Qwen-Image 2.1: cos'è davvero il modello di immagini open-weight da 7B

Qwen-Image 2.1 è il modello che le persone cercano per nome e che attualmente non dà alcun risultato. È il modello a pesi aperti per la generazione testo-immagine e l'editing di immagini di Alibaba, rilasciato il 20 settembre 2026, e gran parte della confusione che lo circonda è strutturale: è più recente di Qwen-Image 3.0, che lo stesso team ha rilasciato il 21 luglio 2026, e più vecchio di Qwen-Image 2.1 Turbo, il checkpoint accelerato che è seguito il 9 ottobre 2026. Tre nomi, una famiglia, tre prodotti davvero diversi — e i numeri di versione non ne ordinano correttamente nessuno.

Questa pagina è il riferimento per il modello stesso: cos'è, cosa accetta e restituisce, cosa consente effettivamente la sua licenza, dove si trovano i pesi e su cosa è documentato che venga eseguito. Il rilascio risale a 23 giorni fa al momento della stesura, quindi trattatelo come il dato che colloca nel tempo il modello più che come una notizia: la domanda a cui vale la pena rispondere è quella ricorrente che un lettore si pone quando digita il nome del modello stesso.

I tre prodotti Qw​en per immagini, tenuti separati

Quasi ogni aspettativa errata su Qwen-Image 2.1 nasce dal trattare la famiglia come un'unica sequenza. Non lo è. I tre prodotti attuali si collocano in punti diversi sia per capacità sia per accesso:

• Qwen-Image 2.1 — un unico modello che si occupa sia di generazione testo-immagine sia di editing di immagini, con 7 miliardi di parametri nella sua componente di generazione visiva e 32 layer DiT a flusso singolo, pubblicato come pesi aperti con licenza di ricerca. Rilasciato il 20 settembre 2026.

• Qwen-Image 2.1 Turbo — la stessa architettura di generazione visiva da 7B e gli stessi preset di risoluzione, rilasciato come checkpoint accelerato separato il 9 ottobre 2026 che esegue il denoising in 8 passaggi invece di 40, con CFG predefinito a 1 e la pianificazione di campionamento consigliata salvata all'interno del checkpoint. È una variante di velocità, non un livello di capacità.

• Qwen-Image 3.0 — il modello di terza generazione, dal 21 luglio 2026, nonché quello closed. Non esiste un repository di pesi per esso su Hugging Face o ModelScope, e il materiale di lancio non pubblica né il numero di parametri né una licenza. Le sue dichiarazioni di punta riguardano la densità di testo e di conoscenza — prompt fino a 4,5k token, testo reso in modo leggibile anche a 10px, 12 lingue, oltre 100 stili artistici — e sono quelle del fornitore stesso, non riprodotte qui. Se ciò di cui hai bisogno è il rendering di testo più forte della famiglia, quello è l'argomento a favore della 3.0; se ciò di cui hai bisogno è eseguire il modello da solo, la 3.0 non è affatto un'opzione.

Vale la pena distinguere una quarta cosa, perché condivide il nome 2.1: dal 9 ottobre 2026 la lista di notizie del fornitore riporta le API hosted Qwen-Image-2.1 Pro e Turbo come ufficialmente attive su Aliba​ba Cloud Model Studio. Si tratta di un canale di erogazione per lo stesso modello, non di un quarto modello.

Cos'è sotto il cofano

L'architettura, come pubblicata sulla scheda del modello e sul repository del fornitore, è compatta secondo gli standard dell'attuale settore delle immagini ed è organizzata attorno a un'idea: rendere economico l'editing multi-immagine.

• Transformer — 32 strati, 7 miliardi di parametri, DiT a stream singolo con attenzione causale a blocchi. Il testo, incluso il prefisso di sistema e le istruzioni di modifica, applica una maschera causale a livello di token; la generazione delle immagini applica una maschera bidirezionale a livello di chunk.

• Encoder di testo — Qwen3-VL 8B, un modello visione-linguaggio che codifica sia l'istruzione testuale sia eventuali immagini di condizionamento in un'unica rappresentazione. Nel download pubblicato è la metà più grande dello stack.

• VAE — un autoencoder RGBA a 64 canali con compressione spaziale 16×, da cui deriva la trasparenza nativa anziché dal post-processing.

• Pianificatore — Flow Matching con pianificazione discreta di Euler e spostamento dinamico; 40 passaggi di denoising per impostazione predefinita sul checkpoint di base.

Questa suddivisione a granularità mista è l'argomento di efficienza. Le immagini di input e le istruzioni vengono calcolate una volta al primo passaggio di denoising e riutilizzate successivamente come contesto di prefisso in cache, quindi aggiungere immagini di riferimento costa meno di quanto costerebbe in una progettazione che ricodifica tutto a ogni passaggio.

