9 月 20 日,阿里千问把 Qwen-Image-2.1 的权重放上了 Hugging Face、ModelScope 和 GitHub。这一版最容易被记住的是两个数字:视觉生成部分只有 7B 参数,原生支持 2048×2048;但真正会改工作流的,是它把“抠图”这一步从后期工序挪进了模型内部——生成阶段直接输出带 alpha 通道的 RGBA 图。
同一份发布里还有一件不显眼、但更影响你决策的事:许可证换了。上一代 Qwen-Image 是 Apache 2.0,商用随意;2.1 用的是自定的 Qwen Research License。
本文由拾光札记编辑部整理,勘误请联系我们。
一、先把实锤和传闻分开
实锤(官方仓库与协议原文逐条可核对):
- 发布信息:仓库 News 段写明
2026.09.20放出 Qwen-Image-2.1,权重在 HuggingFace 与 ModelScope,官方博文在 qwen.ai/blog?id=qwen-image-2.1。 - 架构:视觉生成部分是 32 层 Single-Stream DiT、7B 参数,并用 block-causal 注意力(文本走 token 级因果掩码,图像走 chunk 级双向掩码);文本与参考图条件由 Qwen3-VL 8B 编码;VAE 是 64 通道 RGBA 自编码器、16 倍空间压缩——透明能力是从潜空间这一层做进去的,不是在输出端加个抠图模块。
- 默认参数:原生 2K,默认 40 步;1:1 是 2048×2048,16:9 是 2752×1536,9:16 是 1536×2752。
- 能力边界:最多 10 张参考图;局部编辑支持圈选、涂抹、独立掩码三种方式,可一次指定多个区域;透明图层上还能继续改表情、改文字。
- 仓库状态:GitHub API 显示
QwenLM/Qwen-Image-2.1建仓于 2026-09-14、最近推送 2026-09-20,当前 861 star(我们 9 月 21 日核对)。这个数字很小,因为它是个刚满一周的新仓库,拿它去和 Qwen 主仓 8,353 star 的老 Qwen-Image 比没有意义。
实锤(许可,原文可查):仓库根目录的 LICENSE 标题是 Qwen RESEARCH LICENSE AGREEMENT,发布日期写着 September 20, 2026。协议第 1.i 条把 Non-Commercial 定义为“for research or evaluation purposes only”;第 2.b 条写明 未经单独商业许可不得用于任何商业目的,并留了申请邮箱。
媒体里传错的三个说法,别照抄:
- “它是 20 层 DiT”。有的报道写的是 20 层,和官方 README 的 32 层不符。以仓库为准。
- “透明图层只有它做得到”。不成立。开源侧 LayerDiffuse 在 2024 年就做过透明潜空间生成,通义自家的 Qwen-Image-Layered(2025 年 12 月)输出的本来就是多张 RGBA 图层;闭源侧 Recraft、Ideogram 也能导透明底。准确说法是:它第一次把“文字直出 alpha 成品图”和“生成 + 编辑”塞进同一套 7B 开源权重,差异在“原生合一”,不在“独有”。
- “7B 所以随便一张卡都能跑”。7B 只是主干。完整流水线是 7B 主干 + 8B 文本编码器 + VAE,再加上官方另发的两个基于 Qwen3.5-VL 9B 微调的提示词改写权重(PE-T2I / PE-I2I),这才是你实际要装的东西。官方文档里一个显存数字都没给,只留了一句
pipe.enable_model_cpu_offload();社区给出的口径还互相打架——一篇拆账算出三种组合分别约 13.3GB / 23.7GB / 30.2GB,另一篇则说“INT4 量化后 4GB 显存可跑”。两个都别当承诺,按自己的卡实测再决定。
二、这一版真正变的三件事
| 维度 | Qwen-Image(2025-08 那一代) | Qwen-Image-2.1(2026-09-20) |
|---|---|---|
| 视觉生成规模 | 20B 级、双流 MMDiT | 7B、32 层单流 DiT |
| 原生分辨率 | 1328 级 | 2048 级(2K) |
| 生成 / 编辑 | 拆在两套模型里 | 同一套权重,统一管线 |
| 透明输出 | 靠 Qwen-Image-Layered 等专用模型 | 采样器直出 RGBA |
