Qwen-Image 2.1：7Bオープンウェイト画像モデルの実態とは

Qwen-Image 2.1は、人々が名前で検索しながらも、現時点では何もたどり着けないモデルです。これはアリババのオープンウェイトのテキスト・トゥ・イメージおよび画像編集モデルで、2026年9月20日にリリースされました。そして、それをめぐる混乱のほとんどは構造的なものです。つまり、同じチームが2026年7月21日に出荷したQwen-Image 3.0より新しく、2026年10月9日に続いて登場した高速化チェックポイントであるQwen-Image 2.1 Turboより古いのです。3つの名前、1つのファミリー、そして真に異なる3つの製品 — しかもバージョン番号はそのどれ一つとして正しい順序には並べてくれません。

このページはモデル自体のリファレンスである。すなわち、それが何か、何を受け取り、何を返すのか、そのライセンスが実際に何を許諾するのか、重みがどこに置かれているのか、そして何上で動作するものとして文書化されているのか、である。執筆時点で、このリリースは23日前のものである。したがって、ニュースとしてではなく、そのモデルの年代を定める事実として扱ってほしい——答える価値のある問いは、読者がモデル自身の名前を入力したときに抱く、定番の問いである。

分けて扱われる3つのQwen画像製品

Qwen-Image 2.1 に関するほとんどすべての誤った期待は、このファミリーを単一の系列として扱うことから生じている。そうではない。現在の3つの製品は、能力とアクセスの両面において異なる位置にある：

• Qwen-Image 2.1 — テキストからの画像生成と画像編集の両方を1つのモデルで実行し、視覚生成コンポーネントに7Bパラメータ、32のシングルストリームDiT層を備え、研究ライセンスの下でオープンウェイトとして公開。2026年9月20日リリース。

• Qwen-Image 2.1 Turbo — 同じ7Bの視覚生成アーキテクチャと同じ解像度プリセットを備え、2026年10月9日に別個の高速化チェックポイントとして公開されたもので、40ステップではなく8ステップでノイズ除去を行い、CFGはデフォルトで1、推奨されるサンプリングスケジュールはチェックポイント内に保存されています。これは速度重視のバリアントであり、能力階層ではありません。

• Qwen-Image 3.0 — 2026年7月21日公開の第3世代モデルで、クローズドなモデルです。Hugging FaceにもModelScopeにも重みのリポジトリはなく、発表資料にもパラメータ数やライセンスは記載されていません。その目玉としてうたわれているのはテキストと知識の密度に関するもので、プロンプトは最大4.5kトークン、10pxという小さなテキストも判読可能に描画、12言語、100以上の芸術スタイルに対応 — これらはすべてベンダー自身の主張であり、本記事で再現したものではありません。必要なのがこのファミリー中最強のテキスト描画なら、それが3.0を選ぶ理由になります。自分でモデルを動かしたいのであれば、3.0はそもそも選択肢になりません。

4つ目の項目は、2.1という名前を共有しているため、切り分けておく価値があります。2026年10月9日以降、ベンダーのニュース一覧にはQwen-Image-2.1 ProおよびTurboのホスト型APIがAlibaba Cloud Model Studioで正式に一般提供中であると掲載されています。これは同じモデルの提供経路であり、4つ目のモデルではありません。

内部ではそれが何なのか

ベンダーのモデルカードおよびリポジトリで公開されているとおり、このアーキテクチャは現在の画像分野の基準ではコンパクトで、ひとつのアイデアを中心に構成されている。すなわち、マルチ画像編集を低コストにすることだ。

• Transformer — 32層、7Bパラメータ、ブロック因果アテンションを採用したシングルストリームDiT。システムプレフィックスや編集指示を含むテキストはトークンレベルの因果マスクで処理され、画像生成はチャンクレベルの双方向マスクで処理されます。

• テキストエンコーダ — Qwen3-VL 8B。テキスト指示と任意の条件画像の両方を単一の表現にエンコードする視覚言語モデルです。公開されているダウンロードでは、スタックの大きい方の半分を占めます。

• VAE — 16倍の空間圧縮を備えた64チャンネルRGBAオートエンコーダで、ネイティブの透明性は後処理ではなくここから生まれます。

• スケジューラー — オイラー離散スケジューリングと動的シフトを用いたフローマッチング。ベースチェックポイントではデフォルトで40のデノイジングステップ。

その混合粒度の分割が効率性の根拠だ。入力画像と指示は最初のデノイジングステップで一度計算され、その後はキャッシュされたプレフィックスコンテキストとして再利用されるため、参照画像を追加するコストは、ステップごとにすべてを再エンコードする設計よりも低く抑えられる。

