Qwen-Image 2.1: Was das 7B-Bildmodell mit offenen Gewichten tatsächlich ist

Qwen-Image 2.1 ist das Modell, nach dem Leute namentlich suchen und derzeit nichts finden. Es ist Alibabas Open-Weights-Modell für Text-zu-Bild und Bildbearbeitung, veröffentlicht am 20. September 2026, und der Großteil der Verwirrung darum ist strukturell bedingt: Es ist neuer als Qwen-Image 3.0, das dasselbe Team am 21. Juli 2026 veröffentlichte, und älter als Qwen-Image 2.1 Turbo, der beschleunigte Checkpoint, der am 9. Oktober 2026 folgte. Drei Namen, eine Familie, drei wirklich unterschiedliche Produkte – und die Versionsnummern ordnen keines davon korrekt ein.

Diese Seite ist die Referenz für das Modell selbst: was es ist, was es akzeptiert und zurückgibt, was seine Lizenz tatsächlich erlaubt, wo die Gewichte liegen und worauf es dokumentiert ist zu laufen. Das Release ist zum Zeitpunkt des Schreibens 23 Tage alt, betrachte es also als den Fakt, der das Modell datiert, und nicht als Neuigkeit – die Frage, die es zu beantworten lohnt, ist die immer wiederkehrende, die ein Leser hat, wenn er den Namen des Modells selbst eingibt.

Die drei Qw​en-Bildprodukte, auseinandergehalten

Fast jede falsche Erwartung an Qwen-Image 2.1 entsteht dadurch, dass man die Familie als eine einzige Sequenz behandelt. Das ist sie nicht. Die drei aktuellen Produkte befinden sich an unterschiedlichen Punkten, sowohl was die Leistungsfähigkeit als auch den Zugang betrifft:

• Qwen-Image 2.1 — ein einziges Modell, das sowohl Text-zu-Bild-Generierung als auch Bildbearbeitung übernimmt, mit 7 Mrd. Parametern in seiner Komponente zur visuellen Generierung und 32 Single-Stream-DiT-Schichten, freigegeben als offene Gewichte unter einer Research-Lizenz. Veröffentlicht am 20. September 2026.

• Qwen-Image 2.1 Turbo — dieselbe 7B-Architektur zur visuellen Generierung und dieselben Auflösungsvoreinstellungen, veröffentlicht als separater beschleunigter Checkpoint am 9. Oktober 2026, der in 8 Schritten statt in 40 entrauscht, wobei CFG standardmäßig auf 1 eingestellt ist und der empfohlene Sampling-Zeitplan im Checkpoint gespeichert ist. Es ist eine Geschwindigkeitsvariante, keine Fähigkeitsstufe.

• Qwen-Image 3.0 – das Modell der dritten Generation vom 21. Juli 2026 und zugleich das geschlossene. Weder auf Hugging Face noch auf ModelScope gibt es ein Repository mit den Gewichten, und das Einführungsmaterial nennt weder eine Parameteranzahl noch eine Lizenz. Die zentralen Versprechen betreffen Text- und Wissensdichte – Prompts mit bis zu 4,5k Tokens, Text bis hinunter zu 10 px lesbar dargestellt, 12 Sprachen, über 100 künstlerische Stile – und sie stammen vom Anbieter selbst und wurden hier nicht reproduziert. Wenn Sie die stärkste Textdarstellung der Familie brauchen, ist das das Argument für 3.0; wenn Sie das Modell selbst betreiben möchten, ist 3.0 überhaupt keine Option.

Ein vierter Punkt verdient eine gesonderte Betrachtung, da er den Namen 2.1 teilt: Seit dem 9. Oktober 2026 sind in der Nachrichtenliste des Anbieters Qwen-Image-2.1 Pro und Turbo als gehostete APIs als offiziell live auf Alibaba Cloud Model Studio aufgeführt. Dabei handelt es sich um einen Serving-Pfad für dasselbe Modell, nicht um ein viertes Modell.

Was unter der Haube steckt

Die Architektur, wie sie auf der Modellkarte und im Repository des Anbieters veröffentlicht wurde, ist gemessen an den Maßstäben des aktuellen Bildbereichs kompakt und um eine einzige Idee herum aufgebaut: Multi-Bild-Bearbeitung günstig zu machen.

• Transformer — 32 Schichten, 7B Parameter, Single-Stream-DiT mit block-kausaler Attention. Text, einschließlich Systempräfix und Bearbeitungsanweisungen, durchläuft eine kausale Maske auf Token-Ebene; die Bilderzeugung durchläuft eine bidirektionale Maske auf Chunk-Ebene.

