就在几天前,阿里千问放出了 Qwen-Image-2.1 的权重。文生图、图像编辑和透明图层,这次被集成到同一个 7B 主干。许可证也从 Apache 2.0 换成研究许可,商用仍需单独授权。权重同步上到 Hugging Face、ModelScope 与 GitHub,主流框架发布当天就能接入。
一、这次开源了什么
7B 指的是视觉主干,具体是 32 层 Single-Stream DiT。文本与条件编码器是 Qwen3-VL 8B,自编码器为 64 通道、16 倍空间压缩,整包 BF16 合计约 33 GB。编码器比扩散主干还大,算显存时不能只盯着这个数。
原生 RGBA 是这次的主项。透明度在采样阶段同步生成,省掉了先生成不透明图再跑抠图的两段式流程。按提示词直接出透明素材、在透明图层上继续编辑、从普通照片里抽出带 alpha 的主体,三个动作都支持。这项能力此前由单独的 Qwen-Image-Layered 承担,现在并回了主模型。

生成和编辑合并进一个 checkpoint。传参考图是编辑,不传就是文生图,走同一套管线。参考图上限提到 10 张,官方给的例子里,六张单人肖像能合成一张合影。局部编辑支持画圈、涂抹和单独传 mask 三种指路方式。效率靠混合粒度注意力,条件部分只算一次,后面每步复用缓存。默认输出 2048×2048、40 步。

二、和上一代比,和同行比
纵向看,主干反而缩了,从 20B 到 7B;编码器反向升到 8B。榜单分数一路从 49.23 走到 60.28。
| 版本 | 主干 | 关键变化 | 许可证 | 总分 |
|---|---|---|---|---|
| 第一代 | 20B | 中英文字渲染打出声量 | Apache 2.0 | 49.23 |
| 2512 | 20B | 人像真实感,盲测开源第一 | Apache 2.0 | 52.06 |
| 2.0 | 更轻 | 原生 2K,生成编辑统一 | 闭源为主 | 57.84 |
| 2.1 | 7B | 统一模型加 RGBA 与多图参考 | 研究许可 | 60.28 |
许可证是唯一的退步项。前几代都可自由商用,2.1 与两个配套的提示词改写模型改成研究许可,社区量化版与微调版继承同一限制。还有一点容易混:图像线今年夏天发过 3.0,走百炼 API 和闭源商用路线,至今没有权重,它和开源的 2.1 并行,不存在前后代关系。
横向看,2.1 是开源第一,但榜首仍由闭源占据。
| 模型 | 总分(类型) |
|---|---|
| GPT Image 2.5 Sunburst | 67.01(闭源) |
| GPT Image 2 | 64.69(闭源) |
| Grok Imagine 2.0 | 63.47(闭源) |
| Qwen Image 3 Pro | 62.36(闭源) |
| Qwen-Image-2.1 | 60.28(开源) |
| Nano Banana 2.0 | 59.82(闭源) |
| FLUX 2 Max | 55.33(开源 32B) |
| Qwen-Image-2512 | 52.06(开源 20B) |

它比 32B 的 FLUX 2 Max 高出近 5 分,靠的是 7B 主干。超过 Nano Banana 2.0 只有 0.46 分,算是同一水平线上的微幅领先。前面还站着六个闭源模型,榜首高出 6.73 分。基准由千问自建,裁决模型也出自自家团队,目前还没有第三方复现,1 分以内的差距接近噪声。两者的能力也不重叠:Nano Banana 2.0 有 4K 和更极端的画幅,但没有透明通道;2.1 有原生透明,分辨率却止于 2048×2048。
三、跑起来需要什么配置
显存是第一道门槛,官方仓库没有公布下限。以下数字来自各推理框架的部署说明与第三方实测。
| 配置 | 占用 | 适配 |
|---|---|---|
| BF16 全量 | 约 33 GB | 32 GB 卡放不下 |
| BF16 全驻留,1024²,40 步 | 峰值约 34 GB | 需要数据中心卡 |
| FP8 编码器加 BF16 主干 | 27.5 至 28.1 GB | 折中方案 |
| INT8 量化版 | 16.1 GiB | 可整跑 4090 |
| 开启 CPU 卸载 | 可低至 3 GB 级 | 代价是速度 |
把文本编码器卸到内存,是更实际的做法。它每个提示词只跑一次,放在系统内存里按层送入显卡,14.2 GB 的主干与自编码器保持驻留,24 GB 的消费级卡就能稳定工作。
速度方面,同一张卡在不同框架下差距很大。5090 配 FP8 主干、40 步、1024×1024,文生图约 5.9 秒,编辑约 7.1 秒;4090 开启卸载后是 18.7 秒与 21.7 秒。社区在 4090 上按分辨率的实测更有参考价值:2048×2048 约 30 秒,3072×3072 约 95 秒;推到 4096×4096,要三分钟以上,画面还开始出现纹理异常。这基本就是它的质量上限。
接入路径已经铺好,Diffusers、ComfyUI、vLLM-Omni、SGLang、LightX2V 都在发布当天提供支持,环境依赖 PyTorch 2.4 以上、transformers 5.17 以上。
四、能落地的场景
电商与商品素材是最直接的一类。透明底主图过去要走出图、抠图、修边、导出四步,现在在提示词里写明透明背景,交付的就是可直接合成的素材。
设计物料的批量生产同样受益,贴纸、图标、标志、游戏资产这类需要分层复用的素材,原生 alpha 省掉了抠图插件这一环。

多素材合成的价值更高,把商品、模特、配饰几张图作为参考输入,让模型拼成完整场景。内容侧还覆盖全景图、信息图与分镜图,拿三视图做角色参考,能直接出多格分镜。

五、千问在开源上的位置
这条线的节奏清楚。从第一代到这一代,迭代基本维持在半年以内,方向一直没偏:早期主攻文字渲染,中期提升人像真实感,这一代转向工作流整合。模型形态从多套权重收成一个 checkpoint,部署复杂度与显存切换成本同步下降。
生态响应是另一个信号。发布当天,上面提到的五个框架都给出了支持路径;社区首日就产出了量化版、微调版和在线体验空间;AMD 的 ROCm 与 FlagOS 也已适配,覆盖八个异构芯片平台。权重进入主流框架的速度,比模型卡上的形容词更能说明它是否真的可用。
许可策略则出现分化,语言模型线大多维持 Apache 2.0,图像线从 2.1 开始收紧商用条款。
常见问题
可以商用吗? 权重与研究用途免费,商用需要向千问单独申请授权,社区量化版与微调版继承同一许可协议。
需要多少显存? BF16 全量约 33 GB,INT8 量化版可压到 16.1 GiB,4090 一档能够整跑;把编码器卸载到内存后,24 GB 显卡也能满足。
怎么输出透明图? 提示词里显式写明这是 RGBA 图像、需要透明背景,模型才会走透明通道。
它和 Qwen-Image-3.0 是什么关系? 3.0 是今年夏天发布的闭源商用版本,通过百炼平台提供 API,目前没有权重;2.1 是开源线接在 2.0 之后的新版本。
结论
Qwen-Image-2.1 把文生图、图像编辑与透明输出集成到一个 7B 主干的模型,开源阵营里目前没有直接对手,强在工程整合和单位成本。短板是 2048×2048 的分辨率上限,以及需要单独谈判的商用许可。研究和原型验证可以直接上手。要走商用链路,上线前先把授权范围和显存预算算清楚。
171



被折叠的 条评论
为什么被折叠?



