一句话总结
2026 年 9 月 20 日，阿里通义千问开源 Qwen-Image 2.1。它把文生图和图像编辑合成了同一个模型，视觉生成部分只有 7B 参数（32 层单流 DiT）；更关键的是它的 VAE 本身就是一个 64 通道 RGBA 自编码器——模型能直接吐出带 alpha 通道的透明贴图，不用再跑一遍抠图。同时支持最多 10 张参考图、圈选/涂抹/掩码指定局部编辑、原生 2K 分辨率，且 Diffusers、ComfyUI、vLLM-Omni、SGLang、LightX2V 全部 Day-0 支持。国内用户可以直接在 wuli.art 上免费试。
数据来源
本文事实依据来自：Qwen-Image 2.1 官方 GitHub 仓库 README（QwenLM/Qwen-Image-2.1）、Hugging Face / ModelScope 模型页信息、以及仓库中列出的 Day-0 生态 PR（Diffusers #14804、SGLang #39983）。文中示例图片全部下载自官方仓库 README 引用的官方图床（qianwen-res.oss-cn-beijing.aliyuncs.com、img.alicdn.com、raw.githubusercontent.com），已下载到本地并注明出处，未使用外链热链。架构示意图由 uuaihub 依据官方 README 文字说明自行绘制，非官方原图。
上图来自 Qwen-Image 2.1 官方仓库 README，版权归阿里通义千问团队所有。
为什么这次发布值得单独写一篇
过去一年，开源图像模型基本沿着两条线各自演进：做文生图的（把提示词变成图，画质越来越卷）和做图像编辑的（听话地改局部，一致性越来越强）。用户拿到的实际是两套权重、两条推理管线、两份显存预算。
Qwen-Image 2.1 的第一个卖点就是把这两条线并到同一个模型里——同一个权重既做文生图，也做图像编辑。而在图像编辑这件事上，“能不能改”早已不是门槛，“改完还认得出是谁、是不是同一个东西”才是。这一版把它拆成了三个具体能力：最多 10 张参考图、引导式局部编辑（圈选 / 涂抹 / 独立掩码）、人物与商品的同一性保持。
第二个卖点更少见，也是本文最想讲的一点：原生透明。
这次更新了什么：官方口径的四条
① 紧凑高效。 视觉生成组件（32 层单流 DiT）7B 参数，采用混合粒度注意力（mixed-granularity attention）并支持前缀 KV 缓存复用，官方称能在较低算力成本下拿到不错的画质。对本地跑图的人来说，这句话的实际含义是：显存门槛降低了。
② 原生透明，创作与编辑统一。 可以从文本生成普通图或透明图（RGBA），可以编辑透明图层，也可以从真实照片里抽取主体——全都在一个模型里完成。
③ 编辑更灵活。 支持最多 10 张参考图；可通过圈选（circles）、涂抹标注（painted annotations）或独立掩码指定局部修改；并保持人物与商品的同一性。
④ 质感与审美。 官方称改进了排版（typography）、肖像光效与细节表现。文字渲染一直是图像模型的传统弱项，这一条如果成立，对做海报、做封面的人是直接增益。
架构拆解：为什么它能”零成本”出透明图
官方在 README 里把架构写得很清楚，四块拼起来看：
| 组件 | 官方规格 |
|---|---|
| 生成主干 | 单流 DiT，32 层、7B 参数，块因果注意力（(q_idx >= kv_idx) or same_image_block）；文本走 token 级因果掩码，图像走 chunk 级双向掩码 |
| 文本编码器 | Qwen3-VL 8B（视觉语言模型）——把文字指令和条件图编码成统一表征 |
| VAE | 64 通道 RGBA 自编码器，16 倍空间压缩，原生支持透明 |
| 调度器 | Flow Matching + Euler 离散调度 + 动态偏移 |
关键在 VAE 那一行。 大多数图像模型解出来的是三通道 RGB，你要透明底，就得再上一个抠图/去背模型，或者在推理后面接一个 alpha 预测头。而 Qwen-Image 2.1 的解码器本身就是 64 通道 RGBA——所以”透明”不是后处理，而是模型的第一类输出。
官方推荐在提示词里显式写清楚，例如：“This is an RGBA image with transparency. <你的描述>. The image has alpha channel and the background is transparent.” 只有显式声明时才会输出 alpha 通道。
另一块值得记的是前缀 KV 缓存复用：当检查点带 causal_condition: true（默认开启）时，文字指令和条件图只需在第一步去噪时计算一次，后续所有去噪步直接复用。官方明确说这对多条件图（多参考图）的编辑任务提速最明显——因为条件越多，重复计算的浪费就越大。
编辑能力实测观感：官方放出来的三组例子
