Qwen-Image 2.1 still veröffentlicht: Ein Blick in Qwen/Qwen-Image-2.1-PE-I2I

Am 20. September 2026 stellte das Qwen-Image-Team Qwen-Image 2.1 auf Hugging Face und ModelScope — Gewichte, Lizenzdatei, Modellkarte und einen Blogbeitrag, alles noch am selben Tag, und das mit kaum Vorlauf. Die Schlagzeile lautet 7B Parameter in der visuellen Generierungskomponente. Der Teil, den fast noch niemand geöffnet hat, ist Qwen/Qwen-Image-2.1-PE-I2I, einer von zwei Prompt-Rewriting-Checkpoints, die zusammen mit dem Bildmodell ausgeliefert wurden. Es ist nicht das Bildmodell. Es ist das, was entscheidet, was Ihre Anweisung bedeutet, bevor das Bildmodell sie überhaupt zu sehen bekommt — und in diesem Release ist es die Komponente, die still und leise die Sprache festlegt, in der Ihre Ausgabe zurückkommt.

Was „shipped quietly" hier tatsächlich bedeutet

Die Wortwahl ist wichtig, denn es ist leicht, in die eine oder andere Richtung zu übertreiben. Qwen-Image 2.1 wurde nicht geleakt und auch nicht ohne Ankündigung veröffentlicht. Es gibt einen Hersteller-Blogbeitrag vom 20. September 2026, ein GitHub-Repository mit einem News-Abschnitt vom selben Tag und einen Live-Download der Gewichte. Was es nicht gab, war eine Vorlaufzeit: Das einzige Vorab-Signal war eine Notiz vom 17. September, die 50 Early-Access-Plätze über ModelScope anbot, wobei ausgewählte Tester gebeten wurden, bis zum 29. September ein Beispiel oder eine Rezension zu veröffentlichen. Drei Tage später waren die Gewichte öffentlich. Keine Keynote, kein Benchmark-Embargo, kein Pressezyklus.

Das ist eine besondere Art von Veröffentlichung, und es lohnt sich, sie genau zu benennen. Der Anbieter hat sie angekündigt. Der Anbieter hat nicht für sie geworben. Für jeden, der entscheidet, ob er darauf aufbauen soll, ist die praktische Konsequenz, dass es noch keine unabhängige Bewertung gibt, auf die man sich stützen kann — nur das eigene Material des Anbieters und das, was Early-Access-Tester in der kommenden Woche veröffentlichen. Betrachten Sie jede Qualitätsaussage in diesem Artikel als aus der Modellkarte und dem Blogbeitrag stammend, bis jemand außerhalb von Alibaba es öffentlich ausführt.

Warum der PE-I2I-Checkpoint der Interessante ist

Die Veröffentlichung von Qwen-Image 2.1 enthält drei herunterladbare Teile, nicht nur einen:

• Qwen/Qwen-Image-2.1 — das Bildmodell selbst. Ein 32-schichtiger Single-Stream-DiT mit 7B Parametern in der visuellen Generierungskomponente, ein Qwen3-VL-8B-Textencoder und ein 64-Kanal-RGBA-VAE mit 16-facher räumlicher Kompression. Rund 33 GB über die drei Komponenten hinweg.

• Qwen/Qwen-Image-2.1-PE-T2I — ein Prompt-Rewriter für Text-zu-Bild. Ein feinabgestimmtes Qwen3.5-VL 9B, etwa 18,8 GB.

• Qwen/Qwen-Image-2.1-PE-I2I — ein Prompt-Rewriter für die Bild-zu-Bild-Bearbeitung. Außerdem ein feinabgestimmtes Qwen3.5-VL 9B, ebenfalls etwa 18,8 GB, am 20. September um 08:46 UTC auf Hugging Face hochgeladen.

