Qwen-Image 2.1: Qué es realmente el modelo de imágenes de 7B con pesos abiertos

Qwen-Image 2.1 es el modelo que la gente busca por su nombre y con el que, hoy por hoy, no encuentra nada. Es el modelo de texto a imagen y edición de imágenes de pesos abiertos de Alibaba, publicado el 20 de septiembre de 2026, y la mayor parte de la confusión que lo rodea es estructural: es más reciente que Qwen-Image 3.0, que el mismo equipo lanzó el 21 de julio de 2026, y más antiguo que Qwen-Image 2.1 Turbo, el checkpoint acelerado que llegó después, el 9 de octubre de 2026. Tres nombres, una familia, tres productos genuinamente distintos, y los números de versión no ordenan correctamente ninguno de ellos.

Esta página es la referencia del propio modelo: qué es, qué acepta y devuelve, qué permite realmente su licencia, dónde viven los pesos y en qué se documenta que se ejecuta. El lanzamiento tiene 23 días en el momento de escribir esto, así que trátalo como el dato que fecha el modelo y no como una noticia: la pregunta que vale la pena responder es la de siempre que tiene un lector cuando escribe el nombre del propio modelo.

Los tres productos de imagen Qwen, mantenidos aparte

Casi todas las expectativas equivocadas sobre Qwen-Image 2.1 provienen de tratar la familia como una única secuencia. No lo es. Los tres productos actuales se sitúan en puntos distintos tanto en capacidad como en acceso:

• Qwen-Image 2.1 — un modelo que hace tanto generación de texto a imagen como edición de imágenes, con 7B parámetros en su componente de generación visual y 32 capas DiT de flujo único, publicadas como pesos abiertos bajo una licencia de investigación. Publicado el 20 de septiembre de 2026.

• Qwen-Image 2.1 Turbo — la misma arquitectura de generación visual de 7B y los mismos preajustes de resolución, publicada como un checkpoint acelerado independiente el 9 de octubre de 2026 que elimina el ruido en 8 pasos en lugar de 40, con CFG predeterminado en 1 y su programación de muestreo recomendada guardada dentro del checkpoint. Es una variante de velocidad, no un nivel de capacidad.

• Qwen-Image 3.0 — el modelo de tercera generación del 21 de julio de 2026, y el cerrado. No hay repositorio de pesos para él en Hugging Face ni en ModelScope, y su material de lanzamiento no publica número de parámetros ni licencia. Sus afirmaciones principales son sobre densidad de texto y de conocimiento —prompts de hasta 4,5 k tokens, texto de tan solo 10 px renderizado de forma legible, 12 idiomas, más de 100 estilos artísticos— y son del propio proveedor, no reproducidas aquí. Si lo que necesitas es el renderizado de texto más potente de la familia, ese es el argumento de la 3.0; si lo que necesitas es ejecutar el modelo tú mismo, la 3.0 no es una opción en absoluto.

Una cuarta cosa merece separarse porque comparte el nombre 2.1: desde el 9 de octubre de 2026 la lista de novedades del proveedor incluye las API alojadas Qwen-Image-2.1 Pro y Turbo como oficialmente disponibles en Alibaba Cloud Model Studio. Esa es una vía de servicio para el mismo modelo, no un cuarto modelo.

Qué es bajo el capó

La arquitectura, tal como se publica en la tarjeta de modelo y el repositorio del proveedor, es compacta para los estándares del actual campo de la imagen y está organizada en torno a una idea: abaratar la edición de múltiples imágenes.

• Transformer — 32 capas, 7B de parámetros, DiT de flujo único con atención causal por bloques. El texto, incluidos el prefijo del sistema y las instrucciones de edición, ejecuta una máscara causal a nivel de token; la generación de imágenes ejecuta una máscara bidireccional a nivel de fragmento.

• Codificador de texto — Qwen3-VL 8B, un modelo de visión y lenguaje que codifica tanto la instrucción de texto como cualquier imagen de condición en una única representación. En la descarga publicada, es la mitad más grande del conjunto.

• VAE — un autoencoder RGBA de 64 canales con compresión espacial de 16×, que es de donde proviene la transparencia nativa en lugar del posprocesamiento.

• Programador — Flow Matching con programación discreta de Euler y desplazamiento dinámico; 40 pasos de eliminación de ruido por defecto en el checkpoint base.

Esa división de granularidad mixta es el argumento de eficiencia. Las imágenes de entrada y las instrucciones se calculan una vez en el primer paso de eliminación de ruido y se reutilizan después como contexto de prefijo en caché, por lo que añadir imágenes de referencia cuesta menos de lo que costaría en un diseño que vuelve a codificar todo en cada paso.