La licenza, esattamente come pubblicata

Questa è la parte che la maggior parte dei riassunti sbaglia, in entrambe le direzioni. Qwen-Image 2.1 non è open source nel senso permissivo, e non è nemmeno chiuso. La scheda di Hugging Face lo contrassegna come license: other con license_name: qwen-research, e il file LICENSE del repository è il Qw​en Research License Agreement, datato 20 settembre 2026. Letto il 13 ottobre 2026, la sua clausola operativa concede una

• licenza limitata non esclusiva, valida in tutto il mondo, non trasferibile e senza royalty di usare, riprodurre, distribuire, copiare, creare opere derivate e modificare i materiali — solo per scopi non commerciali.

L'accordo definisce "Non commerciale" in modo restrittivo, come solo per scopi di ricerca o valutazione, e indirizza esplicitamente ogni altro caso: non "potrai usare i Materiali per alcuno scopo commerciale senza ottenere da noi una licenza commerciale separata", da richiedere via email all'indirizzo indicato nell'accordo. Quindi la posizione pratica per un team si articola su due binari anziché uno: i pesi sono scaricabili, ispezionabili, quantizzabili e fine-tunabili, e distribuire un prodotto basato su di essi richiede prima una conversazione con Alibaba.

Altre tre condizioni accompagnano la ridistribuzione e sono facili da trascurare quando la licenza viene riassunta come «non commerciale». Devi consegnare una copia dell'accordo a chiunque ridistribuisca il materiale. I file modificati devono riportare avvisi ben visibili del fatto che sono stati modificati. E ogni copia distribuita deve conservare alla lettera il testo dell'avviso specificato dall'accordo, attribuendo il materiale a Hangzhou Tongyi Laboratory Technology Co., Ltd. Accanto a queste vi sono due regole d'uso: se utilizzi il modello o i suoi output per addestrare, mettere a punto o migliorare un modello di IA che poi distribuisci, devi mostrare in modo ben visibile «Built with Qw​en» o «Improved using Qw​en» nella documentazione del prodotto; e non puoi usare «Qw​en» come nome o identificatore principale di un'opera derivata, sebbene sia consentito un uso descrittivo come «fine-tuned from Qw​en Image». La legge applicabile è quella cinese, con giurisdizione esclusiva presso i Tribunali del Popolo di Hangzhou.

Vale la pena fare un confronto, perché riguarda dove la famiglia si è spostata, non da dove è partita. Le release precedenti di Qwen-Image hanno licenze permissive: le model card di Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered e Qwen-Image-2512 riportano tutte apache-2.0, come letto il 13 ottobre 2026, senza alcun blocco commerciale. Qwen-Image 2.1 è la rottura di questo schema. Le licenze già concesse non cambiano retroattivamente, quindi quei checkpoint precedenti restano utilizzabili alle loro condizioni originali — ma chiunque pianifichi una pipeline commerciale presumendo che il più recente modello Qw​en image sarà permissivo dovrebbe leggere questo prima della prossima release, non dopo.

Cosa entra, e cosa esce

La superficie di input è più ampia di quella di un modello testo-immagine, e la superficie di output include qualcosa che la maggior parte dei modelli di immagini non produce affatto. Secondo la scheda del modello e il repository del fornitore:

• Solo testo — un prompt genera un'immagine. Il text-to-image è la modalità predefinita; non c'è un checkpoint T2I separato da scegliere.

• Un'immagine più un prompt — la chiamata di modifica standard, che passa l'immagine insieme a un'istruzione.

• Fino a 10 immagini di riferimento — gli esempi del fornitore combinano sei ritratti in un'unica fotografia di gruppo, cinque scatti di prodotto in un unico completo, e dieci immagini d'arredamento in un'unica stanza. È la capacità per cui questa architettura è ottimizzata.

• Controllo delle modifiche locali, in tre modi — cerchi tracciati sull'immagine (più regioni identificabili contemporaneamente dal colore), annotazioni tracciate con il pennello, oppure una maschera separata fornita come input a sé stante, così che la fotografia originale rimanga non contrassegnata.

• Trasparenza in entrambe le direzioni — generare un'immagine RGBA direttamente da un prompt utilizzando il formato di prompt consigliato dal fornitore, modificare all'interno di un livello trasparente, incluso il testo, ed estrarre un soggetto da una normale fotografia RGB come livello RGBA.

• Intervallo dimensionale — 2K nativo, predefinito a 2048×2048, con sette preset pubblicati: 1:1 a 2048×2048, 4:3 a 2400×1792, 3:4 a 1792×2400, 3:2 a 2528×1696, 2:3 a 1696×2528, 16:9 a 2752×1536 e 9:16 a 1536×2752.

