Qwen-Image 2.1: Apa Sebenarnya Model Gambar 7B Open-Weights Itu

Qwen-Image 2.1 adalah model yang dicari orang berdasarkan namanya dan saat ini tidak mengarah ke apa pun. Ini adalah model text-to-image dan pengeditan gambar dengan bobot terbuka milik Alibaba, yang dirilis pada 20 September 2026, dan sebagian besar kebingungan di sekitarnya bersifat struktural: model ini lebih baru daripada Qwen-Image 3.0, yang dirilis oleh tim yang sama pada 21 Juli 2026, dan lebih lama daripada Qwen-Image 2.1 Turbo, checkpoint yang dipercepat yang menyusul pada 9 Oktober 2026. Tiga nama, satu keluarga, tiga produk yang benar-benar berbeda — dan nomor versinya tidak mengurutkan satu pun dari ketiganya dengan benar.

Halaman ini adalah rujukan untuk model itu sendiri: apa itu, apa yang diterima dan dikembalikannya, apa yang sebenarnya diizinkan oleh lisensinya, di mana bobotnya berada, dan apa yang didokumentasikan untuk menjalankannya. Rilis ini berusia 23 hari pada saat penulisan, jadi perlakukan itu sebagai fakta yang menentukan tanggal model, bukan sebagai berita — pertanyaan yang layak dijawab adalah pertanyaan yang sudah lama ada yang dimiliki pembaca saat mereka mengetikkan nama model itu sendiri.

Ketiga produk gambar Qw​en, dipisahkan

Hampir setiap ekspektasi yang keliru tentang Qwen-Image 2.1 berasal dari menganggap keluarga ini sebagai satu rangkaian tunggal. Padahal bukan. Tiga produk yang ada saat ini berada pada titik yang berbeda baik dalam hal kemampuan maupun akses:

• Qwen-Image 2.1 — satu model yang melakukan pembuatan gambar dari teks sekaligus pengeditan gambar, dengan 7 miliar parameter pada komponen pembuatan visualnya dan 32 lapisan DiT aliran tunggal, dipublikasikan sebagai bobot terbuka di bawah lisensi riset. Dirilis 20 September 2026.

• Qwen-Image 2.1 Turbo — arsitektur pembuatan visual 7B yang sama dan preset resolusi yang sama, dirilis sebagai checkpoint akselerasi terpisah pada 9 Oktober 2026 yang melakukan denoising dalam 8 langkah alih-alih 40, dengan CFG yang defaultnya 1 dan jadwal sampling yang direkomendasikan tersimpan di dalam checkpoint. Ini adalah varian kecepatan, bukan tingkat kemampuan.

• Qwen-Image 3.0 — model generasi ketiga dari 21 Juli 2026, dan yang bersifat tertutup. Tidak ada repositori bobot untuknya di Hugging Face maupun ModelScope, dan materi peluncurannya tidak memublikasikan jumlah parameter ataupun lisensi. Klaim utamanya adalah soal kepadatan teks dan pengetahuan — prompt hingga 4,5k token, teks sekecil 10px dirender dengan terbaca, 12 bahasa, lebih dari 100 gaya artistik — dan semuanya merupakan klaim pihak vendor sendiri, tidak direproduksi di sini. Jika yang Anda butuhkan adalah rendering teks terkuat di keluarga ini, itulah argumen 3.0; jika yang Anda butuhkan adalah menjalankan modelnya sendiri, 3.0 sama sekali bukan pilihan.

Hal keempat perlu dipisahkan karena berbagi nama 2.1: sejak 9 Oktober 2026 daftar berita vendor memuat API terkelola Qwen-Image-2.1 Pro dan Turbo sebagai resmi aktif di Aliba​ba Cloud Model Studio. Itu adalah jalur penyajian untuk model yang sama, bukan model keempat.

Apa yang ada di balik layar

Arsitektur tersebut, sebagaimana dipublikasikan pada kartu model dan repositori vendor, bersifat ringkas menurut standar bidang citra saat ini dan disusun di sekitar satu gagasan: membuat penyuntingan multi-gambar menjadi murah.

• Transformer — 32 lapisan, 7B parameter, DiT aliran tunggal dengan atensi kausal blok. Teks, termasuk prefiks sistem dan instruksi penyuntingan, menggunakan mask kausal tingkat token; pembuatan gambar menggunakan mask bidirectional tingkat chunk.