„PE“ steht für Prompt-Enhancement. Die I2I-Variante nimmt eine vage Bearbeitungsanweisung plus ein oder mehrere Eingabebilder und schreibt sie in eine präzise, eindeutige Bearbeitungsdirektive für das nachgelagerte Diffusionsmodell um. Die Beschreibung des Repositories selbst ist unverblümt bezüglich der Eingabeform: Ein Eingabebild ist immer vorhanden, daher handelt es sich immer um eine Bildbearbeitungsaufgabe und nie um Text-zu-Bild aus dem Nichts. Der Umschreibungs-Code befindet sich in einem prompt_rewrite/-Ordner, der beide Checkpoints bedient — --task t2i oder --task edit — mit einem Transformers-Pfad, einem vLLM-Pfad, einer serve.sh plus client.py für einen dauerhaft laufenden Dienst und pe_core.py für die gemeinsame Logik.

Das ist wichtiger, als es klingt. Das Bildmodell hat keine Ahnung, was Sie gemeint haben. Es hat eine Vorstellung davon, was Ihr Prompt wörtlich sagt, gewichtet danach, was auch immer der Textencoder damit macht. Ein Rewriter davor ist die Stelle, an der Mehrdeutigkeit aufgelöst wird — oder sie wird falsch aufgelöst, und zwar konsistent, bei jedem Bild, das Sie generieren. In einem einheitlichen Generierungs- und Bearbeitungsmodell mit bis zu 10 Referenzbildern kann bei diesem Auflösungsschritt mehr schiefgehen als üblich.

Der System-Prompt ist der Ort, an dem die Sprachauswahl getroffen wird.

Das PE-I2I-Repository liefert eine system_prompt.txt zusammen mit den Gewichten aus, und diese ist ungewöhnlich explizit in einer Sache: Sprache. Wenn man sie direkt liest, wird der Rewriter angewiesen, zwei getrennte Sprachentscheidungen zu treffen und sie auseinanderzuhalten.

• Die Beschreibungssprache. Die Prosa, die der Rewriter schreibt, um die Änderung zu beschreiben, folgt der Sprache der Nutzeranweisung — chinesische Anweisung, chinesische Beschreibung; englische Anweisung, englische Beschreibung; eine Anweisung in Japanisch, Koreanisch, Französisch, Thailändisch oder einer sonstigen Sprache erhält eine englische Beschreibung.

• Die Sprache des gerenderten Textes. Der Text, der tatsächlich in das Ausgabebild gezeichnet wird und in doppelten Anführungszeichen steht, wird nach einer strikten Prioritätsreihenfolge bestimmt: Erstens, wenn der Nutzer den exakten Text oder die Zielsprache nennt, ist das wörtlich zu befolgen; zweitens, wenn das Eingabebild bereits Text enthält, ist die dominierende Sprache dieses vorhandenen Textes zu übernehmen – auch wenn die Anweisung in einer anderen Sprache verfasst ist; drittens, wenn kein Text im Bild vorhanden ist und keine Sprache genannt wird, ist die Sprache der Anweisung selbst zu verwenden, und sie darf insbesondere nicht auf Englisch festgelegt werden.

Der Prompt untermauert die zweite Regel mit einem ausgearbeiteten Beispiel – ein Bild, das überwiegend thailändisch ist und mit einer englischen Anweisung bearbeitet wird, die keine Sprache nennt, muss thailändischen Text rendern – und fügt zwei Einschränkungen hinzu: Gerenderter Text muss einsprachig sein und darf nicht aus einem chinesisch-englischen Paar bestehen, und ein visuelles Genre wie „Datenblatt“ oder „Storyboard“ wird durch Layout und Typografie erreicht, niemals dadurch, dass die gerenderten Beschriftungen auf Englisch umgestellt werden.

Das ist ein kleines Stück Engineering mit großer Tragweite. Wenn Sie Produktbilder für einen Markt generieren, in dem der Verpackungstext eine Rolle spielt, ist der Unterschied zwischen „der Rewriter behält die vorhandene Label-Sprache bei“ und „der Rewriter übersetzt hilfreicherweise alles ins Englische“ der Unterschied zwischen einem verwendbaren Asset und einem abgelehnten. Und weil dieses Verhalten in einem System-Prompt festgelegt ist, der im Repository mitgeliefert wird, können Sie ihn lesen, diffen und überschreiben – was man über denselben Schritt in einem geschlossenen gehosteten Modell nicht sagen kann.

Was ist bestätigt, und was nicht

Hier präzise die Grenze zu ziehen, ist der eigentliche Sinn eines Beitrags darüber, was wir wissen.

