Qwen-Image-2.1

模型简介

Qwen-Image-2.1 是阿里巴巴通义千问（Qwen）团队于 2026 年 9 月 20 日正式发布并开源的图像生成与编辑一体化大模型。该模型走“开源即发布”路线，在 2026 年云栖大会前夕在 GitHub、Hugging Face 与 ModelScope 平台全量公开。模型将文生图（Text-to-Image）、图像编辑（Image Editing）与原生透明通道（RGBA）生成统一在单个模型架构中，兼顾了生成质量、编辑一致性与低推理成本。

双塔架构与核心参数

• 视觉生成网络（DiT）：核心视觉生成组件采用 32 层 Single-Stream DiT（Diffusion Transformer）架构，参数量约 7.12B（BF16 参数精确值为 7,115,124,736），具备高空间信息交互与生成能力。
• 多模态条件编码器：采用 Qwen3-VL 8B 作为文本与多模态条件编码器（参数约 8B），最大位置编码与上下文长度达 262,144 tokens（256K），支持极长提示词、多图条件注入与复杂排版指令。
• 整机总参数量：视觉生成 7B + 条件编码器 8B，整套权重总参数量约 15B。
• 透明 VAE 编码器：采用 64 通道原生 RGBA 自动编码器（AutoencoderKLQwenImage21），具备 16 倍空间压缩与 8 倍时间下采样，支持 Alpha 透明通道的无损建模。
• 调度与采样：基于 Flow Matching 与 Euler 离散调度器，结合动态偏移（Dynamic Shifting），官方推荐推理步数为 40 步。
• 前缀 KV 缓存跨步复用：混合粒度注意力架构支持 Prefix KV Cache Reuse，在首个去噪步计算文本和输入图像的 KV 并在后续步骤复用，大幅减少显存占用与计算开销。

核心功能与输入输出规格

• 原生 2K 高清输出：支持原生 2048×2048 像素输出，全面支持 1:1、4:3、3:4、3:2、2:3、16:9、9:16 等任意主流宽高比。
• 原生透明素材生成（RGBA）：无需后处理抠图或额外 Alpha 模型，即可直接生成和编辑带半透明与透明通道的设计素材、贴纸、IP 形象及商品展示图。
• 多图参考编辑（最多 10 张）：支持单次任务传入最多 10 张参考图像，完成多角色合影拼贴、穿搭组合、主体迁移及商品保真合成。
• 多模式局部编辑：支持圈选标注（Circle-guided）、画笔涂抹标注（Painted annotations）或独立蒙版（Mask），在保留人脸、发色、光影及商品特征的前提下进行局部替换与修改。
• 双语文字渲染排版：增强了汉字与英文字符渲染能力，适用于海报制作、标识铭牌与信息图表。

硬件需求与框架生态

• 存储与文件大小：Hugging Face 完整权重仓库体积约 47.4 GB（BF16 safetensors 格式）。
• 显存与轻量化：支持 CPU Offload、FP8 量化与前缀 KV 缓存优化；搭配 ComfyUI 或 vLLM-Omni，消费级显卡（16G/24G，甚至 8G-12G 显存）即可在本地流畅运行。
• 框架生态（Day 0 原生集成）：
  • Diffusers：官方提供 QwenImage21Pipeline（PR #14804），一体化支持文生图与图生图编辑。
  • ComfyUI：官方发布原生支持节点与工作流模板（Comfy-Org/Qwen-Image-2.1）。
  • vLLM-Omni / SGLang：原生支持 step-wise 执行、前缀 KV 缓存、CUDA Graph、TP/Ulysses 序列并行。
  • 异构硬件：支持 NVIDIA CUDA、AMD Radeon（ROCm），并通过 FlagOS 原生适配 8 类异构 AI 芯片（平头哥真武、Arm 等）。
• 在线体验：提供 Hugging Face Spaces 官方 Demo、魔搭 ModelScope 创空间以及国内无门槛平台（wuli.art）。

评测表现

在官方图像评测集 Qwen-Image-Bench 上，Qwen-Image-2.1 综合总分达到 60.28 分，在文生图对齐度、图像编辑保真度与文字排版渲染等维度超过 Nano Banana 2.0（59.82）和 GPT Image 1.5（59.65），位列开源模型第一（厂商自报成绩）。

许可与商业化说明

模型权重与源码遵循 Qwen Research License Agreement（允许学术研究、个人学习与内部评测使用，商用需向阿里申请商业授权）。阿里云百炼平台（Model Studio）目前商用托管 API 主要为 Qwen-Image-2.0 与 3.0，魔搭社区（ModelScope）提供推理 API 服务。