• Encoder teks — Qwen3-VL 8B, model bahasa-visual yang mengodekan instruksi teks dan gambar kondisi apa pun ke dalam satu representasi. Dalam unduhan yang dipublikasikan, ini adalah bagian yang lebih besar dari tumpukan.

• VAE — autoencoder RGBA 64 kanal dengan kompresi spasial 16×, dan dari situlah transparansi native berasal, bukan dari pascapemrosesan.

• Penjadwal — Flow Matching dengan penjadwalan diskret Euler dan pergeseran dinamis; 40 langkah denoising secara bawaan pada checkpoint dasar.

Pemisahan granularitas campuran itulah argumen efisiensinya. Gambar masukan dan instruksi dihitung sekali pada langkah denoising pertama dan setelah itu digunakan kembali sebagai konteks prefiks yang di-cache, sehingga menambahkan gambar referensi lebih murah daripada dalam desain yang mengenkode ulang semuanya pada setiap langkah.

Lisensi, persis seperti yang diterbitkan

Inilah bagian yang paling sering disalahpahami oleh sebagian besar ringkasan, dalam kedua arah. Qwen-Image 2.1 tidak bersifat open source dalam arti permisif, dan ia tidak tertutup juga. Kartu Hugging Face menandainya sebagai license: other dengan license_name: qwen-research, dan berkas LICENSE repositori tersebut adalah Qw​en Research License Agreement, tertanggal 20 September 2026. Dibaca pada 13 Oktober 2026, klausul operatifnya memberikan a

• lisensi terbatas non-eksklusif, berlaku di seluruh dunia, tidak dapat dialihkan, dan bebas royalti untuk menggunakan, memperbanyak, mendistribusikan, menyalin, membuat karya turunan dari, dan memodifikasi materi — hanya untuk tujuan non-komersial.

Perjanjian tersebut mendefinisikan "Non-Commercial" secara sempit, sebagai hanya untuk tujuan riset atau evaluasi, dan mengarahkan hal lainnya secara eksplisit: Anda "tidak boleh menggunakan Materi untuk tujuan komersial apa pun tanpa memperoleh lisensi komersial terpisah dari kami," yang diminta melalui email ke alamat yang disebutkan dalam perjanjian. Jadi posisi praktis bagi sebuah tim adalah dua jalur, bukan satu: bobotnya dapat diunduh, diperiksa, dikuantisasi, dan di-fine-tune, dan merilis produk yang dibangun di atasnya memerlukan percakapan dengan Aliba​ba terlebih dahulu.

Ada tiga syarat tambahan yang menyertai redistribusi dan mudah terlewat ketika lisensi diringkas sebagai "non-komersial". Anda harus memberikan salinan perjanjian kepada siapa pun yang menerima redistribusi dari Anda. File yang dimodifikasi harus memuat pemberitahuan yang mencolok bahwa file tersebut telah diubah. Dan setiap salinan yang didistribusikan harus mempertahankan teks pemberitahuan yang ditentukan oleh perjanjian secara kata per kata, dengan mengatribusikan materi tersebut kepada Hangzhou Tongyi Laboratory Technology Co., Ltd. Di samping itu terdapat dua aturan penggunaan: jika Anda menggunakan model atau output-nya untuk melatih, menyetel halus, atau meningkatkan model AI yang kemudian Anda distribusikan, Anda harus menampilkan secara mencolok "Built with Qw​en" atau "Improved using Qw​en" dalam dokumentasi produk; dan Anda tidak boleh menggunakan "Qw​en" sebagai nama utama atau pengenal karya turunan, meskipun penggunaan deskriptif seperti "fine-tuned from Qw​en Image" diperbolehkan. Hukum yang berlaku adalah hukum Tiongkok, dengan yurisdiksi eksklusif di Pengadilan Rakyat di Hangzhou.