多参考图 → 组合成一张。 官方给的两个例子很能说明设计意图：从六张单人人像参考图生成一张合影；以及从**五张参考图（模特、衣服、鞋、包、帽子）**拼出一套完整穿搭。这正是电商和广告场景里最耗人力的活。
上图与下方人物/排版示例均来自 Qwen-Image 2.1 官方仓库 README，版权归阿里通义千问团队所有。
圈选引导的多区域编辑。 官方示例是同一张人像上做三件事：去掉手表、改发色、换衣服——用画圈的方式逐块指定，而不需要额外标注工具。
人物与商品同一性。 改完之后”还是那个人/那件商品”，是这类编辑模型真正的及格线：
文字渲染。 排版能力直接决定了它能不能用于做海报、封面、贴图这类带字的设计物：
分镜与全景。 官方还演示了两件事：从一张自拍生成全景图，以及从三视图角色设定生成分镜——后者对做漫画、短剧、游戏美术的人是明显的效率工具。
怎么跑起来：四条路，按难度排序
路线一：Diffusers（最推荐，官方首选）
pip install torch>=2.4.0
pip install transformers>=5.17
pip install git+https://github.com/huggingface/diffusers
pip install accelerate pillow
import torch
from diffusers import QwenImage21Pipeline
pipe = QwenImage21Pipeline.from_pretrained(
"Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
).to("cuda")
image = pipe(
prompt='A neon shop sign that reads "QWEN IMAGE 2.1", rainy night, reflections on wet pavement',
num_inference_steps=40,
generator=torch.Generator("cuda").manual_seed(42),
).images[0]
image.save("t2i_example.png")
编辑模式只是多传一个 image=；多参考图就直接传一个图片列表：
images = [Image.open(f"ref_{i}.png") for i in range(3)]
result = pipe(
prompt="These three characters are sitting around a campfire in a forest",
image=images, # 最多 10 张
num_inference_steps=40,
)
result.save("multi_ref_example.png")
显存不够加一行 pipe.enable_model_cpu_offload()；默认是 40 步、2048×2048；原生支持七种比例：1:1（2048×2048）、4:3（2400×1792）、3:4、3:2（2528×1696）、2:3、16:9（2752×1536）、9:16（1536×2752）。
路线二：ComfyUI（如果你本来就在用）
仓库 README 明确写了 ComfyUI Day-0 原生支持，并为它单独发布了权重仓库 Comfy-Org/Qwen-Image-2.1，同时给了两个可直接导入的官方工作流：文生图（image_qwen_image_2_1_t2i.json）和图像编辑（image_qwen_image_2_1_image_edit.json）。对不写代码的人来说这是最省事的一条路。
路线三：vLLM-Omni / SGLang（要吞吐、要多卡）
- vLLM-Omni：支持跨步前缀 KV 缓存复用、CUDA Graph 解码、FP8 量化、TP/Ulysses 并行、分布式 VAE 解码（带自适应 OOM 恢复）、CPU offload，
vllm serve Qwen/Qwen-Image-2.1 --omni --port 8091即可起服务，还提供--step-execution的批级调度。 - SGLang-Diffusion：原生支持文生图、多图编辑与透明 RGBA 输出，
sglang generate --model-path Qwen/Qwen-Image-2.1 ...一行起，官方有 cookbook。 - LightX2V：面向消费级显卡的加速方案，官方给了 Qwen-Image-2.1 专用脚本目录。
路线四：直接提示词重写，先解决”短提示词出图难看”
官方额外放出了两个基于 Qwen3.5-VL 9B 微调的提示词重写模型（文生图用 Qwen-Image-2.1-PE-T2I、编辑用 Qwen-Image-2.1-PE-I2I），把一个短提示词扩写成详细描述，并顺带返回建议的宽高比：
python run_vllm.py --task t2i \
