Qwen-Image 2.1 : ce qu'est réellement le modèle d'images à poids ouverts de 7B

Qwen-Image 2.1 est le modèle que les gens recherchent par son nom et qui ne mène actuellement à rien. C'est le modèle open-weights de génération d'images à partir de texte et d'édition d'images d'Alibaba, publié le 20 septembre 2026, et l'essentiel de la confusion qui l'entoure est structurel : il est plus récent que Qwen-Image 3.0, que la même équipe a livré le 21 juillet 2026, et plus ancien que Qwen-Image 2.1 Turbo, le checkpoint accéléré qui a suivi le 9 octobre 2026. Trois noms, une famille, trois produits réellement différents — et les numéros de version ne les classent correctement dans aucun ordre.

Cette page est la référence pour le modèle lui-même : ce qu'il est, ce qu'il accepte et ce qu'il renvoie, ce que sa licence autorise réellement, où se trouvent les poids, et sur quoi il est documenté comme pouvant fonctionner. La version a 23 jours au moment de la rédaction ; considérez-la donc comme le fait qui date le modèle plutôt que comme une actualité — la question à laquelle il vaut la peine de répondre est celle, constante, que se pose un lecteur lorsqu'il tape le nom même du modèle.

Les trois produits d'image Qwen, gardés à part

Presque toutes les attentes erronées concernant Qwen-Image 2.1 viennent du fait que l'on considère cette famille comme une seule et même séquence. Ce n'est pas le cas. Les trois produits actuels se situent à des points différents, tant sur le plan des capacités que de l'accès :

• Qwen-Image 2.1 — un seul modèle assurant à la fois la génération d'images à partir de texte et l'édition d'images, avec 7 milliards de paramètres dans son composant de génération visuelle et 32 couches DiT à flux unique, publié en poids ouverts sous licence de recherche. Sorti le 20 septembre 2026.

• Qwen-Image 2.1 Turbo — la même architecture de génération visuelle 7B et les mêmes préréglages de résolution, publiée sous la forme d'un point de contrôle accéléré distinct le 9 octobre 2026, qui débruite en 8 étapes au lieu de 40, avec un CFG par défaut à 1 et son calendrier d'échantillonnage recommandé enregistré dans le point de contrôle. Il s'agit d'une variante de vitesse, et non d'un niveau de capacité.

• Qwen-Image 3.0 — le modèle de troisième génération du 21 juillet 2026, et le modèle fermé. Il n'existe aucun dépôt de poids pour lui sur Hugging Face ou ModelScope, et sa documentation de lancement ne publie ni nombre de paramètres ni licence. Ses affirmations phares portent sur la densité de texte et de connaissances — des invites allant jusqu'à 4,5 k tokens, du texte aussi petit que 10 px rendu lisiblement, 12 langues, plus de 100 styles artistiques — et elles sont celles du fournisseur, non reproduites ici. Si ce dont vous avez besoin est le meilleur rendu de texte de la famille, c'est l'argument de la 3.0 ; si ce dont vous avez besoin est d'exécuter le modèle vous-même, la 3.0 n'est pas une option du tout.

Une quatrième chose mérite d'être distinguée, car elle partage le nom 2.1 : depuis le 9 octobre 2026, la liste d'actualités du fournisseur présente les API hébergées Qwen-Image-2.1 Pro et Turbo comme officiellement en ligne sur Aliba​ba Cloud Model Studio. Il s'agit d'une voie de service pour le même modèle, et non d'un quatrième modèle.

Ce que c'est sous le capot

L'architecture, telle que publiée sur la fiche modèle et le dépôt du fournisseur, est compacte selon les standards du domaine actuel de l'image et s'articule autour d'une seule idée : rendre l'édition multi-images peu coûteuse.

• Transformer — 32 couches, 7 milliards de paramètres, DiT à flux unique avec attention causale par blocs. Le texte, y compris le préfixe système et les instructions d'édition, applique un masque causal au niveau des tokens ; la génération d'images applique un masque bidirectionnel au niveau des segments.

• Encodeur de texte — Qwen3-VL 8B, un modèle vision-langage qui encode à la fois l'instruction textuelle et toute image de condition en une seule représentation. Dans le téléchargement publié, il constitue la moitié la plus volumineuse de la pile.

• VAE — un autoencodeur RGBA à 64 canaux avec une compression spatiale 16×, d'où provient la transparence native plutôt que d'un post-traitement.

• Planificateur — Flow Matching avec planification discrète d'Euler et décalage dynamique ; 40 étapes de débruitage par défaut sur le checkpoint de base.

Cette séparation à granularité mixte constitue l’argument d’efficacité. Les images d’entrée et les instructions sont calculées une fois lors de la première étape de débruitage, puis réutilisées comme contexte de préfixe mis en cache, de sorte que l’ajout d’images de référence coûte moins cher que dans une conception qui réencode tout à chaque étape.

