Qwen-Image 2.1 rilasciato in sordina: dentro Qwen/Qwen-Image-2.1-PE-I2I

Il 20 settembre 2026, il team di Qwen-Image ha pubblicato Qwen-Image 2.1 su Hugging Face e ModelScope — pesi, file di licenza, model card e un post sul blog, tutto nello stesso giorno, con quasi nessun preavviso. Il numero di punta è 7B parametri nella componente di generazione visiva. La parte che quasi nessuno ha ancora aperto è Qwen/Qwen-Image-2.1-PE-I2I, uno dei due checkpoint di riscrittura dei prompt rilasciati insieme al modello di immagini. Non è il modello di immagini. È la cosa che decide cosa significa la tua istruzione prima che il modello di immagini la veda — e in questa release è la componente che imposta silenziosamente la lingua in cui ti viene restituito l'output.

Che cosa significa davvero "rilasciato in sordina" qui

La formulazione conta, perché è facile esagerare in una direzione o nell'altra. Qwen-Image 2.1 non è stato oggetto di leak, né è stato rilasciato senza annuncio. Esiste un post sul blog del fornitore datato 20 settembre 2026, un repository GitHub con una sezione news datata lo stesso giorno e un download dei pesi attivo. Quello che non ha avuto è stato un periodo di avvicinamento: l'unico segnale anticipato è stata una nota del 17 settembre che offriva 50 posti di accesso anticipato tramite ModelScope, con i tester selezionati invitati a pubblicare un campione o una recensione entro il 29 settembre. Tre giorni dopo i pesi erano pubblici. Nessun keynote, nessun embargo sui benchmark, nessun ciclo di stampa.

Questo è un tipo specifico di rilascio, e vale la pena definirlo con precisione. Il fornitore l'ha annunciato. Il fornitore non l'ha promosso. Per chiunque stia decidendo se costruirci sopra, la conseguenza pratica è che non esiste ancora una valutazione indipendente su cui basarsi — solo il materiale del fornitore stesso e qualunque cosa i tester con accesso anticipato pubblichino nel corso della prossima settimana. Considera ogni affermazione sulla qualità contenuta in questo articolo come proveniente dalla model card e dal post sul blog, finché qualcuno al di fuori di Alibaba non lo eseguirà in pubblico.

Perché il checkpoint PE-I2I è quello interessante

Il rilascio di Qwen-Image 2.1 contiene tre componenti scaricabili, non uno:

• Qwen/Qwen-Image-2.1 — il modello di immagini stesso. Un DiT single-stream a 32 layer con 7B di parametri nella componente di generazione visiva, un text encoder Qwen3-VL 8B e un VAE RGBA a 64 canali con compressione spaziale 16×. Circa 33 GB tra le tre componenti.

• Qwen/Qwen-Image-2.1-PE-T2I — un riscrittore di prompt per il text-to-image. Un Qwen3.5-VL 9B con fine-tuning, circa 18,8 GB.

• Qwen/Qwen-Image-2.1-PE-I2I — un riscrittore di prompt per l'editing image-to-image. Inoltre un Qwen3.5-VL 9B sottoposto a fine-tuning, anch'esso di circa 18,8 GB, caricato su Hugging Face alle 08:46 UTC del 20 settembre.

"PE" sta per prompt enhancement. La variante I2I prende un'istruzione di modifica vaga più una o più immagini di input e la riscrive in una direttiva di modifica precisa e inequivocabile per il modello di diffusione a valle. La descrizione del repository stesso è schietta riguardo alla forma dell'input: un'immagine di input è sempre presente, quindi si tratta sempre di un compito di modifica di immagini e mai di text-to-image dal nulla. Il codice di riscrittura si trova in una prompt_rewrite/ cartella che serve entrambi i checkpoint — --task t2i o --task edit — con un percorso transformers, un percorso vLLM, un serve.sh più client.py per un servizio attivo, e pe_core.py per la logica condivisa.

Ecco perché questo conta più di quanto non sembri. Il modello di immagini non ha la minima idea di cosa intendessi. Ha un'idea di ciò che il tuo prompt dice letteralmente, ponderata da qualunque cosa ne faccia il text encoder. Un riscrittore posto davanti a esso è il punto in cui l'ambiguità viene risolta — o viene risolta male, in modo coerente, in ogni immagine che generi. In un modello unificato di generazione e modifica con fino a 10 immagini di riferimento, quel passaggio di risoluzione ha più cose da sbagliare del solito.

Il prompt di sistema è dove risiede la decisione sulla lingua.