| 许可 | Apache 2.0 | Qwen Research License(仅研究/评估) |
- 生成和编辑合到一套权重。这是最实用的一处改动:以前“出图”和“改图”要换模型、换工作流,一张图从草稿到能用要过两道;现在同一套权重既能按提示词从零生成,也能接图改背景、改配色、增删元素、改文字。
- 透明是直出的,不是抠的。官方给的提示词契约是
This is an RGBA image with transparency. <你的描述>. The image has alpha channel and the background is transparent.;模型按提示词自己判断输出普通图还是透明图,输入真实照片时可以直接提取主体输出透明图层。发丝、透明雨衣、烟雾这类传统抠图的边缘痛点,是从“采样时决定哪些像素透明”这个层面绕开的。做完还能在保留透明背景的前提下改表情、改图层里的文字。 - 多图参考把“拼素材”变简单了。官方示例里,六张单人肖像合出一张合照、模特 + 衣服 + 鞋子 + 包 + 帽子五张图拼成完整穿搭、10 张家居参考图出一套室内布置。支撑这件事的是混合粒度注意力加 prefix KV cache 复用:参考图和指令在第一步去噪时算一次并缓存,后面每一步复用,所以参考图变多,成本不会按张数等比翻。
三、上手:三条路,外加一条服务器红线
路一,零配置先看效果。官方 README 里挂了 Hugging Face Space 在线 Demo;ModelScope 侧用它的 DiffSynth-Studio 支持在线生成和 LoRA 训练;README 还专门给中国大陆用户写了一行——第三方平台 wuli.art 的 Chatbox 与 Canvas 免费开放全部 Qwen Image 2.1 能力,含透明背景生成。第三方平台 RunningHub 也已接入。想先判断“这活能不能交给 AI”的人,从这里开始,一分钱不花。
路二,本地跑(官方 Quick Start 可直接抄):
- 装依赖:
pip install torch>=2.4.0、pip install transformers>=5.17、从 GitHub 源装 diffusers、再加accelerate与pillow。 - 加载管线:
QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16).to("cuda")。 - 出图:
pipe(prompt="...", num_inference_steps=40),显存吃紧就把.to("cuda")换成pipe.enable_model_cpu_offload()。 - 多图参考直接把
image=传成图片列表;透明图按上面那句提示词契约写。
路三,不写代码走 ComfyUI。ComfyUI 在 Day-0 就原生支持,配套权重在 Comfy-Org/Qwen-Image-2.1,官方工作流模板给了文生图和图像编辑两个 JSON,拖进去改提示词就能跑。要多卡或高并发再上看 vLLM-Omni、SGLang、LightX2V,这几家同样都是 Day-0 支持,带 FP8 量化、CUDA Graph、张量并行这类加速开关。
一条红线得说在前面:这台站点的服务器只有 1.6G 内存,没有独立显卡,不是能跑这类模型的地方。上面所有数字都来自官方仓库、官方协议原文和公开报道,我们逐一标了出处;如果你看到有人拿“7B 很小”来暗示老笔记本也能跑,先回去看第一小节里那条流水线体积的账。真想在低配机器上折腾开源模型,走我们之前写过的 colibri 那类小体积方案更现实。
四、成本横评:本地、云 API、免费平台,三条路的账不一样
| 路线 | 单价口径 | 你实际买到的东西 | 适合谁 |
|---|---|---|---|
| 本地跑 2.1 权重 | 硬件一次性投入 + 电费 | 研究/评估许可,数据不出本机 | 研究与个人验证、数据敏感场景 |
| 阿里云百炼图像 API(闭源档) | z-image-turbo ¥0.1/张;qwen-image-3.0 ¥0.18/张;qwen-image-3.0-pro ¥0.25(1K)/¥0.5(2K)/张 | 现成服务,带商用条款的调用权 | 要交付给客户的商业生产 |
| 免费第三方平台(wuli.art / HF Space / ModelScope / RunningHub) | 0 元 | 体验与个人创作,条款各自不同 | 先试手感、非商业用途 |