La licence, exactement telle que publiée

C'est la partie que la plupart des résumés ratent, dans les deux sens. Qwen-Image 2.1 n'est pas open source au sens permissif, et il n'est pas fermé non plus. La fiche Hugging Face le classe license: other avec license_name: qwen-research, et le fichier LICENSE du dépôt est le Qw​en Research License Agreement, daté du 20 septembre 2026. Lu le 13 octobre 2026, sa clause opératoire accorde une

• licence limitée non exclusive, mondiale, non transférable et exempte de redevances d'utiliser, reproduire, distribuer, copier, créer des œuvres dérivées des matériaux et les modifier — à des fins non commerciales uniquement.

L’accord définit « Non-Commercial » de manière restrictive, comme à des fins de recherche ou d’évaluation uniquement, et encadre explicitement tout le reste : vous « ne devez pas utiliser les Matériels à des fins commerciales sans obtenir de notre part une licence commerciale distincte », à demander par e-mail à l’adresse indiquée dans l’accord. Donc, dans la pratique, la position pour une équipe tient en deux lignes plutôt qu’une : les poids sont téléchargeables, inspectables, quantifiables et peuvent faire l’objet d’un ajustement fin, et commercialiser un produit basé sur eux nécessite au préalable une conversation avec Aliba​ba.

Trois autres conditions accompagnent la redistribution et sont faciles à manquer lorsque la licence est résumée par « non commercial ». Vous devez transmettre une copie de l’accord à toute personne à qui vous redistribuez. Les fichiers modifiés doivent porter des mentions bien visibles indiquant qu’ils ont été modifiés. Et toute copie distribuée doit conserver mot pour mot le texte de mention spécifié par l’accord, en attribuant le matériel à Hangzhou Tongyi Laboratory Technology Co., Ltd. À côté de celles-ci figurent deux règles d’utilisation : si vous utilisez le modèle ou ses sorties pour entraîner, affiner ou améliorer un modèle d’IA que vous distribuez ensuite, vous devez afficher de manière bien visible « Construit avec Qw​en » ou « Amélioré à l’aide de Qw​en » dans la documentation du produit ; et vous ne pouvez pas utiliser « Qw​en » comme nom principal ou identifiant d’une œuvre dérivée, bien qu’un usage descriptif tel que « affiné à partir de Qw​en Image » soit autorisé. Le droit applicable est le droit chinois, avec compétence exclusive des tribunaux populaires de Hangzhou.

Une comparaison mérite d'être faite, car c'est là où la famille a évolué plutôt que là où elle a commencé. Les versions antérieures de Qwen-Image sont sous licence permissive : les fiches de modèle de Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered et Qwen-Image-2512 portent toutes apache-2.0 tel que lu le 13 octobre 2026, sans restriction commerciale. Qwen-Image 2.1 est la rupture dans ce schéma. Les licences déjà accordées ne changent pas rétroactivement, donc ces points de contrôle antérieurs restent utilisables selon leurs conditions d'origine — mais quiconque prévoit un pipeline commercial en partant du principe que le plus récent modèle d'image Qw​en sera permissif devrait lire ceci avant la prochaine version, et non après.

Ce qui entre, et ce qui sort

La surface d’entrée est plus large que celle d’un modèle texte-image, et la surface de sortie inclut quelque chose que la plupart des modèles d’image ne produisent pas du tout. D’après la fiche modèle et le dépôt du fournisseur :

• Texte uniquement — un prompt génère une image. Le texte-vers-image est le mode par défaut ; il n'y a pas de checkpoint T2I distinct à choisir.

• Une image plus un prompt — l'appel d'édition standard, transmettant l'image avec une instruction.

• Jusqu'à 10 images de référence — les exemples fournis par le vendeur combinent six portraits en une seule photo de groupe, cinq photos de produit en une seule tenue, et dix images d'ameublement en une seule pièce. C'est la capacité pour laquelle cette architecture est optimisée.

• Contrôle de l'édition locale, de trois manières — des cercles tracés sur l'image (plusieurs régions identifiables à la fois par leur couleur), des annotations peintes, ou un masque distinct fourni comme entrée à part, afin que la photographie d'origine reste intacte.

• Transparence dans les deux sens — générer une image RGBA directement à partir d'un prompt en utilisant le format de prompt recommandé par le fournisseur, effectuer des modifications à l'intérieur d'un calque transparent, y compris du texte, et extraire un sujet d'une photographie RGB ordinaire sous forme de calque RGBA.

• Plage de tailles — 2K natif, par défaut 2048×2048, avec sept préréglages publiés : 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 et 9:16 en 1536×2752.