• Text-Encoder — Qwen3-VL 8B, ein Vision-Sprach-Modell, das sowohl die Textanweisung als auch etwaige Konditionsbilder in eine einzige Repräsentation kodiert. Im veröffentlichten Download ist es die größere Hälfte des Stacks.

• VAE — ein 64-Kanal-RGBA-Autoencoder mit 16-facher räumlicher Kompression; daher stammt die native Transparenz und nicht aus der Nachbearbeitung.

• Scheduler — Flow Matching mit diskretem Euler-Scheduling und dynamischem Shifting; standardmäßig 40 Denoising-Schritte beim Basis-Checkpoint.

Diese Aufteilung mit gemischter Granularität ist das Effizienzargument. Eingabebilder und Anweisungen werden beim ersten Denoising-Schritt einmalig berechnet und danach als zwischengespeicherter Präfixkontext wiederverwendet, sodass das Hinzufügen von Referenzbildern weniger kostet, als es in einem Design der Fall wäre, das bei jedem Schritt alles neu kodiert.

Die Lizenz, genau wie veröffentlicht

Dies ist der Teil, den die meisten Zusammenfassungen falsch wiedergeben, und zwar in beide Richtungen. Qwen-Image 2.1 ist nicht Open Source im permissiven Sinne, und es ist auch nicht Closed Source. Die Hugging-Face-Karte kennzeichnet es mit license: other und license_name: qwen-research, und die LICENSE-Datei des Repositorys ist die Qw​en Research License Agreement, datiert auf den 20. September 2026. Bei Lesung am 13. Oktober 2026 gewährt seine maßgebliche Klausel eine

• eine beschränkte, nicht ausschließliche, weltweite, nicht übertragbare und lizenzgebührenfreie Lizenz, die Materialien zu nutzen, zu reproduzieren, zu verbreiten, zu vervielfältigen, abgeleitete Werke davon zu erstellen und zu verändern — nur für nichtkommerzielle Zwecke.

Die Vereinbarung definiert „Non-Commercial" eng, nämlich als ausschließlich für Forschungs- oder Evaluierungszwecke, und regelt alles andere ausdrücklich: Sie „dürfen die Materialien nicht für kommerzielle Zwecke verwenden, ohne eine separate kommerzielle Lizenz von uns einzuholen", die per E-Mail an die in der Vereinbarung genannte Adresse anzufordern ist. Die praktische Lage für ein Team umfasst also zwei Punkte statt einem: Die Gewichte sind herunterladbar, einsehbar, quantisierbar und feinabstimmbar, und wer ein Produkt darauf ausliefern will, muss zuerst ein Gespräch mit Alibaba führen.

Drei weitere Bedingungen gehen mit der Weitergabe einher und werden leicht übersehen, wenn die Lizenz als „nicht-kommerziell“ zusammengefasst wird. Sie müssen jedem, an den Sie weitergeben, eine Kopie der Vereinbarung übergeben. Geänderte Dateien müssen gut sichtbare Hinweise darauf tragen, dass sie geändert wurden. Und jede weitergegebene Kopie muss den Hinweistext, den die Vereinbarung wortwörtlich vorgibt, beibehalten, der das Material Hangzhou Tongyi Laboratory Technology Co., Ltd. zuordnet. Daneben stehen zwei Nutzungsregeln: Wenn Sie das Modell oder seine Ausgaben verwenden, um ein KI-Modell zu trainieren, feinabzustimmen oder zu verbessern, das Sie anschließend weitergeben, müssen Sie in der Produktdokumentation gut sichtbar „Built with Qw​en“ oder „Improved using Qw​en“ anzeigen; und Sie dürfen „Qw​en“ nicht als primären Namen oder Bezeichner eines abgeleiteten Werks verwenden, wobei eine beschreibende Verwendung wie „fine-tuned from Qw​en Image“ zulässig ist. Es gilt chinesisches Recht, mit ausschließlicher Gerichtsbarkeit bei den Volksgerichten in Hangzhou.

Ein Vergleich lohnt sich, denn er zeigt, wohin sich die Familie entwickelt hat, und nicht, wo sie begonnen hat. Die früheren Qwen-Image-Veröffentlichungen sind permissiv lizenziert: Die Modellkarten für Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered und Qwen-Image-2512 sind alle unter apache-2.0 lizenziert, Stand 13. Oktober 2026, ohne kommerzielle Hürde. Qwen-Image 2.1 ist der Bruch in diesem Muster. Bereits erteilte Lizenzen ändern sich nicht rückwirkend, daher bleiben diese früheren Checkpoints zu ihren ursprünglichen Bedingungen nutzbar – doch wer eine kommerzielle Pipeline in der Annahme plant, dass das neueste Qwen-Bildmodell permissiv sein wird, sollte diesen Vergleich vor der nächsten Veröffentlichung lesen, nicht danach.