• Aus dem Repository und der Model Card bestätigt — die Angabe 7B / 32 Layer Single-Stream-DiT; der Qwen3-VL-8B-Textencoder; das 64-Kanal-RGBA-VAE mit 16-facher räumlicher Kompression; block-kausale Attention mit einer tokenbasierten kausalen Maske für Text und einer chunkbasierten bidirektionalen Maske für die Bilderzeugung; die Wiederverwendung des Prefix-KV-Cache, die laut Model Card aktiviert wird, wenn der Checkpoint causal_condition: true trägt (was der Fall ist); Flow Matching mit Euler-Diskretplanung; native 2K-Ausgabe mit 2048×2048 als Standard bei 40 Inferenzschritten; sieben dokumentierte Seitenverhältnis-Voreinstellungen; Unterstützung für bis zu 10 Referenzbilder; lokales Bearbeiten per Kreis, gemalter Annotation oder separater Maske; sowie RGBA-Generierung, Bearbeitung transparenter Ebenen und Subjektextraktion aus RGB-Fotos.

• In Bezug auf die Lizenz ist es bestätigt, und das ist der kritische Punkt — die Veröffentlichung steht unter der Qwen Research License Agreement vom 20. September 2026, die Rechte „FOR NON-COMMERCIAL PURPOSES ONLY“ gewährt und besagt, dass eine kommerzielle Nutzung eine separate, beim Anbieter anzufordernde Lizenz erfordert. Das ist eine wesentliche Änderung gegenüber der früheren Qwen-Image-Reihe, die unter Apache 2.0 veröffentlicht wurde. Lesen Sie die Lizenzdatei, bevor Sie ein Produkt darauf aufbauen, nicht danach.

• Nicht bestätigt — es gibt noch keine unabhängigen Benchmark-Ergebnisse. Der Blogbeitrag verweist auf ein Vergleichsdiagramm von Qwen-Image-Bench, doch die darin enthaltenen Zahlen stammen vom Anbieter selbst und waren zum Zeitpunkt des Verfassens von keiner dritten Partei reproduziert worden. Für Qwen-Image 2.1 gibt es keinen veröffentlichten Preis für den gehosteten Endpunkt und keine angegebenen Bedingungen für die kommerzielle Lizenz. Und es ist noch nicht bekannt, ob eine Variante mit permissiver Lizenz folgen wird.

Der eine unabhängige Datenpunkt, den es tatsächlich gibt, ist ein praxisnaher Early-Access-Testbericht von einem Tester, der über das Qwen Ambassador Program Zugang hatte und die finalen Release-Gewichte über eine ModelScope Studio-Oberfläche laufen ließ. Dieser Testbericht nannte Generierungszeiten von ungefähr 10–15 Sekunden für Text-zu-Bild und 18–23 Sekunden für Bearbeitung, starke Leistung bei Voreinstellungen für Kamerapositionen und Rollenzuweisung für mehrere Charaktere sowie einen spezifischen Fehlermodus, den man kennen sollte: Die Multi-Referenz-Konsistenz verschlechterte sich ab etwa drei Eingabebildern, wobei die Platzierung des seitlichen Pferdeschwanzes bei Profilwinkeln zu einem mittigen Pferdeschwanz zusammenbrach. Das ist ein einziger Rezensent, in einer Early-Access-UI, ohne angezeigten Timer. Es ist ein nützliches Signal. Es ist kein Benchmark.

Day-zero-Unterstützung für Frameworks – das ist die leise gute Nachricht.

Wo ein Modell zum Start landet, sagt dir mehr darüber, ob du es tatsächlich nutzen kannst, als die Modellkarte, und Qwen-Image 2.1 ist breit gestartet:

• Diffusers — eine QwenImage21Pipeline wurde bereits am Starttag zusammengeführt, und das Modell-Repository trägt den diffusers:QwenImage21Pipeline Tag.

• ComfyUINative Day-Zero-Unterstützung mit Workflow-Vorlagen für Text-zu-Bild und Bildbearbeitung sowie einem separaten, Comfy-kompatiblen Gewichte-Repository.