• Sortie — chaque exemple dans le code du fournisseur lui-même écrit du PNG, et le chemin transparent écrit du RGBA avec un véritable canal alpha. Aucune énumération distincte des formats de sortie n'est publiée ; le PNG est donc ce que produit le chemin documenté, plutôt qu'une limite démontrée.

Deux absences méritent d'être signalées plutôt que laissées à la découverte du lecteur. La fiche ne publie aucune longueur maximale de prompt pour Qwen-Image 2.1 — le chiffre de 4,5 k tokens en entrée appartient à Qwen-Image 3.0 et ne doit pas être transposé. Et il n'y a pas de prix publié pour les poids ouverts, car aucun tarif hébergé par image n'est associé au téléchargement ; le coût correspond à votre propre puissance de calcul. Les API Pro et Turbo hébergées sur Model Studio constituent une voie commerciale distincte, et les documents que nous avons pu lire indiquent que les détails d'accès et d'utilisation figurent sur les pages de la console du fournisseur plutôt que dans les notes de lancement publiques.

Rendu et édition de texte, dans les propres mots du fournisseur

Les affirmations du fournisseur pour cette version sont qualitatives et méritent d’être citées en tant qu’affirmations plutôt qu’en tant que mesures. S’agissant du texte, le blog indique que le rendu « prend en compte non seulement le contenu lui-même, mais aussi les styles typographiques, la mise en page et leur relation avec la composition d’ensemble », et l’illustre par quatre exemples. S’agissant de l’édition, les quatre améliorations annoncées sont plusieurs images de référence, l’édition locale, la préservation de la fidélité pour les personnes et les produits, et la couverture des tâches — avec des panoramas générés à partir d’un simple selfie, des infographies étendues à partir d’une photographie de produit, et une référence de personnage sous trois vues transformée en storyboard. L’identité du portrait et la cohérence du produit sont les deux affirmations de fidélité qu’il nomme explicitement.

Ce qui n’est pas publié compte tout autant. Il n’existe aucun tableau de référence numérique pour Qwen-Image 2.1 dans la documentation du fournisseur : le blog présente une comparaison Qwen-Image-Bench sous forme d’image, sans aucun chiffre écrit dans le texte, et le dépôt ne publie absolument aucun tableau d’évaluation. Il n’y a donc aucun chiffre rapporté par le fournisseur pour ce modèle que l’on puisse étiqueter comme tel. Nous ne publions pas non plus de chiffre indépendant : le modèle figure bien dans des arènes d’images tierces, mais nous n’avons pas pu revérifier aujourd’hui un score actuel du classement, et un chiffre de classement que nous ne pouvons pas revérifier ne mérite pas d’être présenté à un lecteur. Considérez la question du rendu de texte comme ouverte, et notez que les affirmations les plus fortes du fournisseur lui-même en matière de texte — le chiffre de 10px, les 12 langues — concernent Qwen-Image 3.0, et non ce modèle.

Où se trouvent les poids, et sous quels formats

Les poids sont publiés à deux endroits, tous deux officiels : Hugging Face sur Qwen/Qwen-Image-2.1 et ModelScope sur le chemin d'organisation Qw​en correspondant, avec un Space de démonstration hébergé à leurs côtés. Le dépôt Hugging Face affiche 33,1 Go au total, et la ventilation est la partie pratique :

• Transformer — deux fragments safetensors BF16, d'environ 9,97 Go et 4,26 Go, avec un fichier d'index.

• Encodeur de texte — quatre fragments safetensors BF16 totalisant environ 17,5 Go, c'est pourquoi l'encodeur Qwen3-VL 8B est décrit ci-dessus comme la moitié la plus volumineuse du téléchargement.

• VAE — un seul fichier safetensors de 1,35 Go contenant l'autoencodeur RGBA.

• Structure Diffusers — le dépôt est une version au format Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), ce qui fait que l'import du pipeline ci-dessous tient en une seule ligne.

• Un second empaquetage pour ComfyUI — Comfy-Org/Qwen-Image-2.1 réempaquette le même modèle sous forme de composants à fichier unique : variantes bf16 et int8 du modèle de diffusion, le VAE, l'encodeur de texte Qwen3-VL 8B en bf16, int8 et w4a8, les deux encodeurs de réécriture de prompt, un Turbo LoRA et un patch ControlNet-Union. Si vous comptez l'exécuter dans ComfyUI plutôt qu'en Python, c'est ce dépôt, et non le principal, que vous téléchargez.

Pour donner un ordre de grandeur, la page de Hugging Face elle-même indiquait 142 375 téléchargements au cours du dernier mois, en date du 13 octobre 2026 — un chiffre fourni par la plateforme d'hébergement, et non une affirmation d'Alibaba concernant l'adoption.