La licencia, exactamente como se publicó

Esta es la parte que la mayoría de los resúmenes interpreta mal, en ambos sentidos. Qwen-Image 2.1 no es de código abierto en el sentido permisivo, y tampoco es cerrado. La ficha de Hugging Face lo etiqueta como license: other con license_name: qwen-research, y el archivo LICENSE del repositorio es el Qw​en Research License Agreement, con fecha del 20 de septiembre de 2026. Leído el 13 de octubre de 2026, su cláusula operativa concede una

• licencia limitada, no exclusiva, mundial, no transferible y libre de regalías para usar, reproducir, distribuir, copiar, crear obras derivadas de y modificar los materiales — únicamente para fines no comerciales.

El acuerdo define "No Comercial" de forma restrictiva, como únicamente con fines de investigación o evaluación, y encamina todo lo demás de forma explícita: usted "no podrá utilizar los Materiales con ningún fin comercial sin obtener una licencia comercial independiente de nuestra parte", que debe solicitarse por correo electrónico a la dirección que el acuerdo indica. Así pues, la situación práctica para un equipo se resume en dos líneas en lugar de una: los pesos son descargables, inspeccionables, cuantizables y ajustables con fine-tuning, y lanzar un producto basado en ellos requiere hablar primero con Aliba​ba.

Tres condiciones adicionales acompañan a la redistribución y son fáciles de pasar por alto cuando la licencia se resume como «no comercial». Debe entregar una copia del acuerdo a cualquier persona a la que redistribuya el material. Los archivos modificados deben llevar avisos destacados de que han sido modificados. Y cualquier copia distribuida debe conservar literalmente el texto del aviso que especifica el acuerdo, atribuyendo el material a Hangzhou Tongyi Laboratory Technology Co., Ltd. Junto a ellas hay dos reglas de uso: si utiliza el modelo o sus resultados para entrenar, ajustar o mejorar un modelo de IA que después distribuya, deberá mostrar de forma destacada «Built with Qw​en» o «Improved using Qw​en» en la documentación del producto; y no puede utilizar «Qw​en» como nombre principal o identificador de una obra derivada, aunque sí se permite un uso descriptivo como «fine-tuned from Qw​en Image». La legislación aplicable es la china, con jurisdicción exclusiva en los Tribunales Populares de Hangzhou.

Merece la pena hacer una comparación, porque es donde la familia se ha movido y no donde empezó. Las versiones anteriores de Qwen-Image tienen licencias permisivas: las tarjetas de modelo de Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered y Qwen-Image-2512 todas llevan apache-2.0 según lo leído el 13 de octubre de 2026, sin restricción comercial. Qwen-Image 2.1 es la ruptura de ese patrón. Las licencias ya concedidas no cambian retroactivamente, así que esos checkpoints anteriores siguen siendo utilizables en sus términos originales — pero cualquiera que planee un pipeline comercial asumiendo que el modelo de imagen Qw​en más reciente será permisivo debería leer esto antes del próximo lanzamiento, no después.

Qué entra y qué sale

La superficie de entrada es más amplia que la de un modelo de texto a imagen, y la superficie de salida incluye algo que la mayoría de los modelos de imagen no producen en absoluto. Según la ficha del modelo y el repositorio del proveedor:

• Solo texto — un prompt genera una imagen. La conversión de texto a imagen es el modo predeterminado; no hay un checkpoint T2I independiente que elegir.

• Una imagen más un prompt — la llamada de edición estándar, que pasa la imagen junto con una instrucción.

• Hasta 10 imágenes de referencia — los ejemplos del proveedor combinan seis retratos en una sola fotografía de grupo, cinco fotos de producto en un solo conjunto y diez imágenes de mobiliario en una única estancia. Esta es la capacidad para la que está optimizada la arquitectura.

• Control de edición local, tres maneras — círculos dibujados sobre la imagen (varias regiones identificables a la vez por color), anotaciones pintadas, o una máscara separada suministrada como su propia entrada para que la fotografía original permanezca sin marcar.

• Transparencia en ambos sentidos — generar una imagen RGBA directamente a partir de un prompt usando el formato de prompt recomendado por el proveedor, editar dentro de una capa transparente, incluido el texto, y extraer un sujeto de una fotografía RGB corriente como una capa RGBA.

• Envolvente de tamaño — 2K nativo, con valor predeterminado de 2048×2048, y siete ajustes preestablecidos publicados: 1:1 en 2048×2048, 4:3 en 2400×1792, 3:4 en 1792×2400, 3:2 en 2528×1696, 2:3 en 1696×2528, 16:9 en 2752×1536 y 9:16 en 1536×2752.

