阿里开源 Qwen-Image-2.1：7B 图像模型统一生成与编辑，原生支持透明通道，单张 4090 出图 18.7 秒

把「生成」和「编辑」塞进同一个 7B 模型

阿里千问团队在 9 月 20 日开源了 Qwen-Image-2.1。与常见的「文生图一个模型、图像编辑另一个模型」不同，它把两件事整合进同一套权重里：视觉生成部分只有 7B 参数，由 32 层 Single-Stream DiT 构成。团队称这一版在生成质量、推理效率与使用成本之间做了重新平衡。

轻量并不等于弱。在官方公布的 Qwen-Image-Bench 对比中，这个 7B 模型的表现已经能压过一部分闭源模型。硬件门槛也随之下探：单卡 RTX 4090 24GB 配合 CPU offload，生成一张 1024x1024 图像约 18.7 秒，改图约 21.7 秒，并支持原生 2K 分辨率。

原生透明通道，以及最多 10 张参考图

本次更新最实用的能力是原生透明。团队在 2025 年 12 月曾单独发布过支持透明图像生成的 Qwen-Image-Layered，现在这项能力被整合进统一模型：模型会根据提示词自行判断该输出普通图像，还是输出带 Alpha 通道的 RGBA 图像。除了单个主体，它也能生成由多个元素构成的复杂透明图，为设计与素材制作省掉抠图环节。

编辑能力主要集中在四个方面。多参考图方面，模型单次可接收最多 10 张输入图像，用于合成合影、虚拟试穿或整间房屋的家具布置；局部编辑方面，支持圈选、涂抹标注以及独立掩码三种指定区域的方式；保真方面强化了人像与商品一致性；任务覆盖方面则扩展到全景图、信息图与分镜生成。给定一张普通 RGB 照片，它还能把指定主体抽取成带透明度的 RGBA 图层，方便后续复用。

效率优化来自混合粒度注意力结构。文本部分包括系统前缀和编辑指令使用 Token 级因果掩码，图像生成部分使用 Chunk 级掩码；再配合 KV Cache 复用，把输入图像与编辑指令当作静态上下文在首步预计算并缓存，多图输入时的显存开销因此明显下降。

模型会在首步把输入图像与编辑指令预计算并缓存为静态上下文，这是多参考图场景下推理效率改善的关键。

零日适配与许可限制

生态适配这次跟得很快。ComfyUI、vLLM-Omni 与 SGLang-Diffusion 都在发布当天完成了支持，Hugging Face Diffusers 侧提供了 QwenImage21Pipeline，权重可从 Hugging Face、GitHub 与 ModelScope 三处下载。

需要留意的是授权范围。Qwen-Image-2.1 采用研究许可，权重开放给非商业与研究用途，商业使用需要另行向千问团队申请授权。这一点与先前只提供托管接口的闭源版本形成了互补关系：想要本地跑、想接进自有流水线的团队现在有了参数级的选择，但要把它放进商业产品，许可这一关必须先过。