-Image-Layered，這次是整合進統一模型。
2）最多 10 張參考圖
六張人像合成一張合影、五件單品拼成一整套穿搭、十張傢俱圖生成完整室內方案。官方示例中還包含虛擬試穿。
3）區域性編輯三種選區
圓圈標註（可同時標多個區域）、塗鴉塗抹、或「原圖 + 獨立 mask」雙輸入。最後一種能保留完整原圖不被標註遮擋。連續區域性編輯還能串成分鏡/小動畫。
4）保真與排版
人像身份與商品特徵（文字、紋理、形狀）在編輯中保持一致；文字排版、人像光影與細節質感均有提升。任務覆蓋全景圖、資訊圖、故事板。
規格
- 引數：視覺生成 7B（32 層 Single-Stream DiT），BF16
- 解析度：預設 1:1 為 2048×2048，支援 7 種寬高比，最大單邊 2752（16:9 為 2752×1536），約 4.2MP
- 推理效率：混合粒度注意力（文本 token 級因果掩碼 + 影像 chunk 級掩碼）+ 字首 KV Cache 複用；官方稱 2K 雙圖編輯 1.59 秒、10 圖編輯 6.31 秒（未公佈硬體配置）
- 依賴：torch ≥ 2.4.0、transformers ≥ 5.17、GitHub 原始碼版 diffusers、accelerate、pillow；官方示例 40 步推理
- 視訊記憶體：視訊記憶體不足可用 `pipe.enable_model_cpu_offload()`；生態側另有 FP8 量化、CUDA Graph、張量並行等最佳化
- 生態：Diffusers（QwenImage21Pipeline）、ComfyUI、vLLM-Omni、SGLang、LightX2V；支援 AMD ROCm 與 FlagOS
評測（Qwen 自有榜單，需謹慎解讀）
Qwen-Image-Bench 上 60.28 分，高於 Nano Banana 2.0（59.82）與所有列出的開放權重模型（FLUX 2 Max 32B 為 55.33），低於 6 個閉源模型，榜首為 GPT Image 2.5 Sunburst（67.01）。
注意：出題方與閱卷方都是 Qwen，屬廠商自評；與榜首相差約 6.7 分，與第 8 名僅差 0.46 分。截至釋出日無第三方復現。
授權：這一步最容易踩坑
Qwen-Image 2.1 的權重採用 Qwen Research License Agreement —— 僅限非商業用途，商用需與 Qwen 另行簽約。
這與前代形成反差：Qwen-Image 1.0（2025 年 8 月，20B）用的是 Apache 2.0，可自由商用。也就是說，從 Qwen-Image 1.0 遷移到 2.1 的專案不能預設繼承商用權利，需要重新確認授權。
另外，Hugging Face 上該模型目前沒有任何 Inference Provider 託管，且官方未見同名的付費 API，只能自部署或通過第三方平臺呼叫。
適用場景
- 設計與素材生產：貼紙、logo、摳圖元素等需要透明通道的資產
- 電商：商品圖換背景、多單品組合、虛擬試穿
- 室內與空間方案：10 張傢俱參考生成完整佈置
- 研究與本地部署：7B 規模可在單卡跑，權重可下載做架構與推理研究
- 分鏡與故事板：三檢視角色參考展開為完整分鏡
侷限
- 不能商用：研究許可，這是硬性約束
- 官方評測為自有榜單，缺乏第三方復現
- 無官方託管 API，需自行部署與最佳化
- 頭髮邊緣、半透明玻璃、煙霧等去背難題仍需逐張檢查
常見問題
Qwen-Image 2.1 能商用嗎？
不能。權重採用 Qwen Research License Agreement，僅限非商業用途；商用需與 Qwen 另行簽署協議。前代 Qwen-Image 1.0 是 Apache 2.0，兩者授權不同，不要想當然繼承。
引數多少？解析度最高多少？
視覺生成部分 7B 引數（32 層 Single-Stream DiT）。預設 2048×2048，支援 7 種寬高比，最大單邊 2752。
原生透明是什麼意思？
模型可直接生成帶 alpha 通道的 RGBA 圖，可編輯透明圖層，也能把照片裡的主體抽成透明圖層複用——不需要先跑一遍摳圖模型。
最多幾張參考圖？
10 張。區域性編輯可用圓圈、塗鴉標註或獨立 mask 指定區域。
和 FLUX 3、SD4 怎麼選？
要透明通道 + 多參考合成 + 小模型本地跑，選 Qwen-Image 2.1（非商用）；要商用 + 8GB 單卡 + 精細布局控制選 FLUX 3 Klein；要商用 + 4096² 原生解析度選 SD4 Ultra。
*本頁與阿里巴巴通義千問無隸屬關係。規格與授權核驗至 2026 年 10 月（qwen.ai 官方部落格與 Hugging Face 模型卡），請以官方許可檔案為準。*