• Salida — todos los ejemplos en el propio código del proveedor escriben PNG, y la ruta transparente escribe RGBA con un canal alfa real. No se publica ninguna enumeración aparte de formatos de salida, por lo que PNG es lo que produce la ruta documentada, y no un límite demostrado.

Hay dos ausencias que conviene señalar en lugar de dejar que el lector las descubra. La ficha no publica ninguna longitud máxima de prompt para Qwen-Image 2.1 — la cifra de entrada de 4,5 k tokens corresponde a Qwen-Image 3.0 y no debería trasladarse. No hay un precio publicado para los pesos abiertos, porque no hay una tarifa por imagen alojada asociada a la descarga; el coste corre por cuenta de tu propio cómputo. Las APIs alojadas Pro y Turbo en Model Studio son una vía comercial aparte, y el material que pudimos leer indica que los detalles de acceso y uso están en las páginas de consola del proveedor, no en las notas públicas de lanzamiento.

Renderizado y edición de texto, en palabras del propio proveedor

Las afirmaciones del proveedor para este lanzamiento son cualitativas y vale la pena citarlas como afirmaciones en lugar de como mediciones. En cuanto al texto, el blog dice que el renderizado "considera no solo el contenido en sí, sino también los estilos tipográficos, el diseño y su relación con la composición general", y lo ilustra con cuatro ejemplos. En cuanto a la edición, las cuatro mejoras declaradas son múltiples imágenes de referencia, edición local, preservación de la fidelidad para personas y productos, y cobertura de tareas —con panoramas generados a partir de una sola selfi, infografías ampliadas a partir de la fotografía de un producto, y una referencia de personaje de tres vistas convertida en un storyboard. La identidad del retrato y la consistencia del producto son las dos afirmaciones de fidelidad que nombra explícitamente.

Lo que no se publica importa igual. No hay ninguna tabla numérica de referencia para Qwen-Image 2.1 en el material del proveedor: el blog muestra una comparación de Qwen-Image-Bench como una imagen, sin cifras escritas en el texto, y el repositorio no publica ninguna tabla de evaluación. Así que no hay ninguna cifra reportada por el proveedor para este modelo que podamos etiquetar como reportada por el proveedor. Tampoco estamos publicando una cifra independiente: el modelo sí aparece en arenas de imágenes de terceros, pero hoy no pudimos reverificar una puntuación actual del tablero, y una cifra de clasificación que no podemos volver a comprobar no es digna de ponerla en manos de un lector. Trata la cuestión del renderizado de texto como abierta, y ten en cuenta que las afirmaciones más contundentes del propio proveedor sobre texto —la cifra de 10 px, los 12 idiomas— pertenecen a Qwen-Image 3.0, no a este modelo.

Dónde están los pesos y en qué formatos

Los pesos se publican en dos lugares, ambos de primera parte: Hugging Face en Qwen/Qwen-Image-2.1 y ModelScope en la ruta correspondiente de la organización Qw​en, junto con un Space de demostración alojado. El repositorio de Hugging Face indica un total de 33.1 GB, y el desglose es la parte práctica:

• Transformer — dos fragmentos de safetensors en BF16, de aproximadamente 9,97 GB y 4,26 GB, con un archivo de índice.

• Codificador de texto — cuatro fragmentos de safetensors BF16 que suman aproximadamente 17,5 GB, por lo que el codificador Qwen3-VL 8B se describe arriba como la mitad más grande de la descarga.

• VAE — un único archivo safetensors de 1,35 GB que contiene el autoencoder RGBA.

• Disposición de Diffusers — el repositorio es una versión en formato Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), que es lo que hace que la importación del pipeline a continuación sea de una sola línea.

• Un segundo empaquetado para ComfyUI — Comfy-Org/Qwen-Image-2.1 reempaqueta el mismo modelo como componentes de archivo único: variantes bf16 e int8 del modelo de difusión, el VAE, el codificador de texto Qwen3-VL 8B en bf16, int8 y w4a8, los dos codificadores de reescritura de prompts, un Turbo LoRA y un parche ControlNet-Union. Si piensas ejecutar esto en ComfyUI en lugar de en Python, ese repositorio, y no el principal, es lo que descargas.

Para ponerlo en perspectiva, la propia página de Hugging Face reportó 142.375 descargas en el último mes a fecha de 13 de octubre de 2026 — una cifra servida por la plataforma de alojamiento, no una afirmación de Alibaba sobre la adopción.

