Qwen-Image 2.1が静かにリリース：Qwen/Qwen-Image-2.1-PE-I2Iの中身

2026年9月20日、Qwen-ImageチームはQwen-Image 2.1をHugging FaceとModelScopeで公開しました — 重み、ライセンスファイル、モデルカード、ブログ記事まで、すべて同じ日のうちに、ほぼ予告なしで。目玉となる数字は視覚生成コンポーネントの7Bパラメータです。ほとんど誰もまだ開いていない部分はQwen/Qwen-Image-2.1-PE-I2Iで、画像モデルと同時にリリースされた2つのプロンプト書き換えチェックポイントのうちの1つです。それは画像モデルではありません。画像モデルがそれを見る前に、あなたの指示が何を意味するかを決めるもの — そしてこのリリースでは、出力が返ってくる言語を静かに設定するコンポーネントです。

ここで「ひっそりと出荷された」とは実際どういう意味なのか

言い回しが重要だ。どちらに転んでも大げさに言いやすいからだ。Qwen-Image 2.1 はリークされたわけでも、事前告知なしだったわけでもない。2026年9月20日付のベンダーブログ投稿があり、同じ日付のニュース欄がある GitHub リポジトリがあり、そして公開中の重みのダウンロードがある。欠けていたのは助走期間だ。唯一の事前シグナルは9月17日の告知で、ModelScope を通じて50件の早期アクセス枠を提供し、選ばれたテスターは9月29日までにサンプルまたはレビューを公開するよう求められていた。3日後には重みが公開された。基調講演も、ベンチマークのエンバーゴも、プレスサイクルもなかった。

これは特定の種類のリリースであり、正確に名付ける価値がある。ベンダーが発表した。ベンダーは宣伝しなかった。これを基盤に構築すべきかどうかを判断する人にとって、実用的な帰結はこうだ：頼れる独立した評価はまだ存在しない — あるのはベンダー自身の資料と、今後一週間で早期アクセステスターが公開するものだけだ。アリババ外部の誰かが公の場でこれを実行するまでは、本記事のあらゆる品質に関する主張はモデルカードとブログ記事に由来するものとして扱ってほしい。

なぜPE-I2Iチェックポイントが特に興味深いのか

Qwen-Image 2.1のリリースには、1つではなく3つのダウンロード可能な要素が含まれています：

• Qwen/Qwen-Image-2.1 — 画像モデル本体です。視覚生成コンポーネントに7Bパラメータの32層シングルストリームDiT、Qwen3-VL 8Bテキストエンコーダー、16×の空間圧縮を行う64チャネルRGBA VAEを備えています。3つのコンポーネントを合わせて約33 GBです。

• Qwen/Qwen-Image-2.1-PE-T2I — テキストから画像を生成するためのプロンプト書き換えツール。ファインチューニングされた Qwen3.5-VL 9B、約 18.8 GB。

• Qwen/Qwen-Image-2.1-PE-I2I — 画像から画像への編集向けのプロンプトリライター。また、ファインチューニングされたQwen3.5-VL 9Bでもあり、同じく約18.8GBで、9月20日08:46 UTCにHugging Faceにアップロードされました。

「PE」はプロンプト強化（prompt enhancement）です。I2I バリアントは、曖昧な編集指示と1枚以上の入力画像を受け取り、下流の拡散モデル向けの正確で曖昧さのない編集指示に書き換えます。リポジトリ自身の説明は入力の形について率直であり、入力画像は常に存在するため、これは常に画像編集タスクで、何もないところからテキストから画像を生成する（text-to-image）ものではありません。書き換えコードは prompt_rewrite/ フォルダにあり、両方のチェックポイント — --task t2i または --task edit — に対応します。transformers パス、vLLM パス、常駐サービス用の serve.sh と client.py、共有ロジック用の pe_core.py を備えています。

これが、見た目以上に重要な理由です。画像モデルは、あなたが何を意図したのかを一切理解していません。モデルが把握しているのは、プロンプトに文字通り書かれている内容を、テキストエンコーダーがどう処理するかに応じて重みづけしたものだけです。その手前に置かれたリライターこそが、曖昧さが解消される場所です——あるいは、誤って、しかも一貫して、生成するすべての画像で解消される場所でもあります。最大10枚の参照画像を扱う統合型の生成・編集モデルでは、この解消ステップには通常よりも多くの間違いが入り込む余地があります。

言語の決定が存在するのは、システムプロンプトの中である

PE-I2I リポジトリはsystem_prompt.txtを重みとともに同梱しており、ある一点について異例なほど明示的です。それは言語です。それを直接読むと、リライターは2つの別個の言語判断を行うよう、またそれらを切り離しておくよう指示されています。

• 説明に使用する言語。 リライターが編集内容を説明するために書く文章は、ユーザーの指示言語に従います — 中国語の指示なら中国語の説明、英語の指示なら英語の説明、日本語、韓国語、フランス語、タイ語、その他の言語での指示は英語の説明になります。

• 描画されるテキストの言語。 出力画像に実際に描画されるテキストは、二重引用符で囲まれた形で渡され、厳密な優先順位によって決定されます。第一に、ユーザーが正確なテキストまたは対象言語を指定した場合は、それを文字どおりに従います。第二に、入力画像にすでにテキストが含まれている場合は、たとえ指示が別の言語で書かれていても、その既存テキストの支配的な言語に合わせます。第三に、画像内にテキストがなく、言語も指定されていない場合は、指示自体の言語を使用し、特に英語に固定してはいけません。