Satu perbandingan layak dilakukan, karena inilah titik di mana keluarga ini telah bergerak, bukan titik awalnya memulai. Rilisan Qwen-Image yang lebih awal memiliki lisensi permisif: kartu model untuk Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered dan Qwen-Image-2512 semuanya mencantumkan apache-2.0 sebagaimana dibaca pada 13 Oktober 2026, tanpa pembatasan komersial. Qwen-Image 2.1 adalah pemutus pola tersebut. Lisensi yang sudah diberikan tidak berubah secara retroaktif, sehingga checkpoint yang lebih awal itu tetap dapat digunakan berdasarkan ketentuan aslinya — tetapi siapa pun yang merencanakan pipeline komersial dengan asumsi bahwa model gambar Qw​en terbaru akan bersifat permisif harus membaca ini sebelum rilis berikutnya, bukan setelahnya.

Apa yang masuk, dan apa yang keluar

Permukaan inputnya lebih luas daripada model text-to-image, dan permukaan outputnya mencakup sesuatu yang tidak dihasilkan sama sekali oleh sebagian besar model gambar. Menurut kartu model dan repositori vendor:

• Hanya teks — sebuah prompt menghasilkan gambar. Text-to-image adalah mode default; tidak ada checkpoint T2I terpisah untuk dipilih.

• Satu gambar ditambah sebuah prompt — panggilan pengeditan standar, meneruskan gambar bersama instruksi.

• Hingga 10 gambar referensi — contoh dari vendor menggabungkan enam potret menjadi satu foto kelompok, lima foto produk menjadi satu set pakaian, dan sepuluh gambar perabot menjadi satu ruangan. Inilah kemampuan yang dioptimalkan oleh arsitektur ini.

• Kontrol penyuntingan lokal, tiga cara — lingkaran yang digambar pada gambar (beberapa wilayah dapat diidentifikasi sekaligus berdasarkan warna), anotasi yang dilukis, atau mask terpisah yang disediakan sebagai input tersendiri sehingga foto aslinya tetap tidak ditandai.

• Transparansi di kedua arah — menghasilkan gambar RGBA langsung dari sebuah prompt menggunakan format prompt yang direkomendasikan vendor, mengedit di dalam lapisan transparan termasuk teks, dan mengekstraksi subjek dari foto RGB biasa sebagai lapisan RGBA.

• Rentang ukuran — native 2K, dengan default 2048×2048, serta tujuh preset yang dipublikasikan: 1:1 pada 2048×2048, 4:3 pada 2400×1792, 3:4 pada 1792×2400, 3:2 pada 2528×1696, 2:3 pada 1696×2528, 16:9 pada 2752×1536 dan 9:16 pada 1536×2752.

• Keluaran — setiap contoh dalam kode milik vendor sendiri menulis PNG, dan jalur transparan menulis RGBA dengan kanal alfa yang nyata. Tidak ada enumerasi format keluaran terpisah yang diterbitkan, jadi PNG adalah apa yang dihasilkan oleh jalur yang terdokumentasi, bukan batas yang terbukti.

Ada dua hal yang tidak ada yang perlu dinyatakan, bukan dibiarkan ditemukan sendiri oleh pembaca. Kartu tersebut tidak mencantumkan panjang prompt maksimum untuk Qwen-Image 2.1 — angka input 4,5k token adalah milik Qwen-Image 3.0 dan tidak boleh dibawa ke sini. Dan tidak ada harga yang dipublikasikan untuk bobot terbuka, karena tidak ada tarif per gambar yang dihosting yang dikaitkan dengan unduhan; biayanya adalah komputasi Anda sendiri. API Pro dan Turbo yang dihosting di Model Studio adalah jalur komersial terpisah, dan materi yang dapat kami baca menyatakan bahwa detail akses dan penggunaan ada di halaman konsol vendor, bukan di catatan peluncuran publik.

Rendering dan pengeditan teks, dalam kata-kata vendor sendiri

Klaim vendor untuk rilis ini bersifat kualitatif dan layak dikutip sebagai klaim, bukan sebagai pengukuran. Soal teks, blog tersebut mengatakan rendering "mempertimbangkan tidak hanya kontennya sendiri, tetapi juga gaya tipografi, tata letak, dan hubungannya dengan komposisi secara keseluruhan," dan mengilustrasikannya dengan empat contoh. Soal penyuntingan, empat peningkatan yang disebutkan adalah beberapa gambar referensi, penyuntingan lokal, pemeliharaan fidelitas untuk orang dan produk, serta cakupan tugas — dengan panorama yang dihasilkan dari satu selfie, infografik yang diperluas dari foto produk, dan referensi karakter tiga tampilan yang diubah menjadi storyboard. Identitas potret dan konsistensi produk adalah dua klaim fidelitas yang disebutkan secara eksplisit.