Cómo ejecutarlo hoy

Esta es la parte de la historia de Qwen-Image 2.1 que es genuinamente inusual: el soporte de ejecución documentado llegó junto con los pesos, en lugar de meses después, así que la cuestión no es si puedes servirlo, sino cuál de varias rutas compatibles ya tienes.

• Diffusers (la ruta recomendada por el proveedor) — QwenImage21Pipeline cargado desde Qwen/Qwen-Image-2.1 en BF16, con transformers>=5.17, torch>=2.4 y Diffusers instalado desde el código fuente. El checkpoint Turbo se carga a través de la misma clase de pipeline.

• ComfyUI — soporte nativo Day-0, con flujos de trabajo de plantilla publicados para texto a imagen y para edición de imágenes, usando los pesos de Comfy-Org anteriores.

• vLLM-Omni — scripts sin conexión y servicio en línea de estilo OpenAPI (vllm serve … --omni), con ejecución paso a paso, caché KV de prefijo, decodificación con CUDA Graph, cuantización FP8 y paralelismo TP/Ulysses documentados.

• SGLang — compatibilidad nativa desde el día 0 a través de sglang generate, que añade un argumento --image-path para la edición, con opciones de paralelismo y offload.

• LightX2V — Rutas de aceleración Day-0 mantenidas por el proyecto ModelTC.

• Hardware que no es NVIDIA — una vía de AMD Radeon a través de ROCm, PyTorch y Diffusers, y una ruta de FlagOS que abarca ocho plataformas de chips mediante imágenes precompiladas y pesos publicados en ModelScope.

Un accesorio forma efectivamente parte de la instalación si te importa la calidad de salida: la versión incluye dos checkpoints de reescritura de prompts, Qwen-Image-2.1-PE-T2I y Qwen-Image-2.1-PE-I2I, ambos modelos Qwen3.5-VL 9B con ajuste fino, con el código de reescritura y los prompts del sistema publicados en el repositorio. El proveedor recomienda reescribir los prompts cortos para convertirlos en detallados en lugar de llamar directamente al modelo de imágenes.

Si prefiere no mantener en absoluto una pila de 33 GB en memoria, los endpoints de Model Studio Pro y Turbo son la ruta servida y están activos desde el 9 de octubre de 2026. No publicamos una tarifa por imagen para ellos, porque las notas públicas de lanzamiento que pudimos leer no publican ninguna.

Dónde te deja esto

Dicho sin rodeos, porque es el hecho que decide la mayoría de las evaluaciones: OrcaRouter no enruta Qwen-Image 2.1 ni ningún modelo Qwen-Image. Consultamos nuestra propia lista de modelos activos el 13 de octubre de 2026 y no aparece en ella. Si lo que te convenció fueron los pesos abiertos, las rutas son una descarga autoalojada o la API alojada del propio proveedor — no nosotros.

Lo que sí tenemos es la forma general del problema que este modelo crea para un equipo que quiere probarlo. Qwen-Image 2.1 es incómodo de una manera concreta: genuinamente capaz según las especificaciones publicadas, genuinamente restringido por su licencia para cualquier uso comercial, y lo bastante pesado como para que el autoalojamiento sea un proyecto y no una tarde. Ese es el argumento para no ponerlo en una ruta de producción desde el primer día. OrcaRouter ofrece más de 200 modelos detrás de un único endpoint compatible con OpenAI al precio de lista del proveedor y sin margen añadido, con conmutación por error automática entre proveedores y un DSL de enrutamiento que te permite componer varios modelos en una sola llamada, de modo que un checkpoint con licencia de investigación que aún estás evaluando pueda situarse junto a un modelo en el que ya confías en lugar de reemplazarlo. La fusión de modelos lleva la misma idea más lejos, permitiendo que un panel de modelos responda al mismo prompt para que la comparación ocurra con tus propias entradas en lugar de con la galería de ejemplos de un proveedor.

Tres lectores, tres respuestas distintas. Si vas a construir con fines comerciales, la licencia lo es todo en la decisión y dice que no sin una negociación: inicia esa conversación o elige un checkpoint Apache-2.0 de la misma familia. Si investigas, haces ajuste fino o necesitas recursos transparentes y más de tres imágenes de referencia, este es el modelo con el que actualmente se mide el resto del nivel abierto, y el soporte de runtime desde el día cero hace que el trabajo de integración sea mínimo. Si necesitas imágenes de producción cargadas de texto y prefieres no ejecutar nada por tu cuenta, el modelo cerrado Qwen-Image 3.0 y el endpoint Pro alojado son la respuesta del propio proveedor para eso, y la clasificación de hasta dónde ha llegado exactamente el renderizado de texto de este modelo sigue siendo una cuestión abierta sin ninguna cifra publicada que la respalde.