Il repository PE-I2I fornisce un system_prompt.txt insieme ai pesi, ed è insolitamente esplicito su una cosa: la lingua. Leggendolo direttamente, il riscrittore è istruito a prendere due separate decisioni linguistiche, e a tenerle separate.

• Il linguaggio della descrizione. La prosa che il riscrittore scrive per descrivere la modifica segue la lingua delle istruzioni dell'utente — istruzione in cinese, descrizione in cinese; istruzione in inglese, descrizione in inglese; un'istruzione in giapponese, coreano, francese, thai o in qualsiasi altra lingua riceve una descrizione in inglese.

• La lingua del testo renderizzato. Il testo che verrà effettivamente disegnato nell'immagine di output, riportato tra virgolette doppie, è deciso da un rigoroso ordine di priorità: primo, se l'utente indica il testo esatto o la lingua di destinazione, obbedire a quello letteralmente; secondo, se l'immagine di input contiene già del testo, allinearsi alla lingua dominante di quel testo esistente — anche quando l'istruzione è scritta in una lingua diversa; terzo, se nell'immagine non c'è testo e non è stata indicata alcuna lingua, usare la lingua dell'istruzione stessa, e in particolare non forzarla all'inglese.

Il prompt rafforza la seconda regola con un esempio pratico — un'immagine prevalentemente in thai, modificata con un'istruzione in inglese che non nomina una lingua, deve renderizzare testo thai — e aggiunge due vincoli: il testo renderizzato deve essere monolingue anziché una coppia cinese/inglese, e un genere visivo "spec sheet" o "storyboard" si ottiene tramite layout e tipografia, mai cambiando le etichette renderizzate in inglese.

Questo è un piccolo intervento ingegneristico con un grande raggio d'impatto. Se stai generando immagini di prodotto per un mercato in cui il testo sulla confezione conta, la differenza tra "il riscrittore preserva la lingua esistente dell'etichetta" e "il riscrittore si premura di tradurre tutto in inglese" è la differenza tra un asset utilizzabile e uno scartato. E poiché questo comportamento è specificato in un prompt di sistema che viene distribuito nel repository, puoi leggerlo, farne il diff e sovrascriverlo — il che è più di quanto si possa dire per lo stesso passaggio all'interno di un modello ospitato chiuso.

Cosa è confermato, e cosa no.

Essere precisi sul confine in questo caso è esattamente il senso di un pezzo su ciò che sappiamo.

• Confermato dal repository e dalla scheda del modello — la specifica DiT single-stream da 7B / 32 livelli; l'encoder testuale Qwen3-VL 8B; il VAE RGBA a 64 canali con compressione spaziale 16×; attenzione block-causal con maschera causale a livello di token per il testo e maschera bidirezionale a livello di chunk per la generazione di immagini; riutilizzo della cache KV del prefisso, che la scheda indica attivarsi quando il checkpoint contiene causal_condition: true (e lo fa); flow matching con scheduling discreto Euler; output nativo 2K con 2048×2048 come impostazione predefinita a 40 step di inferenza; sette preset documentati per le proporzioni; supporto per un massimo di 10 immagini di riferimento; modifica locale tramite cerchio, annotazione dipinta o una maschera separata; e generazione RGBA, modifica di livelli trasparenti ed estrazione del soggetto da foto RGB.

• Confermato sulla licenza, e questo è il punto critico — il rilascio è sotto il Qwen Research License Agreement, datato 20 settembre 2026, che concede diritti "SOLO PER SCOPI NON COMMERCIALI" e afferma che l'uso commerciale richiede una licenza separata da richiedere al fornitore. Questo è un cambiamento sostanziale rispetto alla precedente linea Qwen-Image, che era distribuita sotto Apache 2.0. Leggi il file della licenza prima di costruire un prodotto su questo, non dopo.

• Non confermato — non esistono ancora punteggi di benchmark indipendenti. Il post del blog fa riferimento a un grafico di confronto di Qwen-Image-Bench, ma i numeri in esso riportati sono quelli del fornitore stesso e, al momento della stesura, non erano stati riprodotti da alcuna terza parte. Non esiste un prezzo pubblicato per l'endpoint ospitato di Qwen-Image 2.1, né termini dichiarati per la licenza commerciale. E non si sa ancora se seguirà una variante con licenza permissiva.