Was rein geht und was raus kommt

Die Eingabeoberfläche ist breiter als die eines Text-zu-Bild-Modells, und die Ausgabeoberfläche umfasst etwas, das die meisten Bildmodelle überhaupt nicht erzeugen. Laut der Modellkarte und dem Repository des Anbieters:

• Nur Text — Ein Prompt erzeugt ein Bild. Text-zu-Bild ist der Standardmodus; es gibt keinen separaten T2I-Checkpoint zur Auswahl.

• Ein Bild plus ein Prompt — der Standard-Aufruf zum Bearbeiten, bei dem das Bild zusammen mit einer Anweisung übergeben wird.

• Bis zu 10 Referenzbilder — die Beispiele des Anbieters kombinieren sechs Porträts zu einem Gruppenfoto, fünf Produktaufnahmen zu einem Outfit und zehn Einrichtungsbilder zu einem einzigen Raum. Auf diese Fähigkeit ist die Architektur optimiert.

• Lokale Bearbeitungssteuerung, auf drei Arten — im Bild gezeichnete Kreise (mehrere Regionen gleichzeitig anhand der Farbe erkennbar), gemalte Anmerkungen oder eine separate Maske, die als eigene Eingabe bereitgestellt wird, damit das Originalfoto unmarkiert bleibt.

• Transparenz in beide Richtungen – direktes Erzeugen eines RGBA-Bildes aus einem Prompt mithilfe des vom Anbieter empfohlenen Prompt-Formats, Bearbeiten innerhalb einer transparenten Ebene einschließlich Text und Extrahieren eines Motivs aus einer gewöhnlichen RGB-Fotografie als RGBA-Ebene.

• Größenbereich — nativ 2K, standardmäßig 2048×2048, mit sieben veröffentlichten Presets: 1:1 bei 2048×2048, 4:3 bei 2400×1792, 3:4 bei 1792×2400, 3:2 bei 2528×1696, 2:3 bei 1696×2528, 16:9 bei 2752×1536 und 9:16 bei 1536×2752.

• Ausgabe — jedes Beispiel im eigenen Code des Anbieters schreibt PNG, und der transparente Pfad schreibt RGBA mit einem echten Alphakanal. Es wird keine separate Aufzählung der Ausgabeformate veröffentlicht, daher ist PNG das, was der dokumentierte Pfad erzeugt, und keine bewiesene Grenze.

Zwei fehlende Angaben sollten ausdrücklich erwähnt werden, statt dass der Leser sie selbst entdecken muss. Die Karte gibt keine maximale Prompt-Länge für Qwen-Image 2.1 an — die Eingabeangabe von 4,5k Token gehört zu Qwen-Image 3.0 und sollte nicht übernommen werden. Und für die offenen Gewichte gibt es keinen veröffentlichten Preis, weil an den Download kein gehosteter Preis pro Bild geknüpft ist; die Kosten sind die eigene Rechenleistung. Die gehosteten Pro- und Turbo-APIs auf Model Studio sind ein separater kommerzieller Weg, und das Material, das wir lesen konnten, besagt, dass Zugriffs- und Nutzungsdetails auf den Konsolenseiten des Anbieters zu finden sind und nicht in den öffentlichen Einführungshinweisen.

Textdarstellung und -bearbeitung, in den eigenen Worten des Anbieters

Die Behauptungen des Anbieters zu dieser Version sind qualitativer Natur und es lohnt sich, sie als Behauptungen statt als Messwerte zu zitieren. Zum Text schreibt der Blog, das Rendering „berücksichtigt nicht nur den Inhalt selbst, sondern auch Schriftstile, Layout und deren Beziehung zur Gesamtkomposition“ und veranschaulicht dies mit vier Beispielen. Zur Bearbeitung sind die vier genannten Verbesserungen mehrere Referenzbilder, lokale Bearbeitung, Wahrung der Detailtreue bei Personen und Produkten sowie Aufgabenabdeckung – mit Panoramen, die aus einem einzigen Selfie generiert werden, Infografiken, die aus einem Produktfoto erweitert werden, und einer Charakterreferenz mit drei Ansichten, die in ein Storyboard verwandelt wird. Porträtidentität und Produktkonsistenz sind die beiden Behauptungen zur Wiedergabetreue, die ausdrücklich genannt werden.

