Qwen-Image-2.1

2026-09-20 发布：阿里 Qwen 团队于 2026-09-20 在 Hugging Face、GitHub 与 ModelScope 同步放出 Qwen-Image-2.1 权重。这是距 2026 年 2 月 Qwen-Image 2.0 之后约七个月的迭代，核心变化是透明通道内置与多参考图编辑。

概述

Qwen-Image-2.1 是阿里通义千问团队的统一图像模型——同一个 7B checkpoint 同时做文生图和图像编辑。视觉生成部分为 7B 参数（官方技术描述为 7.1B DiT），由 32 层 Single-Stream DiT 构成。

它最值得关注的三点是：

1. 原生 RGBA：透明背景由模型内部处理，不再需要「先生成再抠图」的两段式流程。
2. 最多 10 张参考图：一次前向里合并多个主体，做合照、穿搭、家具摆放成为可能。
3. 默认 2K：2048×2048 输出、40 步推理，仍是消费级显卡能扛的量级。

AI 之家 观点：7B 只是个参数数字，真正的意义是门槛——一个默认出 2K、能出透明通道、能吃 10 张参考图的模型，跑在一张消费级显卡上。对做素材流水线、电商图、设计工具的团队，这比又一个「SOTA 闭源」有实用价值得多。唯一要盯紧的是许可：它叫「开源」，但贴的是研究许可。

架构要点

速度上的收益主要来自注意力层的设计：文本用 token 级因果掩码，图像生成用 chunk 级掩码，两种粒度混用；同时输入图与编辑指令只在第一步计算，之后每步复用缓存。官方称这一设计在多图编辑时提升最明显，显存占用也更低。

三项核心能力

1. 原生透明通道

Qwen 在 2025 年 12 月曾单独发过透明图模型 Qwen-Image-Layered，这次把能力并进了主模型——由 prompt 决定是否输出 alpha 通道。

实际效果是：给一张照片，可以把指定主体直接抠成 RGBA 图层；同一个 checkpoint 还能在保持透明背景的前提下改人脸表情、替换文字图层里的字。ComfyUI 在发布当天的说明里写得很直接：sprite、Logo、图标、商品抠图从采样器出来就能直接合成，不再需要背景去除节点、matting 模型或边缘清理，并称「没有其他主流开源模型做到这一点」。

2. 最多 10 张参考图

参考图槽位在填第一张后会再开一个，最多 10 个。典型用法：

• 6 张单人照 → 1 张合照
• 模特 / 上衣 / 鞋 / 包 / 帽子 → 完整穿搭
• 10 件家具 → 一个房间的布置

3. 四种局部编辑把手

• 彩色圆圈 / 涂鸦标注：圈出要改的区域
• 独立蒙版：原图必须保持不被遮挡时，图像与蒙版作为两个输入送入
• 指令编辑：自然语言描述改动
• 文字层替换：替换图层内的文字

全景图、信息图、分镜也在官方支持的任务清单里。

部署与生态（Day-0）

此外还随模型发布了两枚 Qwen3.5-VL 9B 微调模型，专门用于短 prompt 扩写（文生图一枚、编辑一枚）。

性能参考

SGLang 团队公布的数据（单张 RTX 4090 24GB + CPU offload）：

Qwen 官方称该模型在自家基准上超过多数闭源图像模型，但独立第三方基准截至发稿仍缺——这个结论应视为起点而非定论。

许可：这是最大的坑

权重采用 Qwen Research License Agreement，允许研究与非商业用途，商业使用需与 Qwen 单独签署授权。

官方公告里用了 "open source" 的说法，但随权重附的是研究许可，不是 Apache-2.0 这类宽松许可。任何打算把它放进商业产品的团队，必须先谈授权——这一点在选型阶段就要确认，不要等集成完了才发现。

快速上手

from diffusers import QwenImage21Pipeline
import torch

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
).to("cuda")

# 1) 文生图（默认 2K）
image = pipe(prompt="一只戴着飞行护目镜的橘猫，透明背景").images[0]
image.save("cat_rgba.png")   # 直接带 alpha 通道

# 2) 多参考图编辑：最多 10 张
refs = ["p1.png", "p2.png", "p3.png"]
edited = pipe(
    prompt="把这三个人合成一张户外合影，光线统一为傍晚",
    image=[Image.open(p) for p in refs],
).images[0]
edited.save("group.png")

# ComfyUI：直接拉官方工作流，alpha 通道节点已内置
git clone https://github.com/QwenLM/Qwen-Image-2.1

避坑清单

• 商用前先谈授权：研究许可不等于能上线赚钱，别在 POC 阶段忽略。
• 别信单一来源的跑分：官方「超越闭源」的结论基于自有基准，独立复现出来之前保持保留。
• 显存要有余量：透明通道与 10 图参考对显存更敏感，24GB 以下建议开 CPU offload 或降分辨率。
• 回调原文：多参考图合并时主体归属偶有偏差，商用素材务必人工过一遍。

FAQ

Q：Qwen-Image-2.1 能商用吗？ A：不能直接商用。权重采用 Qwen 研究许可，仅限研究与非商业用途。商业部署需向 Qwen 申请单独授权，官方未公布授权价格。

Q：和上一代 Qwen-Image 2.0 有什么区别？ A：2.0 发布于 2026 年 2 月。2.1 把透明图能力（原属独立的 Qwen-Image-Layered）并进主模型，把参考图上限提到 10 张，并统一了生成与编辑两条路径。

Q：需要什么显卡？ A：官方称可在 RTX 3090 及以上消费级显卡运行。SGLang 实测 RTX 4090 24GB 配合 CPU offload 生成 1024×1024 约 18.7 秒；显存更小时建议降分辨率或加强 offload。

Q：有没有 hosted API 版本？ A：有。此前数周 Qwen 已上线闭源的 Qwen-Image 3.0 托管服务；这次的 2.1 是权重可下载的对应版本，能力侧重不同。

延伸阅读

• 相关模型：TranslateGemma / Qwen3-Coder / Kimi K3
• 概念：多模态大模型 / LoRA 微调
• 资讯：Qwen-Image-2.1 开源权重发布

来源

• The Decoder — 《Alibaba's open-weight Qwen-Image-2.1 claims to beat closed models in image generation with just 7 billion parameters》(2026-09-20)：https://the-decoder.com/alibabas-open-weight-qwen-image-2-1-claims-to-beat-closed-models-in-image-generation-with-just-7-billion-parameters/
• METAL — 《Alibaba's Qwen Releases Qwen-Image-2.1》(2026-09-20，含架构与许可细节)：https://metallab.ai/en/2026/9/qwen-image-2-1-release
• HuggingNews — 《Alibaba Ships Open Weight 7B Qwen-Image-2.1 With Native RGBA Transparency》(2026-09-20，含 SGLang 性能数据)：https://huggingnews.com/ai/alibaba-ships-open-weight-7b-qwen-image-21-with-native-rgba-transparency-34978f22
• AI Intel Report — 《Qwen-Image-2.1 Open Weights Released for Unified Image Generation and Editing》：https://aiintelreport.com/frontier-models/qwen-image-2-1-open-weights-release
• Hugging Face 模型仓库：https://huggingface.co/Qwen/Qwen-Image-2.1

核对日期：2026-09-21。商用授权价格、官方完整吞吐数据表两项待核实。