Qwen-Image-2.1 vs. Bernini-Diffusers-v2: Die Lizenz ist das ganze Argument

Zwei Open-Weight-Bildsysteme erschienen 2026 im Abstand von sechs Wochen und praktisch ohne Aufsehen, und sie sind sich uneinig über genau die eine Sache, die darüber entscheidet, ob man auf ihnen ein Geschäft aufbauen kann. Qwen-Image-2.1, veröffentlicht am 20. September 2026, steht unter einer Research-Lizenz – nur nicht-kommerziell, kommerzielle Nutzung nach gesonderter Vereinbarung. Bernini-Diffusers-v2, von ByteDance am 13. August 2026 veröffentlicht, steht unter Apache 2.0, was bedeutet, dass man es ausliefern darf. Das Release, das leistungsfähiger aussieht, ist das, was man nicht verkaufen kann, und das freizügigere ist das, was vor allem Video machen will. Diese Umkehrung ist der Vergleich.

Die Lizenz-Inversion

Beginnen Sie mit dem Papierkram, denn er hat Vorrang vor allem anderen auf dieser Seite. Kein noch so großer Qualitätsvorsprung behebt ein Lizenzproblem, und keine Benchmark-Punktzahl rettet ein Produkt, das zurückgezogen werden muss.

• Lizenz — Qwen-Image-2.1 unterliegt der Qwen Research License Agreement vom 20. September 2026, „NUR FÜR NICHTKOMMERZIELLE ZWECKE“, wobei kommerzielle Rechte nur auf Anfrage erhältlich sind; Bernini-Diffusers-v2 steht unter Apache 2.0.
• Praktische Konsequenz — ein Qwen-Image-2.1-Workflow ist ein Evaluierungs- oder ein persönliches Asset; ein Bernini-Diffusers-v2-Workflow ist heute auslieferbar, mit den üblichen Apache-Attributionsanforderungen und ohne dass ein Gespräch mit dem Anbieter nötig ist.
• Entwicklungsrichtung — Qwens frühere Bildlinie wurde unter Apache 2.0 veröffentlicht, daher ist diese Veröffentlichung eine Verschärfung; ByteDance hat Bernini über beide Generationen hinweg permissiv gehalten.

Wenn Sie nur einen Abschnitt dieses Artikels lesen, dann diesen. Alles Folgende ist ein Stichentscheid zwischen zwei Dingen, die auf dieser Achse nicht wirklich gleichauf liegen.

Was jedes System tatsächlich ist

Die beiden Modelle sind nicht dieselbe Art von Objekt, und der Unterschied zeigt sich in dem Moment, in dem man sich ansieht, was im Download enthalten ist.

Qwen-Image-2.1 ist ein einziges, vereinheitlichtes Modell. Ein einzelner 7B-Diffusionstransformer mit 32 Schichten und Single-Stream-Architektur übernimmt Generierung und Bearbeitung mit denselben Gewichten, konditioniert durch einen Qwen3-VL 8B-Textencoder, wobei ein 64-Kanal-RGBA-VAE mit 16× räumlicher Kompression die Schwerarbeit bei der Transparenz leistet. Insgesamt rund 33 GB, wobei der DiT selbst etwa 14 GB ausmacht und der Textencoder den Rest belegt. Es bringt außerdem zwei optionale Checkpoints zur Prompt-Umschreibung mit – PE-T2I und PE-I2I, jeweils ein feinabgestimmtes Qwen3.5-VL 9B mit etwa 18,8 GB –, die Ihre Anweisung in etwas Präzises umschreiben, bevor das Diffusionsmodell sie sieht.

Bernini-Diffusers-v2 ist eine Pipeline, kein einzelnes Modell. Ein semantischer Planer Qwen2.5-VL übernimmt das Reasoning und schreibt einen latenten semantischen Plan; ein Wan2.2-Diffusions-Renderer führt ihn aus. Die wichtigste Änderung des v2-Rezepts gegenüber der ersten Bernini-Version ist, dass der Connector über Tausende von Schritten vor dem Co-Training aufgewärmt wird, was die referenzgestützte Videobearbeitung und das Verhalten von OpenS2V verbessert hat. Diese zweistufige Aufteilung ist die architektonische Wette: erst planen, dann rendern – und man kann Videos bearbeiten, indem man den Plan bearbeitet.

