Qwen-Image-2.1：小模強效，創改一體
https://qwen.ai/blog?id=qwen-image-2.1📌 【阿里通義千問開源】7B 小模型，文生圖與編輯一次搞定
TL;DR：Qwen-Image-2.1 用 7B 參數整合生圖、透明圖層與多圖編輯，開源模型效能新選擇。
一般人對「強大影像模型」的想像通常伴隨著龐大參數與昂貴推理成本，但 Qwen-Image-2.1 想證明的是：把架構做對，7B 也能扛起生成、透明圖層與多圖編輯這三件事。這是 Alibaba 通義千問團隊最新開源的影像模型，同時在 GitHub、Hugging Face 與 ModelScope 上釋出。
🤔 文生圖與影像編輯，為何要合而為一
過去要生成一張圖、再編輯這張圖，往往得在不同模型或工具之間切換，遇到透明背景素材（例如設計稿、貼圖）更是常常需要額外的摳圖步驟。Qwen-Image-2.1 的定位就是把這些需求整併進單一模型：文生圖、影像編輯、透明影像生成與編輯，全部由同一套模型根據提示詞判斷該做什麼。
🧩 架構設計：輕量 DiT ＋ 混合粒度 Attention
Qwen-Image-2.1 的視覺生成部分採用 32 層 Single-Stream DiT（Diffusion Transformer），參數量僅 7B。官方指出，效能優化的關鍵在於「混合粒度注意力結構」：文字部分（包含系統字首與編輯指令）採用 Token 級因果遮罩（causal mask），影像生成部分則採用 Chunk 級遮罩，讓模型針對不同模態使用不同粒度的注意力計算。
在多圖輸入場景中，模型還導入 KV Cache 複用機制：把輸入影像與編輯指令視為靜態上下文，在第一步就預先計算並快取，藉此降低重複運算、減少視訊記憶體開銷。這項最佳化在需要同時處理多張參考圖的任務中效果尤其明顯。
🎨 原生透明影像：生成與編輯一次到位
這次更新最值得留意的能力之一，是模型能「原生」根據提示詞決定輸出普通影像或帶透明通道（RGBA）的影像，而不需要另外接摳圖工具。這項能力延續自團隊 2025 年 12 月釋出的 Qwen-Image-Layered，如今整合進統一模型中。
實際應用包括：直接生成由多元素組成的複雜透明素材；在保留透明背景的前提下修改主體表情；甚至修改透明圖層中的文字內容。模型也能處理真實照片，輸入一張 RGB 影像後，自動提取所需主體並輸出帶透明通道的 RGBA 圖層,方便後續設計合成。
🖼️ 多圖編輯：最多支援 10 張參考圖
Qwen-Image-2.1 的編輯能力圍繞「多、局、保、全」四個方向強化：
- 多：最多支援 10 張參考圖輸入，可綜合多個主體與素材生成協調畫面，例如把 6 張人像整合成一張多人合照，或用模特、衣服、鞋子、包包、帽子共 5 張圖生成完整穿搭。
- 局：支援圈選、塗抹、獨立掩碼三種局部編輯方式，讓修改範圍更精確。其中「原圖 ＋ 獨立掩碼」的雙圖輸入方式可以在編輯的同時保留完整原始影像資訊。
- 保：強化人像的面部特徵一致性,以及商品的文字、紋理與形態一致性，讓編輯前後的身份或商品特徵維持穩定。
- 全：涵蓋全景圖生成、資訊圖生成、根據人物三視圖生成完整分鏡等多種任務類型。
📊 公開評測對照
官方在 Qwen-Image-Bench 上與其他開源、閉源模型進行了對比評測，強調 Qwen-Image-2.1 在較小的模型規模下仍具備有競爭力的生成能力，具體評測數據與對比模型名單以官方部落格公布的圖表為準。
💡 文字排版與人物質感的美學提升
除了功能整合，Qwen-Image-2.1 也針對文字渲染與人物表現做了調整：文字生成不只關注內容正確性，也重視字型、排版與畫面整體協調；人物表現則加強了光影與細節刻畫，讓生成的人像更具真實質感。