• Output — ogni esempio nel codice del fornitore scrive PNG, e il percorso trasparente scrive RGBA con un canale alfa reale. Non è pubblicata alcuna enumerazione separata dei formati di output, quindi PNG è ciò che produce il percorso documentato, più che un limite dimostrato.

Due assenze meritano di essere dichiarate anziché essere lasciate scoprire a chi legge. La scheda non pubblica alcuna lunghezza massima del prompt per Qwen-Image 2.1 — il valore di input di 4,5k token appartiene a Qwen-Image 3.0 e non va riportato. E non esiste un prezzo pubblicato per i pesi aperti, perché non c'è alcuna tariffa per immagine ospitata associata al download; il costo è il proprio calcolo. Le API Pro e Turbo ospitate su Model Studio sono una via commerciale separata, e il materiale che abbiamo potuto leggere indica che i dettagli di accesso e utilizzo si trovano nelle pagine della console del fornitore anziché nelle note di lancio pubbliche.

Rendering e modifica del testo, nelle parole del fornitore stesso

Le affermazioni del fornitore per questa release sono qualitative e vale la pena citarle come affermazioni anziché come misurazioni. Sul testo, il blog afferma che il rendering "considera non solo il contenuto in sé, ma anche gli stili tipografici, il layout e il loro rapporto con la composizione complessiva", e lo illustra con quattro esempi. Sulla modifica, i quattro miglioramenti dichiarati sono immagini di riferimento multiple, modifica locale, preservazione della fedeltà per persone e prodotti e copertura delle attività — con panorami generati da un singolo selfie, infografiche ampliate da una fotografia di prodotto e un riferimento di personaggio a tre viste trasformato in uno storyboard. L'identità del ritratto e la coerenza del prodotto sono le due affermazioni di fedeltà che menziona esplicitamente.

Ciò che non viene pubblicato conta altrettanto. Non esiste una tabella numerica di benchmark per Qwen-Image 2.1 nei materiali del fornitore: il blog mostra un confronto Qwen-Image-Bench come immagine, senza cifre riportate nel testo, e il repository non pubblica alcuna tabella di valutazione. Quindi non c'è alcun numero dichiarato dal fornitore per questo modello da etichettare come dichiarato dal fornitore. Né stiamo pubblicando una cifra indipendente: il modello compare effettivamente su arene di immagini di terze parti, ma oggi non abbiamo potuto riverificare un punteggio attuale della classifica, e un numero di classifica che non possiamo ricontrollare non vale la pena di essere consegnato a un lettore. Considera aperta la questione del rendering del testo, e nota che le stesse dichiarazioni più forti del fornitore sul testo — il dato dei 10px, le 12 lingue — appartengono a Qwen-Image 3.0, non a questo modello.

Dove si trovano i pesi e in quali formati

I pesi sono pubblicati in due posti, entrambi ufficiali: Hugging Face all'indirizzo Qwen/Qwen-Image-2.1 e ModelScope al percorso corrispondente dell'organizzazione Qwen, con accanto uno Space demo ospitato. Il repository Hugging Face totala 33,1 GB, e la ripartizione è la parte pratica:

• Transformer — due shard safetensors BF16, circa 9,97 GB e 4,26 GB, con un file di indice.

• Encoder di testo — quattro shard safetensors BF16 per un totale di circa 17,5 GB, motivo per cui l'encoder Qwen3-VL 8B è descritto sopra come la metà più grande del download.

• VAE — un singolo file safetensors da 1,35 GB che contiene l'autoencoder RGBA.

• Layout Diffusers — il repository è una release in formato Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), ed è proprio questo che rende l'import della pipeline qui sotto una riga sola.

• Un secondo pacchetto per ComfyUI — Comfy-Org/Qwen-Image-2.1 riconfeziona lo stesso modello in componenti a file singolo: le varianti bf16 e int8 del modello di diffusione, il VAE, il text encoder Qwen3-VL 8B in bf16, int8 e w4a8, i due encoder per la riscrittura dei prompt, un Turbo LoRA e una patch ControlNet-Union. Se intendi eseguirlo in ComfyUI anziché in Python, è quel repository, non quello principale, che devi scaricare.

Per dare un'idea, la pagina di Hugging Face riportava 142.375 download nell'ultimo mese al 13 ottobre 2026 — una cifra fornita dalla piattaforma di hosting, non un'affermazione di Alibaba sull'adozione.