• vLLM-Omni — schrittweise Ausführung, Prefix-KV-Caching, CUDA-Graph-Decode, FP8-Quantisierung und Tensor-/Ulysses-Parallelität.

• SGLang — ein Pull Request für native Unterstützung wurde am 17. September zusammengeführt, drei Tage vor den Gewichten, der das DiT, das RGBA-VAE, die Qwen3-VL-Konditionierung, mehrere Referenzbilder sowie RGBA-Ein- und -Ausgabe abdeckt, validiert auf H200, B200, RTX PRO 6000, RTX 5090 und RTX 4090.

• LightX2V — Day-Zero-Beschleunigung sowie AMD Radeon über ROCm und Multi-Chip-Unterstützung durch FlagOS.

Der SGLang-Pull-Request vor der Veröffentlichung ist der verräterische Hinweis. Framework-Unterstützung, die vor den Gewichten verfügbar ist, bedeutet, dass der Serving-Pfad gegen den Checkpoint getestet wurde und nicht im Nachhinein anhand der Modellkarte geschrieben wurde. Für eine 7B-Komponente mit einem daneben sitzenden 17,5 GB großen Textencoder ist das der Unterschied zwischen einem Wochenende voller Yak-Shaving und einem Nachmittag.

Für GPUs mit eingeschränkten Ressourcen empfiehlt die Modellkarte CPU-Offloading — pipe.enable_model_cpu_offload() — was eher der übliche Ausweg als eine Lösung ist. Der 33 GB große Download wird vom Text-Encoder dominiert, nicht vom DiT; der Diffusionstransformer selbst ist mit rund 14 GB die kleinere Hälfte des Pakets.

Die praktische Lesart

Wenn Sie Qwen-Image 2.1 heute ausprobieren möchten, ist die ehrliche Einschätzung, dass Sie es können – lokal, unter einer Forschungslizenz, ohne unabhängige Benchmarks und ohne kommerzielle Rechte. Das ist ein vernünftiger Kompromiss für die Evaluierung und ein schlechter für eine Produktions-Pipeline, und die Lücke zwischen diesen beiden ist genau das, was die Lizenzdatei entscheidet.

Für Teams, die Bildmodelle benchmarken, ohne einen Produktionspfad an einen tagealten Checkpoint binden zu wollen, ist die Routing-Ebene der Ort, an dem dieses Risiko eingedämmt wird. OrcaRouter stellt 200+ Modelle hinter einem einzigen OpenAI-kompatiblen Endpoint zum Listenpreis des Anbieters ohne Aufschlag bereit, mit automatischem Failover über Anbieter hinweg, sodass ein noch nicht erprobtes Modell hinter einer Route neben einem Modell stehen kann, dem Sie bereits vertrauen, statt es zu ersetzen — und da der Listenpreis durchgereicht wird, ist eine Preissenkung eines Anbieters bei einem gerouteten Modell noch am selben Tag live, statt auf eine Vertragsänderung zu warten. Qwen-Image 2.1 gehört zum Zeitpunkt dieses Schreibens nicht zu den Modellen, die wir routen, und dieser Artikel wird nichts anderes nahelegen. Was wir routen, ist die umliegende Bild-Produktlinie — OpenAIs GPT-Image-Familie, Googles Imagen-4-Stufen und Gemini-Bildvorschauen sowie xAIs Grok-Imagine-Bild-Endpoint —, woher ein Failover-Pfad käme, während Sie den Newcomer auf Ihrer eigenen Hardware evaluieren.

Die offene Frage ist die, die das Repository nicht beantworten kann. Alibaba veröffentlichte ein 7B-Bildmodell mit offenen Gewichten unter einer Lizenz nur für Forschungszwecke – im selben Jahr, in dem es Qwen-Image 3.0 als geschlossenes gehostetes Modell ganz ohne Gewichte veröffentlichte. Zwei Veröffentlichungen, zwei entgegengesetzte Wetten, vier Monate auseinander. Welche dieser beiden Formen das nächste Qwen-Bildmodell annimmt – und ob die Forschungs-Lizenz jemals zu etwas wird, das ein Unternehmen nutzen kann –, ist es, was man beobachten sollte. Die Gewichte sind jetzt auf Hugging Face, und jeder kann die Lizenzdatei selbst lesen.