🎯 實務啟示
對於需要處理設計素材、電商圖片或內容創作的工程團隊，Qwen-Image-2.1 提供了一條「一個模型打通生成到編輯」的路徑，省去在多個工具間搬移素材的成本。原生透明圖層支援，對做 UI 貼圖、產品去背這類任務尤其實用；而 10 張參考圖的多圖編輯能力，也讓電商穿搭合成、室內設計視覺化等場景有了現成的開源方案可以嘗試整合。
🔗 來源
- 標題：Qwen-Image-2.1：小模強效，創改一體
- 作者／機構：Alibaba（通義千問 Qwen 團隊）
- 連結：https://qwen.ai/blog?id=qwen-image-2.1
#QwenImage #Alibaba #OpenSourceAI #TextToImage #ImageEditing #DiffusionModel #GenerativeAI #ComputerVision #AIResearch #DiT
原始資料 Qwen · 收集於 2026-09-20
摘要原文
GITHUB HUGGING FACE MODELSCOPE 我們很高興地開源 Qwen-Image-2.1 ，千問影像系列當前兼顧生成效果、推理效率與使用成本的開源影像模型。Qwen-Image-2.1 將文生圖與影像編輯整合在同一模型中，視覺生成部分僅有 7B 參數 ，並原生支援透明影像的生成與編輯。 本次更新的主要特色包括四個方面： 小模強效，極致價比 ：輕量的模型結構與推理最佳化，在生成質量和計算成本之間取得平衡。 原生透明，創改一體 ：根據提示詞生成普通影像或透明影像，並支援透明圖層編輯與摳圖。 全能編輯，多局保全 ：支援最多 10 張參考圖 ，增強局部編輯、人像與商品保真，並覆蓋多種編輯任務。 真實質感，字雅人美 ：提升文字排版、人物光影與細節表現，讓生成結果更具美感。 小模強效，極致價比 # Qwen-Image-2.1 採用輕量簡潔的模型結構，視覺生成部分包含 32 層 Single-Stream DiT，參數量為 7B 。在較小的模型規模下，Qwen-Image-2.1 依然具備出色的影像生成能力。下方的 Qwen-Image-Bench 公開評測對比展示了它與其他開源、閉源模型的表現。 Qwen-Image-Bench 公開評測對比 除了生成效果，Qwen-Image-2.1 也著重優化了推理效率，優勢在多圖輸入場景中尤其明顯。這一最佳化來自 混合粒度注意力結構 。模型對文本和影像採用不同的處理策略：文本部分，包括系統字首和編輯指令，採用 Token 級因果掩碼；影像生成部分採用 Chunk 級掩碼。同時，通過 KV Cache 複用機制 ，模型將輸入影像與編輯指令作為靜態上下文，在首步預計算並快取，以提升推理效率、降低視訊記憶體開銷。 Qwen-Image-2.1 混合粒度注意力結構 原生透明，創改一體 # 透明影像是本次更新的一項重要能力。我們曾於 2025 年 12 月釋出 Qwen-Image-Layered，專門支援透明影像生成。現在，Qwen-Image-2.1 將這項能力整合進統一模型，能夠根據提示詞描述，自動決定輸出普通影像還是帶有透明通道的影像。 下面是通過文本直接生成透明影像的示例： 除了單個主體，模型還可以生成由多種元素組成、結構更複雜的透明影像，為設計與素材製作提供更多選擇。 作為文生圖與影像編輯二合一的模型，Qwen-Image-2.1 也支援直接編輯透明影像。例如，可以在保留透明背景的同時修改主體表情。下方左側為輸入，右側為編輯結果。 透明圖層中的文字同樣可以編輯。下面的示例將“BLOOM”修改為“Qwen-Image”。 這項能力也適用於真實照片。