阿里巴巴通義千問（Qwen）團隊在昨晚（ 9 月 20 日）正式開源了 Qwen-Image-2.1，這是一款結合文字生成圖片與圖片編輯的統一模型。與前代相比，新版最大的突破在於視覺生成元件僅有 7B（70 億）參數，卻號稱在多數基準測試中超越了大多數閉源圖像模型。這也是 Qwen 圖像系列首次支援原生透明圖片（RGBA）生成與編輯。過去要生成帶透明背景的圖片，通常需要後製去背或多個模型串接；Qwen-Image-2.1 將這些功能整合進單一模型中，從文字描述生成透明貼紙、編輯透明圖層、到從照片中提取主體，都能在同一個架構中完成。對於設計師和內容創作者而言，這大幅縮短了從初步構圖到最終成品的整體製作時間。
Qwen-Image-2.1 四大核心改進
根據 GitHub 文件，Qwen-Image-2.1 有四項主要改進。第一是輕量化與高效能：視覺生成元件採用 32 層 Single-Stream DiT 架構，搭配混合粒度注意力（mixed-granularity attention）與前綴 KV 快取重複使用技術，在低運算成本下維持高品質圖像輸出。這使得模型能在消費級 GPU 上執行，大幅降低了部署門檻。根據官方公佈的成績，Qwen-Image-2.1 也是目前所有主流生圖模型中體量最小且開源的模型，表現也名列前茅。
第二是原生透明度支援。模型可以直接生成 RGBA 格式的透明圖片，無需額外的去背步驟。這對於需要製作貼紙、圖示、合成素材的創作者來說相當實用，省去了傳統流程中「生成→去背→合成」的多個步驟。
第三是多圖參考編輯能力。Qwen-Image-2.1 支援最多 10 張參考圖片進行編輯，使用者可以透過圈選、塗鴉標註或獨立遮罩指定局部編輯區域，同時保留人物與產品的身份特徵。這代表使用者可以將多張照片中的元素合成為一張新圖，並精確控制每個區域的編輯範圍。
第四是寫實質感與美學提升。新版改善了文字排版、人像光影與細節呈現，在全景圖、資訊圖表與虛擬試穿等場景中表現特別突出，能產生更逼真的紋理與優雅的版面設計。
技術架構與規格
Qwen-Image-2.1 的視覺生成元件參數量為 7B，架構為 32 層 Single-Stream DiT。原生支援 2K 解析度輸出，支援多種長寬比，包括 1:1（2048×2048）、4:3（2400×1792）、16:9（2752×1536）等。推理時預設使用 40 個去噪步驟，資料格式為 BF16。
此外，官方還提供了兩組基於 Qwen3.5-VL 9B 微調的提示詞改寫模型（Prompt Enhancer），分別用於文字生成圖片與圖片編輯場景。這兩個模型可以將簡短的提示詞擴展為詳細的高品質描述，提升生成效果。例如使用者只需輸入「一隻可愛的貓」，改寫模型會自動擴展為包含場景、光線、構圖、風格等細節的完整提示詞，大幅提升生成品質。使用者可以透過 vLLM 進行批次推理或部署為 API 服務。
生態系 Day 0 支援
Qwen-Image-2.1 在發布當天就獲得了多個主流推理框架的原生支援。HuggingFace Diffusers 從 Day 0 提供 QwenImage21Pipeline，使用者只需幾行 Python 程式碼即可開始生成圖片。ComfyUI 同步提供原生支援與範例工作流程（文字生成圖片與圖片編輯各一組）。
在高效能推理方面，vLLM-Omni 提供了逐步執行、前綴 KV 快取、CUDA Graph 解碼、FP8 量化與張量平行等最佳化。SGLang 同樣從 Day 0 支援，包含快取機制、CUDA Graph、多種平行策略與元件卸載功能。LightX2V 也提供了加速方案。這種發布當天就獲得完整生態系支援的陣仗，在開源圖像模型中相當少見，反映出 Qwen 團隊在開源社群中的影響力。
結語
Qwen-Image-2.1 以 7B 參數量、原生透明度支援、多圖參考編輯與完整的推理框架生態系支援，為開源圖像生成領域帶來了一款功能全面且部署門檻低的新選擇。不過「超越多數閉源模型」的說法仍需等待獨立基準測試的驗證，實際使用體驗也有待社群回饋。Qwen Research License 並非完全開放的開源授權，商業用途可能受到限制，使用者需要仔細確認授權條款。模型權重已在 HuggingFace 與 ModelScope 兩大平台同步開放下載，有興趣的開發者可以立即開始測試與部署。