公開されたままのライセンス

これは、ほとんどの要約が両方向に間違える部分だ。Qwen-Image 2.1 は決して寛容な意味でのオープンソースではないし、また、それは決してクローズドでもない。Hugging Face のカードはこれをlicense: otherおよびlicense_name: qwen-researchとタグ付けしており、リポジトリの LICENSE ファイルはQw​en Research License Agreementであり、日付は2026年9月20日。2026年10月13日に読んだところ、その運用条項は以下を付与する：

• 非独占的、世界中どこでも、譲渡不可かつロイヤルティフリーの限定的ライセンス（当該資料を使用、複製、頒布、コピー、二次的著作物の作成および改変するため）— 非商業的目的に限る。

本契約は「非商用」を狭く定義しており、それは研究または評価目的に限るものとし、それ以外については明示的に振り分けている。すなわち、「当社から別途の商用ライセンスを取得することなく、本資料をいかなる商用目的にも使用してはならない」とされ、その申請は本契約に記載されたアドレスへの電子メールによって行う。したがって、チームにとっての実務上の立ち位置は1本の線ではなく2本の線で示される。つまり、重みはダウンロードでき、検査でき、量子化でき、ファインチューニングも可能だが、それらを用いて製品を出荷するには、まずAliba​baとの対話が必要である。

再配布にはさらに3つの条件が伴い、ライセンスが「非商用」と要約されると見落とされがちです。再配布する相手には、本契約のコピーを渡さなければなりません。改変したファイルには、変更されたことを示す目立つ通知を付けなければなりません。また、配布されるあらゆるコピーには、本契約が指定する通知文を逐語的に保持し、その素材を Hangzhou Tongyi Laboratory Technology Co., Ltd. に帰属させなければなりません。それに加えて、2つの利用ルールがあります。モデルまたはその出力を、その後配布するAIモデルのトレーニング、ファインチューニング、改善に使用する場合、製品ドキュメントに「Built with Qw​en」または「Improved using Qw​en」を目立つ形で表示しなければなりません。また、「Qw​en」を派生作品の主要な名称または識別子として使用することはできませんが、「fine-tuned from Qw​en Image」のような説明的な使用は許可されています。準拠法は中国法であり、専属管轄は杭州市の人民法院にあります。

比較する価値が1つあります。それは、このファミリーがどこから始まったかではなく、どこへ移り変わったかという点だからです。以前のQwen-Imageリリースには寛容なライセンスが付与されています。モデルカードは次のとおりです：Qwen-Image、Qwen-Image-Edit、Qwen-Image-Edit-2509、Qwen-Image-Edit-2511、Qwen-Image-Layered、およびQwen-Image-2512はいずれもapache-2.0を、2026年10月13日時点で確認したとおり、商用利用の制限なしで採用しています。Qwen-Image 2.1はそのパターンからの逸脱です。すでに付与されたライセンスは遡って変更されないため、それらの以前のチェックポイントは元の条件のまま使用できます——しかし、最新のQwen画像モデルが寛容なライセンスになると仮定して商用パイプラインを計画している人は、次のリリースの後ではなく前に、これを読むべきです。

何を入力し、何を出力するのか

入力の対象範囲はテキストから画像を生成するモデルより広く、出力の対象範囲には、ほとんどの画像モデルがまったく生成しないものが含まれています。ベンダーのモデルカードおよびリポジトリによると：

• テキストのみ — プロンプトが画像を生成します。テキストから画像への生成がデフォルトモードであり、選択できる別個のT2Iチェックポイントはありません。

• 画像1枚＋プロンプト — 画像と指示を一緒に渡す、標準的な編集呼び出しです。

• 最大10枚の参照画像 — ベンダーの例では、6枚のポートレートを1枚の集合写真に、5枚の商品写真を1つのコーディネートに、10枚の家具・調度品画像を1つの部屋に合成しています。これこそ、このアーキテクチャが最適化されている能力です。

• ローカル編集の制御方法は3通り — 画像上に描いた円（複数の領域を色で一度に識別できる）、ペイントによる注釈、または元の写真に手を加えずに済むよう独立した入力として与える別個のマスク。

• 両方向の透過性 — ベンダー推奨のプロンプト形式を使ってプロンプトから直接RGBA画像を生成し、テキストを含む透明レイヤー内で編集し、通常のRGB写真から被写体をRGBAレイヤーとして抽出します。

• サイズエンベロープ — ネイティブ2Kで、デフォルトは2048×2048、7つの公開プリセットがあります：1:1は2048×2048、4:3は2400×1792、3:4は1792×2400、3:2は2528×1696、2:3は1696×2528、16:9は2752×1536、9:16は1536×2752。