Come eseguirlo oggi

Questa è la parte della storia di Qwen-Image 2.1 che è davvero insolita: il supporto runtime documentato è arrivato insieme ai pesi anziché mesi dopo, quindi la domanda non è se puoi servirlo, ma quale dei diversi percorsi supportati hai già a disposizione.

• Diffusers (il percorso consigliato dal fornitore) — QwenImage21Pipeline caricato da Qwen/Qwen-Image-2.1 in BF16, con transformers>=5.17, torch>=2.4 e Diffusers installato dal sorgente. Il checkpoint Turbo viene caricato tramite la stessa classe di pipeline.

• ComfyUI — supporto nativo Day-0, con workflow template pubblicati per la generazione di immagini da testo e per la modifica delle immagini, utilizzando i pesi Comfy-Org sopra indicati.

• vLLM-Omni — script offline e serving online in stile OpenAPI (vllm serve … --omni), con esecuzione passo-passo, caching KV dei prefissi, decodifica CUDA Graph, quantizzazione FP8 e parallelismo TP/Ulysses documentati.

• SGLang — Supporto nativo Day-0 tramite sglang generate, aggiungendo l'opzione --image-path per l'editing, con opzioni di parallelismo e offload.

• LightX2V — Percorsi di accelerazione Day-0 mantenuti dal progetto ModelTC.

• Hardware non NVIDIA — un percorso AMD Radeon tramite ROCm, PyTorch e Diffusers, e una via FlagOS che abbraccia otto piattaforme di chip attraverso immagini e pesi precompilati pubblicati su ModelScope.

Un accessorio fa effettivamente parte dell'installazione se ti interessa la qualità dell'output: la release include due checkpoint di riscrittura dei prompt, Qwen-Image-2.1-PE-T2I e Qwen-Image-2.1-PE-I2I, entrambi modelli Qwen3.5-VL 9B fine-tuned, con il codice di riscrittura e i system prompt pubblicati nel repository. Il fornitore consiglia di riscrivere i prompt brevi in prompt dettagliati anziché chiamare direttamente il modello di immagini.

Se preferisci non tenere affatto in memoria uno stack da 33 GB, gli endpoint Model Studio Pro e Turbo sono la via servita, attivi dal 9 ottobre 2026. Non pubblichiamo una tariffa per immagine per essi, perché le note di lancio pubbliche che abbiamo potuto leggere non ne pubblicano una.

Dove questo ti lascia

Detto chiaramente, perché è il fatto che decide la maggior parte delle valutazioni: OrcaRouter non instrada Qwen-Image 2.1 né alcun modello Qwen-Image. Abbiamo controllato il nostro elenco live dei modelli il 13 ottobre 2026 e non è presente. Se sono i pesi aperti ad averti convinto, le vie sono un download self-hosted o l'API ospitata del fornitore stesso — non noi.

Quello che abbiamo è la forma generale del problema che questo modello crea per un team che vuole provarlo. Qwen-Image 2.1 è scomodo in un modo specifico: davvero capace secondo le specifiche pubblicate, davvero limitato dalla sua licenza per qualsiasi uso commerciale, e abbastanza pesante che l'auto-hosting è un progetto più che un pomeriggio. Questo è il motivo per non metterlo su un percorso di produzione dal primo giorno. OrcaRouter mette davanti oltre 200 modelli dietro un unico endpoint compatibile con OpenAI al prezzo di listino del provider, senza alcun ricarico, con failover automatico tra provider e un DSL di routing che ti permette di comporre diversi modelli in un'unica chiamata, così un checkpoint con licenza di ricerca che stai ancora valutando può affiancarsi a un modello di cui ti fidi già, invece di sostituirlo. La fusione di modelli porta la stessa idea ancora più avanti, consentendo a un panel di modelli di rispondere allo stesso prompt, così che il confronto avvenga sui tuoi input invece che sulla galleria di esempi di un fornitore.

Tre lettori, tre risposte diverse. Se stai costruendo per uso commerciale, la licenza è tutta la decisione e dice di no senza una negoziazione — avvia quella conversazione o scegli un checkpoint Apache-2.0 della stessa famiglia. Se fai ricerca, fine-tuning o hai bisogno di asset trasparenti e di più di tre immagini di riferimento, questo è il modello rispetto al quale il resto del livello aperto viene attualmente misurato, e il supporto runtime dal giorno zero significa che il lavoro di integrazione è ridotto. Se hai bisogno di immagini di produzione ricche di testo e preferisci non eseguire nulla in proprio, il modello chiuso Qwen-Image 3.0 e l'endpoint Pro ospitato sono la risposta dello stesso fornitore a questa esigenza, e la classificazione di quanto sia effettivamente progredito il rendering del testo di questo modello resta una questione aperta senza alcun numero pubblicato a supportarla.