Was nicht veröffentlicht wird, ist genauso wichtig. Es gibt keine numerische Benchmark-Tabelle für Qwen-Image 2.1 in den Unterlagen des Anbieters: Der Blog zeigt einen Qwen-Image-Bench-Vergleich als Bild, ohne dass Zahlen im Text ausgeschrieben werden, und das Repository veröffentlicht überhaupt keine Evaluierungstabelle. Es gibt also keine vom Anbieter gemeldete Zahl für dieses Modell, die man als vom Anbieter gemeldet kennzeichnen könnte. Wir drucken auch keine unabhängige Zahl: Das Modell erscheint zwar in Image-Arenas von Drittanbietern, aber wir konnten heute keinen aktuellen Board-Wert erneut überprüfen, und eine Leaderboard-Zahl, die wir nicht nachprüfen können, ist es nicht wert, einem Leser an die Hand gegeben zu werden. Betrachten Sie die Frage der Textwiedergabe als offen, und beachten Sie, dass die stärksten Textaussagen des Anbieters selbst – die 10px-Angabe, die 12 Sprachen – zu Qwen-Image 3.0 gehören, nicht zu diesem Modell.

Wo die Gewichte sind und in welchen Formaten

Die Gewichte werden an zwei Orten veröffentlicht, beide von offizieller Seite: Hugging Face unter Qwen/Qwen-Image-2.1 und ModelScope unter dem entsprechenden Organisationspfad von Qwen, daneben ein gehosteter Demo-Space. Das Repository von Hugging Face umfasst insgesamt 33,1 GB, und die Aufschlüsselung ist der praktische Teil:

• Transformer — zwei BF16-Safetensors-Shards, etwa 9,97 GB und 4,26 GB, mit einer Indexdatei.

• Text-Encoder — vier BF16-Safetensors-Shards mit insgesamt etwa 17,5 GB, weshalb der Qwen3-VL-8B-Encoder oben als die größere Hälfte des Downloads bezeichnet wird.

• VAE — eine einzelne 1,35 GB große safetensors-Datei, die den RGBA-Autoencoder enthält.

• Diffusers-Layout – das Repository ist ein Release im Diffusers-Format (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), wodurch der unten stehende Pipeline-Import zu einem Einzeiler wird.

• Ein zweites Paket für ComfyUI — Comfy-Org/Qwen-Image-2.1 verpackt dasselbe Modell neu als Einzeldatei-Komponenten: die bf16- und int8-Varianten des Diffusionsmodells, das VAE, den Qwen3-VL 8B-Textencoder in bf16, int8 und w4a8, die beiden Prompt-Rewriter-Encoder, ein Turbo-LoRA und einen ControlNet-Union-Patch. Wenn du dies in ComfyUI statt in Python ausführen möchtest, ist es dieses Repository und nicht das Haupt-Repository, das du herunterlädst.

Zum Vergleich: Hugging Faces eigene Seite meldete mit Stand vom 13. Oktober 2026 142.375 Downloads im letzten Monat — eine plattformseitig bereitgestellte Zahl der Hosting-Website, keine Aussage von Alibaba über die Nutzung.

So führen Sie es heute aus.

Das ist der Teil der Geschichte von Qwen-Image 2.1, der wirklich ungewöhnlich ist: Dokumentierte Laufzeitunterstützung kam zusammen mit den Gewichten statt erst Monate danach, sodass die Frage nicht lautet, ob Sie es bereitstellen können, sondern welchen der mehreren unterstützten Wege Sie bereits haben.

• Diffusers (der vom Anbieter empfohlene Weg) — QwenImage21Pipeline geladen aus Qwen/Qwen-Image-2.1 in BF16, mit transformers>=5.17, torch>=2.4 und Diffusers aus dem Quellcode installiert. Der Turbo-Checkpoint wird über dieselbe Pipeline-Klasse geladen.

• ComfyUI — native Day-0-Unterstützung, mit veröffentlichten Template-Workflows für Text-zu-Bild und für Bildbearbeitung, unter Verwendung der oben genannten Comfy-Org-Gewichte.

• vLLM-Omni — Offline-Skripte und Online-Serving im OpenAPI-Stil (vllm serve … --omni), mit schrittweiser Ausführung, Prefix-KV-Caching, CUDA-Graph-Decodierung, FP8-Quantisierung und TP/Ulysses-Parallelität, alles dokumentiert.