Comment l'exécuter aujourd'hui

Voici la partie de l’histoire de Qwen-Image 2.1 qui est vraiment inhabituelle : une prise en charge documentée du runtime est arrivée avec les poids, et non des mois plus tard, si bien que la question n’est pas de savoir si vous pouvez le servir, mais lequel, parmi plusieurs chemins pris en charge, vous avez déjà.

• Diffusers (la voie recommandée par le fournisseur) — QwenImage21Pipeline chargé depuis Qwen/Qwen-Image-2.1 en BF16, avec transformers>=5.17, torch>=2.4 et Diffusers installé depuis les sources. Le checkpoint Turbo se charge via la même classe de pipeline.

• ComfyUI — prise en charge native Day-0, avec des workflows modèles publiés pour la génération d'images à partir de texte et pour l'édition d'images, en utilisant les poids Comfy-Org ci-dessus.

• vLLM-Omni — scripts hors ligne et service en ligne de type OpenAPI (vllm serve … --omni), avec exécution pas à pas, mise en cache KV des préfixes, décodage CUDA Graph, quantification FP8 et parallélisme TP/Ulysses documentés.

• SGLang — Prise en charge native dès le jour 0 via sglang generate, ajout d'un --image-path pour l'édition, avec parallélisme et délestage.

• LightX2V — Chemins d’accélération Day-0 maintenus par le projet ModelTC.

• Matériel non NVIDIA — une voie AMD Radeon via ROCm, PyTorch et Diffusers, et une route FlagOS couvrant huit plateformes de puces grâce à des images et des poids préconstruits publiés sur ModelScope.

Un accessoire fait en réalité partie de l'installation si la qualité de sortie vous importe : la version est livrée avec deux checkpoints de réécriture de prompts, Qwen-Image-2.1-PE-T2I et Qwen-Image-2.1-PE-I2I, tous deux des modèles Qwen3.5-VL 9B affinés, avec le code de réécriture et les prompts système publiés dans le dépôt. Le fournisseur recommande de réécrire les prompts courts en prompts détaillés plutôt que d'appeler directement le modèle d'image.

Si vous préférez ne pas du tout garder une pile de 33 Go en mémoire, les points de terminaison Model Studio Pro et Turbo sont la voie servie, en service depuis le 9 octobre 2026. Nous n’affichons pas de tarif par image pour eux, car les notes de lancement publiques que nous avons pu lire n’en publient aucun.

Où cela vous laisse

Pour le dire clairement, car c'est le fait qui détermine la plupart des évaluations : OrcaRouter ne route pas Qwen-Image 2.1 ni aucun modèle Qwen-Image. Nous avons vérifié notre propre liste de modèles en direct le 13 octobre 2026, et il n'y figure pas. Si ce sont les poids ouverts qui vous ont convaincu, les voies d'accès sont un téléchargement auto-hébergé ou l'API hébergée du fournisseur lui-même — pas nous.

Ce que nous avons, en revanche, c'est la forme générale du problème que ce modèle pose à une équipe qui souhaite l'essayer. Qwen-Image 2.1 est délicat d'une manière bien particulière : réellement performant selon les spécifications publiées, réellement restreint par sa licence pour tout usage commercial, et suffisamment lourd pour que l'auto-hébergement soit un projet plutôt qu'un après-midi. C'est là une raison de ne pas le placer sur un chemin de production dès le premier jour. OrcaRouter place plus de 200 modèles derrière un seul point de terminaison compatible OpenAI, au prix catalogue du fournisseur sans marge, avec basculement automatique entre fournisseurs et un DSL de routage qui vous permet de composer plusieurs modèles en un seul appel, de sorte qu'un checkpoint sous licence de recherche que vous évaluez encore puisse côtoyer un modèle auquel vous faites déjà confiance plutôt que de le remplacer. La fusion de modèles pousse la même idée plus loin, en permettant à un panel de modèles de répondre au même prompt, afin que la comparaison se fasse sur vos propres entrées plutôt que sur la galerie d'exemples d'un fournisseur.

Trois lecteurs, trois réponses différentes. Si vous développez à des fins commerciales, tout se joue sur la licence, et elle refuse sans négociation — engagez cette discussion ou choisissez un checkpoint Apache-2.0 de la même famille. Si vous faites de la recherche, du fine-tuning, ou si vous avez besoin de ressources transparentes et de plus de trois images de référence, c'est le modèle auquel le reste du palier ouvert est actuellement comparé, et la prise en charge du runtime dès le jour zéro signifie que le travail d'intégration est minime. Si vous avez besoin d'images de production riches en texte et préférez ne rien exécuter vous-même, le Qwen-Image 3.0 fermé et le point de terminaison Pro hébergé sont la réponse du fournisseur lui-même à cette question, et la classification de l'ampleur exacte des progrès de ce modèle en matière de rendu de texte reste une question ouverte, sans aucun chiffre publié à l'appui.