輸入一張 RGB 影像，模型可以提取所需主體，輸出帶透明通道的 RGBA 圖層，讓照片中的元素更方便地用於後續設計與合成。 全能編輯，多局保全 # Qwen-Image-2.1 的影像編輯能力圍繞“多”“局”“保”“全”四個方向提升，分別對應多圖編輯、局部編輯、編輯保真與任務全面。 多：最多 10 張參考圖 # Qwen-Image-2.1 最多支援 10 張參考圖輸入 ，可以綜合多個主體與素材，生成完整、協調的畫面。下面的多人合照示例將左側 6 張人像整合進同一張照片。 六張人像參考生成多人合照 在多品穿戴場景中，輸入模特、衣服、鞋子、包包與帽子共 5 張圖片，即可生成完整的搭配效果。 五張參考圖生成完整穿搭 在室內設計場景中，模型可以參考 10 張家居圖片，生成完整的室內佈置效果。 十張家居參考圖生成室內佈置 局：靈活指定編輯區域 # Qwen-Image-2.1 支援圈選、塗抹和獨立掩碼等局部編輯方式，讓修改物件與範圍更明確。 首先是圈選。下方示例通過不同顏色的圓圈同時指定三個區域，要求模型“去掉藍色圈的金屬手錶，把紅色圈的頭髮顏色改為黑色，把綠色圈替換為灰色短袖亞麻睡衣”。左側為標註後的輸入，右側為編輯結果。 模型也支援通過塗抹指定區域。例如，在下圖右側白色標註的區域新增一名潛水員。 圈選與塗抹會覆蓋原圖中的部分內容。為保留完整的原始影像資訊，Qwen-Image-2.1 還支援將 原圖和獨立掩碼作為兩張圖片輸入 。下面的示例要求模型生成馬背上的牛仔，兩張輸入圖片如下： 模型根據掩碼指定的區域完成編輯，輸出結果如下： 掩碼編輯結果：生成馬背上的牛仔 局部編輯也能用於連續創作。通過逐步修改畫面並保持其他區域的一致性，可以將編輯結果串聯成簡單動畫，例如下面的卡皮巴拉葫蘆娃示例。 卡皮巴拉葫蘆娃：連續局部編輯動畫 保：人像與商品保真 # 編輯保真重點強化了兩類場景： 人像一致性 與 商品一致性 。在人像編輯中，模型增強了對面部特徵的保留能力，使人物在編輯前後保持更穩定的身份特徵。下面每組左側為輸入，右側為編輯結果。 在商品編輯中，模型儘可能保持商品文字、紋理與形態的一致性，讓商品在新的畫面中仍保有原有特徵。 全：覆蓋多種編輯任務 # Qwen-Image-2.1 同時支援多種編輯任務，包括全景圖、資訊圖與分鏡圖生成，在不同應用場景之間取得能力平衡。 例如，輸入下面這張自拍照： 全景圖生成的輸入自拍照 模型可以生成對應的全景圖： 根據自拍照生成的全景圖 將生成的全景圖放入視覺化工具，即可從不同視角檢視完整場景。 全景圖視覺化演示 在資訊圖生成中，輸入一張模特照片，模型可以將其擴展為內容豐富的複雜資訊圖。 資訊圖生成的輸入模特照片 根據模特照片生成的複雜資訊圖 模型還可以根據人物三檢視生成完整分鏡，為故事創作和視覺敘事提供素材。 分鏡生成的輸入人物三檢視 根據人物三檢視生成的完整分鏡 真實質感，字雅人美 # Qwen-Image-2.1 進一步提升了影像質感，尤其關注文字與人物的美學表現。文字生成除了關注內容本身，也注重字型、排版與畫面的整體協調。下面展示了不同場景中的文字渲染效果。 文字渲染示例一 文字渲染示例二 文字渲染示例三 文字渲染示例四 在人物表現上，Qwen-Image-2.1 增強了光影與細節刻畫，讓人像更具真實質感。 人物光影與細節示例一 人物光影與細節示例二 總結 # Qwen-Image-2.1 以輕量的 7B 視覺生成模組為基礎，將影像生成、透明影像與多種編輯能力整合在同一模型中。通過推理加速、最多 10 張參考圖輸入、靈活的局部編輯以及更好的人像和商品保真，模型為設計、內容創作、電商與視覺敘事提供了更高效的工具。 以上就是本次更新的主要內容，歡迎體驗 Qwen-Image-2.1！
由 claude-code/sonnet 自動生成