• 出力 — ベンダー自身のコードにあるすべての例はPNGを書き出し、透過パスは実際のアルファチャンネルを持つRGBAを書き出します。別個の出力フォーマット一覧は公開されていないため、PNGは証明された限界ではなく、文書化されたパスが生成するものです。

2つの欠落については、読者に発見させるのではなく、明記しておく価値がある。このモデルカードは Qwen-Image 2.1 の最大プロンプト長を公表していない — 4.5kトークンという入力値は Qwen-Image 3.0 のものであり、そのまま当てはめるべきではない。また、オープンウェイトに公表価格はない。ダウンロードに紐づくホスト型の1画像あたり料金が存在しないためで、コストは自身のコンピュートにかかる。Model Studio 上のホスト型 Pro および Turbo API は別の商用ルートであり、我々が読めた資料によれば、アクセスと利用の詳細は公開のローンチノートではなく、ベンダーのコンソールページにあると述べられている。

テキストのレンダリングと編集、ベンダー自身の言葉で

このリリースに関するベンダーの主張は定性的であり、測定値としてではなく主張として引用する価値がある。テキストに関して、ブログでは、レンダリングは「コンテンツ自体だけでなく、タイプスタイル、レイアウト、および全体構成との関係も考慮する」と述べており、それを4つの例で示している。編集に関して挙げられている4つの改善点は、複数の参照画像、ローカル編集、人物と製品の忠実性保持、タスクカバレッジであり、1枚の自撮り写真から生成されたパノラマ、製品写真から拡張されたインフォグラフィック、3面図のキャラクター参照が絵コンテに変換された例が含まれる。ポートレートの同一性と製品の一貫性が、明示的に挙げられている2つの忠実性に関する主張である。

公表されていないことも同じくらい重要である。ベンダーの資料には Qwen-Image 2.1 の数値ベンチマーク表が存在しない。ブログでは Qwen-Image-Bench の比較が画像として示されているだけで、数値はテキストで書き出されていない。そしてリポジトリは評価表を一切公開していない。したがって、このモデルについてベンダー報告値としてラベル付けできる数値は存在しない。私たちも独立した数値を掲載しているわけではない。このモデルはサードパーティの画像アリーナに確かに登場しているが、今日時点で現在のボードスコアを再検証することはできなかった。再確認できないリーダーボードの数値は、読者に提示する価値のあるものではない。テキストレンダリングの問題は未解決として扱い、ベンダー自身の最も強いテキストに関する主張——10px という数値と12言語——はこのモデルではなく Qwen-Image 3.0 に属する点に留意されたい。

重みがどこにあり、どのような形式なのか

重みは2か所で公開されており、いずれもファーストパーティによるものです：Hugging FaceのQwen/Qwen-Image-2.1、およびModelScopeでは、対応するQwenの組織パスで公開されており、ホストされたデモSpaceも併設されています。Hugging Faceのリポジトリは合計33.1 GBで、実用的なのはその内訳のほうです：

• Transformer — 2つのBF16 safetensorsシャード（約9.97 GBと4.26 GB）、インデックスファイル付き。

• テキストエンコーダー — 4つのBF16 safetensorsシャードで合計約17.5 GBに達するため、Qwen3-VL 8Bエンコーダーは上記でダウンロードの大きい方の半分と説明されています。

• VAE — RGBAオートエンコーダーを収めた単一の1.35 GBのsafetensorsファイル。

• Diffusers レイアウト — このリポジトリは Diffusers 形式のリリースです（model_index.json、transformer/、text_encoder/、vae/、scheduler/、processor/）。これにより、以下のパイプラインのインポートがワンライナーになります。

• ComfyUI 用の第 2 のパッケージ — Comfy-Org/Qwen-Image-2.1は、同じモデルを単一ファイルのコンポーネントとして再パッケージ化したものです。拡散モデルの bf16 版と int8 版、VAE、bf16・int8・w4a8 の Qwen3-VL 8B テキストエンコーダー、2 つのプロンプト書き換えエンコーダー、Turbo LoRA、ControlNet-Union パッチが含まれています。これを Python ではなく ComfyUI で実行するつもりなら、ダウンロードすべきはメインのリポジトリではなく、こちらのリポジトリです。

規模感を示すと、Hugging Face 自身のページは、2026年10月13日時点で、過去1か月間に142,375ダウンロードを報告している——これはホスティングサイトが提供するプラットフォーム上の数値であり、Aliba​ba が採用について主張したものではない。