• SGLang — Native Unterstützung ab Tag 0 über sglang generate, das ein --image-path-Argument zum Bearbeiten hinzufügt, mit Parallelisierungs- und Offload-Optionen.

• LightX2V — vom ModelTC-Projekt gepflegte Day-0-Beschleunigungspfade.

• Nicht-NVIDIA-Hardware — ein AMD-Radeon-Pfad über ROCm, PyTorch und Diffusers sowie ein FlagOS-Weg, der acht Chip-Plattformen über vorgefertigte Images und auf ModelScope veröffentlichte Gewichte abdeckt.

Ein Zubehörteil ist praktisch Teil der Installation, wenn Ihnen die Ausgabequalität wichtig ist: Das Release liefert zwei Checkpoints zur Prompt-Umschreibung, Qwen-Image-2.1-PE-T2I und Qwen-Image-2.1-PE-I2I, beides feinabgestimmte Qwen3.5-VL 9B-Modelle, wobei der Umschreibungscode und die System-Prompts im Repository veröffentlicht sind. Der Anbieter empfiehlt, kurze Prompts in ausführliche umzuschreiben, anstatt das Bildmodell direkt aufzurufen.

Wenn Sie überhaupt keinen 33-GB-Stack im Speicher halten möchten, sind die Endpunkte Model Studio Pro und Turbo die bereitgestellte Route, live seit dem 9. Oktober 2026. Wir geben für sie keinen Preis pro Bild an, weil die öffentlichen Markteinführungshinweise, die wir lesen konnten, keinen veröffentlichen.

Wo dich das hinstellt

Offen gesagt, denn genau diese Tatsache entscheidet über die meisten Bewertungen: OrcaRouter routet weder Qwen-Image 2.1 noch irgendein Qwen-Image-Modell. Wir haben am 13. Oktober 2026 unsere eigene Live-Modellliste überprüft, und es steht nicht darauf. Wenn die offenen Gewichte Sie überzeugt haben, führen die Wege über einen selbst gehosteten Download oder die eigene gehostete API des Anbieters – nicht über uns.

Was wir haben, ist die grundsätzliche Gestalt des Problems, das dieses Modell für ein Team erzeugt, das es ausprobieren möchte. Qwen-Image 2.1 ist auf eine ganz eigene Weise sperrig: laut den veröffentlichten Spezifikationen wirklich leistungsfähig, durch seine Lizenz für alles Kommerzielle wirklich eingeschränkt und schwer genug, dass Self-Hosting eher ein Projekt als ein Nachmittag ist. Das spricht dafür, es nicht gleich am ersten Tag vor einen Produktionspfad zu stellen. OrcaRouter stellt 200+ Modelle hinter einem einzigen OpenAI-kompatiblen Endpoint zum Listenpreis des Anbieters ohne Aufschlag bereit, mit automatischem Failover über Anbieter hinweg und einer Routing-DSL, mit der Sie mehrere Modelle zu einem einzigen Aufruf zusammenstellen können, sodass ein forschungslizenzierter Checkpoint, den Sie noch evaluieren, neben einem Modell stehen kann, dem Sie bereits vertrauen, statt es zu ersetzen. Die Modell-Fusion geht noch einen Schritt weiter und lässt ein Panel von Modellen denselben Prompt beantworten, sodass der Vergleich mit Ihren eigenen Eingaben statt anhand der Beispielgalerie eines Anbieters erfolgt.

Drei Leser, drei verschiedene Antworten. Wenn Sie kommerziell entwickeln, ist die Lizenz die ganze Entscheidung, und sie sagt ohne Verhandlung Nein — beginnen Sie dieses Gespräch, oder wählen Sie einen Apache-2.0-Checkpoint aus derselben Familie. Wenn Sie forschen, feinabstimmen oder transparente Assets und mehr als drei Referenzbilder benötigen, ist dies das Modell, an dem der Rest der offenen Stufe derzeit gemessen wird, und die Day-Zero-Laufzeitunterstützung bedeutet, dass der Integrationsaufwand gering ist. Wenn Sie textlastiges Produktionsbildmaterial benötigen und lieber nichts selbst betreiben möchten, sind das geschlossene Qwen-Image 3.0 und der gehostete Pro-Endpunkt die eigene Antwort des Anbieters darauf, und die Einordnung, wie weit die Textwiedergabe dieses Modells tatsächlich gekommen ist, ist nach wie vor eine offene Frage, hinter der keine veröffentlichte Zahl steht.