- 上面那三档 API 单价来自一篇阿里云开发者社区的图像模型实测文,作者说明价格取自
bl model list的实时返回,不是转抄评测稿——这类数字会变,下单前自己再核一遍。 - 同一张图,本地成本看着是“零”,只是零在边际上。第三方用户实测(双 RTX 4090、共 48GB 显存)生成一张普通高清图约 21 秒,直接出 2752×1536 的 2K 图要两分多钟,显存没爆。把这个速度乘上你自己的活量,再和“每张一毛到五毛”的 API 价对比,答案很直观:偶尔用、要最好的效果,API 更省心;量大、要反复重跑、数据不能出本机,本地才有意义。
- 真正的分水岭不在单价,在“能不能拿它挣钱”。API 那三档你买到的是带商用条款的服务;2.1 你拿到的是“研究或评估”。下一节展开。
五、许可证这道门,比 7B 更影响你的决定
- 变的是什么:Qwen-Image、Qwen-Image-2512、Qwen-Image-Edit-2511 一直是 Apache 2.0,商用随意;2.1 换成 Qwen Research License,协议把非商业锁死在“研究或评估”,要商用必须单独申请授权,而这份授权目前没有公开报价。
- 具体到人的后果:帮客户出电商主图的设计师、给店铺做营销横幅的运营、把模型包进工具卖给客户的小团队——按这份协议都需要先拿到商业授权。公司内部的生产性使用同样属于商业用途,不是“我没卖图就不算”。沿用 Apache 版老模型的工作流不受影响,但一旦升级到 2.1,合同合规这一关要先过。
- 分发也有条件:转发权重要带一份协议副本、改过的文件要显著标注、副本里保留 Qwen 的版权声明。
- 放到产品线里看就懂了:Qwen-Image 2.0 从未开源,更强的 Qwen-Image-3.0 与 3.0-Pro(2026 年 7 月上线)至今闭源、在竞技场上的 Elo 明显更高。也就是说,2.1 是“比自家闭源旗舰低一档”的开源版,给不愿意付 API 费或要求数据留在本地的场景留个入口。“旗舰闭源、次旗舰开源”这套打法,这次又验证了一遍。
六、我的判断
- 该上:做视觉素材的个人和小团队——先用免费平台或本地跑起来验证手感,把“出图 → 抠图 → 修边 → 再编辑”那条四五步的流水线压成一步,这个收益是立刻能感知的。需要图片数据完全留在本机的研究和内部评估场景,也是同一档。
- 再等等:所有跑分都是发布方口径(Qwen-Image-Bench 上 2.1 拿 60.28 分,对比 Nano Banana 2.0 的 59.82、GPT Image 1.5 的 59.65,但低于 GPT Image 2.5、GPT Image 2、Grok Imagine 2.0 和自家 Qwen-Image 3.0 Pro),第三方复算一份都还没有,等平台和社区评测出来再定;要拿它做商业交付又不打算走授权流程的,更要等——这一步只有两条合法的路:申请授权,或者退回 Apache 2.0 的老版模型。
- 别碰:指望低配机器、无独显笔记本直接跑的;把“7B”当成唯一部署门槛的;以及要绝对画质上限的——同门闭源旗舰和 GPT Image 2.5 那一档还在上面。
- 一句话总结:这次开源的是“能力下放”,不是“自由下放”。生成、编辑、透明三件事合成一套 7B 权重,对个体创作者是实打实的效率工具;但许可证从 Apache 换成研究许可,意味着它对企业生产线的价值要打个折。把它当“研究和个人创作的强力工具”看,你会满意;把它当“免费商用生图引擎”看,你会在合规那一关停下。
对照着读:9 月 19 日那篇《Qwen3.8-Omni-Flash 把一小时录音打到 2 分钱》讲的是同一家把音频单价打下来,9 月 9 日那篇《英伟达买下 Hugging Face》讲的是开源权重这层地基在换主人。这三条线放一起看,国产开源正在两条路上同时走:能力不断下放给个人,许可却在往回收——用之前先看协议,比看跑分重要。
本文核对的主要ModelScope 模型页;媒体侧:快科技/IT之家关于 Qwen-Image-Bench 分数的报道、新浪财经《千问 7B 生图模型开放权重》用户实测与 2K 出图耗时、百家号《阿里开源 7B 图像模型,许可只许研究用》的许可与显存拆账、阿里云开发者社区图像模型单价实测。
顺带一提:想在本地把这类开源模型真正跑起来,硬件怎么配不花冤枉钱,可以看极客桌面 2000 元整套——27 寸 2K 屏 + 三模键鼠,跑模型和日常干活两不误。
本文由拾光札记编辑部整理,勘误请联系我们。