Apa yang tidak dipublikasikan sama pentingnya. Tidak ada tabel tolok ukur numerik untuk Qwen-Image 2.1 dalam materi vendor: blog tersebut menampilkan perbandingan Qwen-Image-Bench sebagai gambar tanpa angka yang dituliskan dalam teks, dan repositori tidak mempublikasikan tabel evaluasi sama sekali. Jadi tidak ada angka yang dilaporkan vendor untuk model ini yang bisa dilabeli sebagai dilaporkan vendor. Kami juga tidak mencetak angka independen: model ini memang muncul di arena gambar pihak ketiga, tetapi kami tidak dapat memverifikasi ulang skor papan peringkat terkini hari ini, dan angka papan peringkat yang tidak dapat kami periksa ulang bukanlah angka yang layak diserahkan kepada pembaca. Perlakukan pertanyaan rendering teks sebagai masih terbuka, dan catat bahwa klaim teks terkuat milik vendor sendiri — angka 10px, 12 bahasa — adalah milik Qwen-Image 3.0, bukan model ini.

Di mana bobot berada, dan dalam format apa

Bobotnya dipublikasikan di dua tempat, keduanya pihak pertama: Hugging Face di Qwen/Qwen-Image-2.1 dan ModelScope di jalur organisasi Qwen yang sesuai, dengan Space demo yang dihosting di sampingnya. Repositori Hugging Face menunjukkan total 33,1 GB, dan rinciannya adalah bagian yang praktis:

• Transformer — dua shard safetensors BF16, sekitar 9,97 GB dan 4,26 GB, dengan file indeks.

• Encoder teks — empat shard safetensors BF16 dengan total sekitar 17,5 GB, itulah sebabnya encoder Qwen3-VL 8B di atas digambarkan sebagai bagian yang lebih besar dari unduhan.

• VAE — satu file safetensors berukuran 1,35 GB yang memuat autoencoder RGBA.

• Tata letak Diffusers — repositori ini adalah rilis berformat Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), yang membuat impor pipeline di bawah ini cukup satu baris.

• Kemasan kedua untuk ComfyUI — Comfy-Org/Qwen-Image-2.1 mengemas ulang model yang sama sebagai komponen berkas tunggal: varian bf16 dan int8 dari model difusi, VAE, encoder teks Qwen3-VL 8B dalam bf16, int8 dan w4a8, dua encoder penulis ulang prompt, Turbo LoRA, dan patch ControlNet-Union. Jika Anda berniat menjalankan ini di ComfyUI alih-alih di Python, repositori itulah, bukan repositori utama, yang Anda unduh.

Sebagai gambaran skalanya, halaman Hugging Face sendiri melaporkan 142.375 unduhan dalam sebulan terakhir per 13 Oktober 2026 — angka yang disajikan platform dari situs hosting tersebut, bukan klaim dari Alibaba tentang adopsi.

Cara menjalankannya hari ini

Inilah bagian dari kisah Qwen-Image 2.1 yang benar-benar tidak biasa: dukungan runtime yang terdokumentasi tiba bersama bobotnya, bukan berbulan-bulan setelahnya, jadi pertanyaannya bukan apakah Anda dapat menyajikannya, melainkan jalur mana dari beberapa jalur yang didukung yang sudah Anda miliki.

• Diffusers (jalur yang direkomendasikan vendor) — QwenImage21Pipeline dimuat dari Qwen/Qwen-Image-2.1 dalam BF16, dengan transformers>=5.17, torch>=2.4 dan Diffusers yang diinstal dari sumber. Checkpoint Turbo dimuat melalui kelas pipeline yang sama.

• ComfyUI — dukungan native Day-0, dengan alur kerja templat yang dipublikasikan untuk teks-ke-gambar dan untuk pengeditan gambar, menggunakan bobot Comfy-Org di atas.

• vLLM-Omni — skrip offline dan layanan online bergaya OpenAPI (vllm serve … --omni), dengan eksekusi bertahap, cache KV prefiks, dekode CUDA Graph, kuantisasi FP8, dan paralelisme TP/Ulysses yang didokumentasikan.