今日それを実行する方法

Qwen-Image 2.1の話で本当に異例なのは、文書化されたランタイムサポートが重みの数か月後ではなく重みと同時に登場した点だ。つまり問題は、それを配信できるかどうかではなく、サポートされている複数の経路のうち、すでにどれを持っているかである。

• Diffusers（ベンダー推奨の経路） — QwenImage21PipelineをQwen/Qwen-Image-2.1から BF16 で読み込み、transformers>=5.17、torch>=2.4、およびソースからインストールした Diffusers を使用します。Turbo チェックポイントも同じパイプラインクラスで読み込まれます。

• ComfyUI — ネイティブのDay-0サポート。上記のComfy-Orgウェイトを使用した、テキストから画像生成および画像編集用のテンプレートワークフローを公開しています。

• vLLM-Omni — オフラインスクリプトとOpenAPI形式のオンラインサービング（vllm serve … --omni）に対応し、ステップワイズ実行、プレフィックスKVキャッシュ、CUDA Graphデコード、FP8量子化、TP/Ulysses並列処理が文書化されています。

• SGLang — sglang generateによる Day-0 ネイティブサポート。編集用の--image-path引数を追加し、並列処理とオフロードのオプションを備えています。

• LightX2V — ModelTCプロジェクトによって維持されているDay-0アクセラレーションパス。

• NVIDIA以外のハードウェア — ROCm、PyTorch、Diffusersを経由するAMD Radeonの経路、およびModelScopeで公開されているビルド済みイメージと重みを利用して8つのチッププラットフォームにまたがるFlagOSのルート。

出力品質を重視するなら、実質的にインストールの一部となる付属品があります。このリリースには2つのプロンプト書き換え用チェックポイント、Qwen-Image-2.1-PE-T2IとQwen-Image-2.1-PE-I2Iが同梱されています。どちらもファインチューニングされたQwen3.5-VL 9Bモデルで、書き換えコードとシステムプロンプトはリポジトリで公開されています。ベンダーは、画像モデルを直接呼び出すのではなく、短いプロンプトを詳細なプロンプトに書き換えることを推奨しています。

33 GB のスタックをメモリ上に一切保持したくない場合、Model Studio Pro と Turbo のエンドポイントが提供ルートで、2026年10月9日から稼働しています。これらについて画像1枚あたりの料金は記載していません。というのも、私たちが確認できた公開のローンチノートにはそれが公表されていないからです。

これがあなたをどういう立場に置くのか

はっきり言えば、これがほとんどの評価を決める事実だからです： OrcaRouterはQwen-Image 2.1やいかなるQwen-Imageモデルもルーティングしていません。 私たちは2026年10月13日に自社のライブモデルリストを確認しましたが、そこにはありません。オープンウェイトが決め手になったのなら、経路はセルフホストのダウンロードかベンダー自身がホストするAPIであり、当社ではありません。

私たちに確かにあるのは、このモデルを試したいチームにとってこのモデルが生み出す問題の全体的な輪郭だ。Qwen-Image 2.1 は特定の意味で扱いにくい。公表仕様の上では確かに高性能であり、商用利用となればライセンスによって確かに制限され、セルフホストが午後の作業ではなく一つのプロジェクトになるほど重い。だからこそ、初日から本番経路の前に置くべきではない、という話になる。OrcaRouter は 200 以上のモデルを、単一の OpenAI 互換エンドポイントの背後に、プロバイダー定価でマークアップなしに提供し、プロバイダー間の自動フェイルオーバーとルーティング DSL を備えている。これにより、複数のモデルを単一の呼び出しに組み合わせられるので、まだ評価中の研究用ライセンスのチェックポイントを、置き換えるのではなく、すでに信頼しているモデルの横に並べられる。Model fusion は同じ考え方をさらに推し進め、モデルのパネルが同じプロンプトに回答できるようにすることで、比較がベンダーのサンプルギャラリー上ではなく、自分の入力上で行われるようにする。

3人の読み手、3つの異なる答え。商用で構築するなら、ライセンスが判断のすべてを決め、交渉なしには「ノー」と言っている——その会話を始めるか、同じファミリーから Apache-2.0 のチェックポイントを選ぶかだ。研究、ファインチューニング、あるいは透明なアセットと3枚を超える参照画像が必要なら、これが現在、オープン層の残りが基準として測られているモデルであり、初日からのランタイムサポートによって統合作業は小さく済む。テキスト主体の制作画像が必要で、自分で何も動かしたくないなら、クローズドな Qwen-Image 3.0 とホスト型 Pro エンドポイントが、それに対するベンダー自身の答えであり、このモデルのテキストレンダリングがどれほど進んだかという分類は、公表された数値の裏付けがない未解決の問いのままだ。