• Architektur — Qwen-Image-2.1 ist ein einheitlicher DiT für Generierung und Bearbeitung; Bernini-Diffusers-v2 ist ein Qwen2.5-VL-Planer, der einen Wan2.2-Renderer steuert.
• Modalität — Qwen-Image-2.1 kann nur Bilder; Bernini-Diffusers-v2 deckt t2i, i2i, t2v, v2v, referenzgesteuerte Videobearbeitung und r2v ab, sodass Bilder eher ein Nebenzimmer als das Haus sind.
• Transparenz — Qwen-Image-2.1 erzeugt Alpha direkt aus dem Sampler über seinen RGBA-VAE; die dokumentierte Ausgabe von Bernini-Diffusers-v2 sind RGB-Video- und Einzelbilder, wobei kein äquivalenter nativer Alpha-Pfad beschrieben ist.
• Prompt-Verarbeitung — Qwen-Image-2.1 liefert separate 9B-Rewriter-Checkpoints mit, die man lesen, diffen und überschreiben kann; der Planer von Bernini-Diffusers-v2 ist Teil der Pipeline, und sein Prompt-Enhancer ist ein optionaler Aufruf eines OpenAI-kompatiblen Endpunkts statt eines mitgelieferten Checkpoints.
• Hardware — Qwen-Image-2.1 passt auf eine einzelne Consumer-GPU, wobei CPU-Offload bei eingeschränkten Karten empfohlen wird; die dokumentierte Umgebung von Bernini-Diffusers-v2 ist Hopper-Klasse, H100/H800/H200, mit Multi-GPU-Sequenzparallelität für die größeren Konfigurationen.

Wo der Vergleich nicht mehr nützlich ist

Es ist verlockend, diese beiden bei der Ausgabequalität gegeneinander zu bewerten. Diesen Vergleich gibt es nicht, und so zu tun, als gäbe es ihn, wäre das unehrliche Vorgehen.

Die von Bernini-Diffusers-v2 veröffentlichten Zahlen sind vom Anbieter gemeldete Video- und Editing-Metriken – EditVerse 8.02, OpenVE 3.96, OpenS2V 63.83, VBench 84.46 – plus die Behauptung erstklassiger Leistung in ByteDances interner blinder Human-Pairwise-Arena. Es sind Videometriken. Es wurde kein unabhängiger Bild-Benchmark für Bernini-Diffusers-v2 durchgeführt, kein FID, kein Textwiedergabe-Score, kein Eintrag in einem Bild-Leaderboard. Auf der anderen Seite ist die einzige Qualitätszahl von Qwen-Image-2.1 das eigene Qwen-Image-Bench-Diagramm des Anbieters, in dem Qwen-Image-2.1 mit 60.28 steht, gegenüber Nano Banana 2.0 mit 59.82 und GPT Image 1.5 mit 59.65 – Anbietermaterial, nicht reproduziert, und das Modell war zum Zeitpunkt dieses Schreibens nicht in den unabhängigen Bild-Leaderboards vertreten. Der einzige wirklich unabhängige Datenpunkt ist eine Funktionsverifikation aus der SGLang-Integrationsarbeit: Die transparente PNG-Ausgabe bestand, Alpha blieb über den vollen Bereich 0–255 erhalten, RGBA-PSNR wurde in einer einzelnen Stichprobe mit 60.69 dB gemessen, und FP8-Konfigurationen bestanden die Generierung transparenter PNGs. Die SGLang-Autoren stellen ausdrücklich klar, dass dies eine Korrektheitsprüfung und keine Qualitätsgarantie ist.

Also: zwei offene Releases, zwei Anbieter-Scorecards, kein gemeinsamer Benchmark und keine dritte Partei, die beide getestet hat. Wer Ihnen erzählt, das eine sei bei der Bildqualität besser als das andere, plappert nur Marketing nach.

Bearbeitungsphilosophie: den Prompt umschreiben oder den Plan umschreiben

Beide Modelle versuchen, dasselbe zugrunde liegende Problem zu lösen – die Anweisung eines Nutzers ist vage und das Diffusionsmodell ist wörtlich – und sie lösen es an entgegengesetzten Stellen.

Qwen-Image-2.1 löst dies sprachlich. Der PE-I2I-Checkpoint nimmt deine Bearbeitungsanweisung plus ein oder mehrere Eingabebilder entgegen und schreibt sie vor der Generierung in eine präzise Direktive um. Weil es ein ausgelieferter Checkpoint mit einer ausgelieferten system_prompt.txt ist, kannst du genau nachlesen, was ihm vorgegeben wird – einschließlich der Regel, dass gerenderter Text in der Ausgabe mit der vorherrschenden Sprache des bereits im Eingabebild vorhandenen Textes übereinstimmen sollte, statt ins Englische gezwungen zu werden. Das ist nachprüfbares Verhalten. Du kannst es überschreiben.