--ckpt Qwen/Qwen-Image-2.1-PE-T2I \
--input data/t2i_example.jsonl --output out.jsonl
# 输出: {"rewritten_prompt": "<长而详细的英文提示词>", "wh_ratio": "16:9"}
这一步在实际生产里往往比换模型更提升成片率——普通用户写不好长提示词，是出图质量方差的最大来源。
国内用户怎么用：优先走这两条
① wuli.art——官方在 README 里点名了它：面向中国大陆用户免费开放 Qwen Image 2.1 的全部能力（Chatbox 与 Canvas 两种形态，包括透明背景生成）。
上图来自 Qwen-Image 2.1 官方仓库 README（引自阿里图床），版权归原作者所有。
② ModelScope（魔搭）——官方称魔搭完整支持 Qwen-Image-2.1：基于其开源的 DiffSynth-Studio 框架，支持模型下载、在线生成与 LoRA 训练。也就是说，想自己微调风格的人不必先去折腾本地环境。
③ 国产芯片——这条容易被忽略但很重要：本次发布通过 FlagOS（一套全开源异构芯片软件栈）提供了直接的多芯片支持，用 FlagGems 算子库 + Torch-FL 插件让 Diffusers 在非 NVIDIA 平台上”零代码改动”运行，官方声明各平台推理精度已与官方实现对齐，并在 FlagRelease 下发布了 8 个芯片平台的预构建镜像与权重（例如平头哥镇岳、Arm）。此外 AMD Radeon 走 ROCm 路线也已支持。
这次的差异点，和必须说清楚的一处限制
差异点（都是官方在 README 里明确写的）：
| 维度 | Qwen-Image 2.1 的做法 |
|---|---|
| 透明输出 | VAE 即 64 通道 RGBA，透明是第一类输出，不需要后置抠图 |
| 文生图与编辑 | 同一个模型、同一份权重 |
| 参考图数量 | 最多 10 张 |
| 局部编辑指定方式 | 圈选 / 涂抹标注 / 独立掩码 三种 |
| 分辨率 | 原生 2K，七种预设比例 |
| 生态就位速度 | Diffusers / ComfyUI / vLLM-Omni / SGLang / LightX2V 全部 Day-0 |
必须说清楚的一处限制：许可证不是 Apache-2.0。 官方 README 的 License Agreement 一节指向的是 Qwen Research License Agreement，而不是社区最熟悉的 Apache 2.0。“开源可下载”和”可以随便商用”是两件事——如果你的业务场景敏感（例如对外提供生成服务、或用于商业产品内嵌），请务必先把这份协议读完再动手，不要默认它和 Apache-2.0 项目同等待遇。
适合谁
- 做电商 / 商品图的人：多参考图合成 + 同一性保持，是省人力的直接场景。
- 做贴图、封面、海报的人：原生透明出图意味着省掉一整条抠图流水线。
- ComfyUI 用户：Day-0 官方工作流，装了就能用，改动成本最低。
- 要私有化部署的团队：7B 生成组件 + CPU offload + vLLM-Omni 的 FP8 与并行方案，硬件选择面比闭源 API 宽得多。
- 在国产芯片上跑模型的人：FlagOS 的 8 平台预构建是目前少见的”开箱即用”承诺。
暂时别急着上的情况：需要商用授权的场景（先读许可证）；需要极高稳定性排期的生产管线（刚发布一周，生态还在追）；以及指望它替代专业修图软件的人——它现在解决的是”生成与局部编辑”，不是非破坏性的图层工作流。
总结
- 一句话：Qwen-Image 2.1 把”文生图 + 图像编辑 + 原生透明”装进了同一个 7B 生成组件里，并在发布当天就跟上了 Diffusers、ComfyUI、vLLM-Omni、SGLang、LightX2V 五条生态线。
- 最实用的一点：VAE 就是 RGBA——透明贴图是模型的直接输出，不是后处理。
- 最容易被忽略的一点：官方附带了两个 Qwen3.5-VL 9B 的提示词重写模型，实际用起来可能比换模型更提高成片率。
- 最该先做的一件事：如果你打算商用，先读 Qwen Research License Agreement。
- 想马上试：国内直接上 wuli.art（官方点名免费开放全部能力），或去魔搭用 DiffSynth-Studio 在线生成 / 训练 LoRA。
官方仓库：github.com/QwenLM/Qwen-Image-2.1 权重：HuggingFace · ModelScope 官方博客：qwen.ai/blog?id=qwen-image-2.1
本文示例图片均下载自 Qwen-Image 2.1 官方仓库 README 所引用的官方图床并已本地化，版权归阿里通义千问团队所有；架构示意图由 uuaihub 依据官方 README 文字说明自行绘制，非官方原图。技术规格以官方 README 表述为准。