• SGLang — Dukungan native Day-0 melalui sglang generate, menambahkan argumen --image-path untuk pengeditan, dengan opsi paralelisme dan offload.

• LightX2V — Jalur akselerasi Day-0 yang dikelola oleh proyek ModelTC.

• Perangkat keras non-NVIDIA — jalur AMD Radeon melalui ROCm, PyTorch, dan Diffusers, serta rute FlagOS yang mencakup delapan platform chip melalui image dan bobot pra-bangun yang dipublikasikan di ModelScope.

Satu aksesori sebenarnya merupakan bagian dari instalasi jika Anda peduli dengan kualitas keluaran: rilis ini menyertakan dua checkpoint penulisan ulang prompt, Qwen-Image-2.1-PE-T2I dan Qwen-Image-2.1-PE-I2I, keduanya model Qwen3.5-VL 9B yang telah di-fine-tune, dengan kode penulisan ulang dan prompt sistem yang dipublikasikan di repositori. Pihak vendor merekomendasikan penulisan ulang prompt pendek menjadi prompt yang terperinci alih-alih memanggil model gambar secara langsung.

Jika Anda lebih memilih untuk sama sekali tidak menyimpan stack 33 GB di memori, endpoint Model Studio Pro dan Turbo adalah jalur yang dilayani, aktif sejak 9 Oktober 2026. Kami tidak mencantumkan tarif per gambar untuk keduanya, karena catatan peluncuran publik yang dapat kami baca tidak memuat tarif tersebut.

Ke mana ini membawamu

Dinyatakan secara gamblang, karena fakta inilah yang menentukan sebagian besar evaluasi: OrcaRouter tidak merutekan Qwen-Image 2.1 atau model Qwen-Image mana pun. Kami memeriksa daftar model live kami sendiri pada 13 Oktober 2026 dan model itu tidak ada di dalamnya. Jika bobot terbukanya yang meyakinkan Anda, rutenya adalah unduhan yang dihosting sendiri atau API yang dihosting vendor sendiri — bukan kami.

Yang kita miliki adalah gambaran umum dari masalah yang diciptakan model ini bagi tim yang ingin mencobanya. Qwen-Image 2.1 canggung dengan cara yang spesifik: benar-benar mumpuni pada spesifikasi yang dipublikasikan, benar-benar dibatasi oleh lisensinya untuk hal apa pun yang bersifat komersial, dan cukup berat sehingga self-hosting menjadi sebuah proyek, bukan sekadar pekerjaan satu sore. Itulah argumennya untuk tidak menempatkannya di jalur produksi sejak hari pertama. OrcaRouter menyajikan 200+ model di balik satu endpoint yang kompatibel dengan OpenAI dengan harga daftar penyedia tanpa markup, dengan failover otomatis antar penyedia dan DSL peruteanyang memungkinkan Anda menyusun beberapa model ke dalam satu panggilan, sehingga checkpoint berlisensi riset yang masih Anda evaluasi dapat berdampingan dengan model yang sudah Anda percayai alih-alih menggantikannya. Model fusion membawa gagasan yang sama lebih jauh, memungkinkan panel model menjawab prompt yang sama sehingga perbandingannya terjadi pada input Anda sendiri, bukan pada galeri contoh vendor.

Tiga pembaca, tiga jawaban berbeda. Jika Anda membangun secara komersial, lisensi adalah seluruh keputusannya dan lisensi itu mengatakan tidak tanpa negosiasi — mulailah pembicaraan itu atau pilih checkpoint Apache-2.0 dari keluarga yang sama. Jika Anda sedang melakukan riset, fine-tuning, atau membutuhkan aset yang transparan dan lebih dari tiga gambar referensi, inilah model yang saat ini menjadi tolok ukur bagi sisa tier terbuka, dan dukungan runtime hari nol berarti pekerjaan integrasinya kecil. Jika Anda membutuhkan citra produksi yang padat teks dan lebih memilih tidak menjalankan apa pun sendiri, Qwen-Image 3.0 tertutup dan endpoint Pro yang dihosting adalah jawaban vendor sendiri untuk itu, dan klasifikasi tentang seberapa jauh kemampuan rendering teks model ini telah berkembang masih menjadi pertanyaan terbuka tanpa angka yang dipublikasikan di belakangnya.