Bernini-Diffusers-v2 löst es strukturell. Der Planer erzeugt einen semantischen Plan, den der Renderer dann ausführt, und die interessante Eigenschaft dieser Anordnung ist, dass der Plan etwas ist, das man bearbeiten kann. Für Videoarbeit – bei der es oft genau darum geht, ein Element über eine Sequenz hinweg zu ändern, ohne die Aufnahme neu auszuwürfeln – ist die getrennte Planung vom Rendering die richtige Form. Für ein einzelnes Standbild ist es ein zusätzliches bewegliches Teil.

• Bearbeitungsgranularität — Qwen-Image-2.1 unterstützt lokale Bearbeitungen per Kreis, gemalter Annotation oder separater Maske sowie die Bearbeitung transparenter Ebenen und die Subjektextraktion aus RGB-Fotografien; die dokumentierten Stärken von Bernini-Diffusers-v2 bei der Bearbeitung sind referenzgesteuerte Videobearbeitung und Subject-to-Video, nicht die lokale Reparatur von Standbildern.
• Referenzeingaben — Qwen-Image-2.1 akzeptiert bis zu 10 Referenzbilder, obwohl ein Early-Access-Rezensent berichtete, dass die Konsistenz bei mehreren Referenzen ab etwa drei Bildern abnimmt; der Umgang mit Referenzen bei Bernini-Diffusers-v2 ist im Zusammenhang mit Videosequenzen dokumentiert.
• Überprüfbarkeit — Die Umformulierungslogik von Qwen-Image-2.1 ist ein lesbarer System-Prompt im Repository; die Planungsphase von Bernini-Diffusers-v2 besteht aus Modellgewichten.

Was man damit tatsächlich machen sollte

Die Entscheidungsregel ergibt sich aus der Lizenz und nicht aus dem Datenblatt.

Wenn die Ausgabe in etwas einfließt, das Sie verkaufen – Kundenarbeit, ein Produkt, eine bezahlte Pipeline –, ist Bernini-Diffusers-v2 von diesen beiden das einzige, das Sie ohne vorherige Absprache verwenden können, und Sie sollten Hopper-Klasse-Hardware einplanen, um es wie dokumentiert auszuführen. Wenn Sie Forschung, Evaluierung oder persönliche Arbeit betreiben, bietet Ihnen Qwen-Image-2.1 das besser überprüfbare System und das mit nativem Alpha – um den Preis einer Lizenz, über die Sie irgendwann neu verhandeln oder von der Sie sich verabschieden müssen.

Es gibt eine dritte Option, die keines von beiden abdeckt, und es lohnt sich, sie klar zu benennen: gehostete Bildmodelle, bei denen man nie eine Lizenzdatei oder eine GPU anfassen muss. OrcaRouter routet 200+ Modelle hinter einem einzigen OpenAI-kompatiblen Endpunkt zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover über Anbieter hinweg, einer Routing-DSL für Fallback-Ketten und Modellfusion. Weder Qwen-Image-2.1 noch Bernini-Diffusers-v2 sind zum Zeitpunkt dieses Schreibens in unserem Katalog – wir routen kein Qwen-Image-Modell irgendeiner Version und kein Bernini-Modell –, daher ist dies keine Werbung für eines von beiden. Die geroutete Bildlinie, die wir tatsächlich führen, ist OpenAIs GPT-Image-Familie, Googles Imagen-4-Stufen und Gemini-Bildvorschauen sowie xAIs Grok-Imagine-Bildendpunkt; da der Listenpreis durchgereicht und nicht aufgeschlagen wird, ist eine Preissenkung eines Anbieters für eines dieser Modelle am selben Tag live.

Der Teil, den keines der beiden Repositories beantwortet

Beide waren stille Veröffentlichungen ohne Vorlauf, und stille Veröffentlichungen sind schwer einzuplanen. Das einzige Vorab-Signal von Qwen-Image-2.1 war ein Early-Access-Hinweis vom 17. September, der 50 ModelScope-Plätze anbot, wobei Tester gebeten wurden, bis zum 29. September zu veröffentlichen – drei Tage, bevor die Gewichte veröffentlicht wurden. Bernini-Diffusers-v2 tauchte einfach am 13. August auf Hugging Face auf, zusammen mit einem Gitee-Mirror.

Was bei beiden fehlt, ist ein Grund zu der Annahme, dass die Bedingungen Bestand haben werden. Qwen hat seine Lizenz zwischen der vorherigen Bildgenerierung und dieser verschärft, was ein Datenpunkt zur Richtung ist. ByteDance hat Bernini Apache 2.0 über zwei Generationen hinweg beibehalten, was ein Datenpunkt für die andere Richtung ist. Ob eines von beidem für die nächste Veröffentlichung gilt, lässt sich von hier aus nicht wissen, und genau das sollte man prüfen, bevor man sich auf eine Pipeline festlegt, statt danach.