L'unico dato indipendente che esiste davvero è una recensione pratica in accesso anticipato di un tester che ha avuto accesso tramite il programma Qwen Ambassador e ha eseguito i pesi della release finale attraverso un'interfaccia ModelScope Studio. Quella recensione riportava tempi di generazione di circa 10–15 secondi per il text-to-image e 18–23 secondi per l'editing, prestazioni solide sui preset di posizione della fotocamera e sull'assegnazione dei ruoli a più personaggi, e una specifica modalità di errore che vale la pena conoscere: la coerenza multi-riferimento peggiorava a partire da circa tre immagini di input, con il posizionamento della coda laterale che collassava in una coda centrale con angolazioni di profilo. Si tratta di un solo recensore, su un'interfaccia utente in accesso anticipato, senza timer visualizzato. È un segnale utile. Non è un benchmark.

Supporto del framework dal giorno zero, che è la buona notizia che passa in sordina

Il modo in cui un modello arriva sul mercato il giorno del lancio ti dice più sulla possibilità di usarlo davvero di quanto faccia la scheda del modello, e Qwen-Image 2.1 è arrivato su ampia scala:

• Diffusers — una QwenImage21Pipeline è stata unita il giorno zero, e il repository del modello porta il tag diffusers:QwenImage21Pipeline.

• ComfyUI — supporto nativo dal giorno zero con modelli di workflow per testo-a-immagine e modifica immagine, più un repository di pesi separato compatibile con Comfy.

• vLLM-Omni — esecuzione a passi, caching KV del prefisso, decodifica CUDA Graph, quantizzazione FP8 e parallelismo tensoriale/Ulysses.

• SGLang — una pull request per il supporto nativo è stata integrata il 17 settembre, tre giorni prima dei pesi, coprendo il DiT, il VAE RGBA, il condizionamento Qwen3-VL, più immagini di riferimento e input/output RGBA, validata su H200, B200, RTX PRO 6000, RTX 5090 e RTX 4090.

• LightX2V — accelerazione day-zero, oltre ad AMD Radeon tramite ROCm e supporto multi-chip attraverso FlagOS.

La pull request di pre-rilascio di SGLang è l'indizio rivelatore. Il supporto del framework che arriva prima dei pesi significa che il percorso di serving veniva testato contro il checkpoint, non scritto a posteriori dalla model card. Per un componente da 7B con un encoder di testo da 17,5 GB che gli sta accanto, questa è la differenza tra un weekend di yak-shaving e un pomeriggio.

Per GPU con risorse limitate, la scheda del modello consiglia l'offload sulla CPU — pipe.enable_model_cpu_offload() — che è la soluzione di ripiego standard più che una correzione. Il download da 33 GB è dominato dal text encoder, non dal DiT; il diffusion transformer stesso è la metà più piccola del pacchetto, circa 14 GB.

La lettura pratica

Se vuoi provare Qwen-Image 2.1 oggi, la posizione onesta è che puoi farlo, in locale, con una licenza di ricerca, senza benchmark indipendenti e senza diritti commerciali. È uno scambio ragionevole per la valutazione e pessimo per una pipeline di produzione, e il divario tra questi due è esattamente ciò che decide il file di licenza.

Per i team che fanno benchmark di modelli di immagini senza voler impegnare un percorso di produzione su un checkpoint di pochi giorni, il livello di routing è dove questo rischio viene contenuto. OrcaRouter mette davanti oltre 200 modelli dietro un unico endpoint compatibile con OpenAI, al prezzo di listino del provider e senza alcun ricarico, con failover automatico tra i provider, così un modello non ancora collaudato può stare dietro una rotta accanto a un modello di cui ti fidi già, invece di sostituirlo — e poiché il prezzo di listino viene passato tal quale, un taglio di prezzo del fornitore su qualsiasi modello instradato è attivo lo stesso giorno, anziché aspettare una modifica contrattuale. Al momento della stesura, Qwen-Image 2.1 non è tra i modelli che instradiamo, e questo articolo non intende insinuare il contrario. Ciò che instradiamo è la linea di immagini circostante — la famiglia GPT-Image di OpenAI, i livelli di Imagen 4 di Google e le anteprime immagini di Gemini, e l'endpoint per immagini Grok Imagine di xAI — ed è da lì che verrebbe un percorso di failover mentre valuti il nuovo arrivato sul tuo hardware.

La domanda aperta è quella a cui il repository non può rispondere. Alibaba ha rilasciato un modello di immagini da 7B con pesi aperti sotto una licenza solo per ricerca, nello stesso anno in cui ha rilasciato Qwen-Image 3.0 come modello hosted chiuso senza pesi di alcun tipo. Due rilasci, due scommesse opposte, a quattro mesi di distanza. Quale delle due darà forma al prossimo modello di immagini Qwen — e se la licenza di ricerca si convertirà mai in qualcosa che un'azienda possa usare — è ciò che va tenuto d'occhio. I pesi sono ora su Hugging Face, e chiunque può leggere da sé il file della licenza.