Qwen-Image-2.1 发布：7B 统一图像生成与编辑，原生支持透明图

9 月 20 日，Qwen 团队发布 Qwen-Image-2.1，并同步公开模型权重和代码。新版本把文生图与图像编辑放进同一条推理管线，视觉生成组件采用 7B 参数、32 层的单流 DiT 架构。

这里有一个容易被标题省略的细节：7B 指的是视觉生成组件，不是把整套系统所有部分相加后的参数量。模型还使用 Qwen3-VL 8B 作为文本编码器，负责把文字指令和条件图片编码到统一表示中。

透明图不再只是后处理

Qwen-Image-2.1 最直观的新功能是原生 RGBA。它可以直接生成带 Alpha 通道的透明图片，也可以编辑透明图层或从照片中提取主体。

过去不少图像模型所说的“透明背景”，实际生成的是白底、灰底或棋盘格，最后还要再做抠图。Qwen-Image-2.1 的 VAE 直接处理 64 通道 RGBA 表示，并以 16 倍空间压缩保存透明信息。按照官方示例，生成结果可以直接以 RGBA 图片保存。

这项能力适合贴纸、商品素材、人物切图和需要继续排版的设计元素。不过最终边缘是否干净、半透明材质是否准确，仍要看具体图片，不能只凭“带 Alpha 通道”判断质量。

模型最多支持 10 张参考图，可以把不同人物、服装、商品或场景信息组合到同一张图里。官方展示了用多张人像合成合照、分别提供模特和服装配件后生成完整造型等案例。

局部编辑不只靠文字描述位置。用户可以在原图上画圆圈、涂抹标记，或者单独提供蒙版，指定要修改的区域。生成与编辑共用同一个模型，人物和商品的身份保持也被列为本次升级重点。

官方还强调了文字渲染、人像光照、材质细节、全景图和分镜生成。不过目前公开页面主要展示团队挑选的样例，实际稳定性仍需要更多第三方测试。

Qwen-Image-2.1 使用混合粒度注意力和前缀 KV Cache。输入图片和文字指令在第一次去噪时完成计算，后续步骤复用缓存，减少重复工作。模型原生支持 2K 分辨率，仓库给出了从 1

到 16

、9

的推荐尺寸。

首日适配也比较完整。Diffusers 提供 QwenImage21Pipeline，同一管线覆盖文生图和有条件图像生成；ComfyUI 同步提供原生支持和示例工作流。vLLM-Omni、SGLang 与 LightX2V 也给出了相应推理方案。

模型权重已经发布到 Hugging Face 和 ModelScope，仓库也公开了推理与提示词改写代码。Qwen 在介绍中把它称为开源模型，但仓库实际采用的是 Qwen Research License Agreement。

因此，更准确的说法是模型权重和实现已经公开，可以下载研究和测试；能否用于具体商业项目，应该先阅读许可证条款，不能看到 GitHub 仓库就默认等同于 Apache 2.0 或 MIT。

参考资料：