プロンプトは、言語名を明示しない英語の指示で編集された、大部分がタイ語の画像はタイ語のテキストを描画しなければならないという実例によって第2のルールを補強し、さらに2つの制約を追加している。描画されるテキストは中国語と英語のペアではなく単一言語でなければならず、「スペックシート」や「ストーリーボード」という視覚ジャンルは、レイアウトとタイポグラフィによって達成されるものであって、描画されるラベルを英語に切り替えることによって達成されることは決してない。

これは影響範囲の大きい、小さなエンジニアリングの一部だ。パッケージの文言が重要になる市場向けの製品画像を生成しているなら、「リライターが既存のラベルの言語を保持する」のと「リライターが親切にもすべてを英語に翻訳する」のとの違いは、使えるアセットと却下されるアセットの違いになる。そして、この挙動はリポジトリに同梱されるシステムプロンプトで指定されているため、それを読み、差分を取り、上書きできる——これは、クローズドなホスト型モデル内部の同じステップについては言えないことだ。

確認されていることと、確認されていないこと

ここで境界線を正確に定めることこそが、知見をまとめる記事の本質なのだ。

• リポジトリとモデルカードから確認済み — 7B / 32層の単一ストリームDiTの数値、Qwen3-VL 8Bテキストエンコーダー、16倍の空間圧縮を行う64チャンネルRGBA VAE、テキストにはトークンレベルの因果マスク、画像生成にはチャンクレベルの双方向マスクを用いるブロック因果的アテンション、チェックポイントがcausal_condition: trueを保持している場合に有効になるとカードが述べるプレフィックスKVキャッシュ再利用（実際に保持している）、Euler離散スケジューリングを用いたフローマッチング、40推論ステップで2048×2048をデフォルトとするネイティブ2K出力、文書化された7つのアスペクト比プリセット、最大10枚の参照画像のサポート、円、ペイント注釈、または別個のマスクによるローカル編集、そしてRGBA生成、透過レイヤー編集、RGB写真からの被写体抽出。

• ライセンスについて確認できました。そしてここが危険なポイントです — このリリースは、2026年9月20日付のQwen Research License Agreementの下にあり、「FOR NON-COMMERCIAL PURPOSES ONLY」の権利を付与し、商用利用にはベンダーへの別途ライセンス申請が必要であると明記しています。これは、Apache 2.0の下で提供されていた以前のQwen-Imageシリーズからの重大な変更です。これをもとに製品を作る前に、後回しにせずライセンスファイルを読んでください。

• 未確認 — 独立したベンチマークスコアはまだ存在しない。このブログ記事は Qwen-Image-Bench の比較チャートを参照しているが、そこに示されている数値はベンダー自身によるものであり、執筆時点で第三者による再現は行われていなかった。Qwen-Image 2.1 について公表されたホスト型エンドポイントの価格はなく、商用ライセンスの条件も明示されていない。また、寛容なライセンスの派生版が登場するかどうかについても、まだ何も発表されていない。

現存する唯一の独立したデータ点は、Qwen Ambassadorプログラムを通じてアクセスを得たテスターが、最終リリースの重みをModelScope Studioのインターフェースで実行して行った、実践的な早期アクセスレビューである。そのレビューは、テキストから画像生成で約10～15秒、編集で18～23秒の生成時間を報告し、カメラ位置プリセットと複数キャラクターの役割割り当てでは強い性能を示した一方、知っておく価値のある特定の失敗モードも報告していた。複数参照の一貫性は入力画像が約3枚以降で低下し、横顔の角度ではサイドポニーテールの配置がセンターポニーテールに崩れてしまった。それは、タイマー表示のない早期アクセス版UI上での、たった1人のレビュアーによるものだ。有用なシグナルではある。ベンチマークではない。

デイゼロのフレームワーク対応、これが静かなる良い知らせだ

モデルがローンチ当日にどこで使えるようになるかは、モデルカードよりも、実際に使えるかどうかをはるかに雄弁に物語ってくれる。そしてQwen-Image 2.1は幅広く展開された：

• Diffusers — QwenImage21Pipelineが初日にマージされ、モデルリポジトリにはdiffusers:QwenImage21Pipelineタグが付いています。

• ComfyUI — テキストtoイメージおよび画像編集ワークフローテンプレートによるネイティブなday-zeroサポート、さらに別途Comfy互換のウェイトリポジトリ。

• vLLM-Omni — 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、テンソル/Ulysses並列。

• SGLang — ネイティブサポートのプルリクエストが9月17日にマージされ、重み公開の3日前だった。DiT、RGBA VAE、Qwen3-VL条件付け、複数の参照画像、RGBA入出力をカバーし、H200、B200、RTX PRO 6000、RTX 5090、RTX 4090で検証済み。

• LightX2V — デイゼロでの高速化に加え、ROCm 経由の AMD Radeon と FlagOS によるマルチチップ対応。

リリース前のSGLangのプルリクエストが、その証拠だ。重みより先にフレームワーク対応が入るということは、サービング経路がチェックポイントに対してテストされていたということであり、後からモデルカードを見て書かれたものではない。隣に17.5 GBのテキストエンコーダが座っている7Bのコンポーネントにとって、それは週末を丸ごと潰すヤクの毛刈りと、午後ひとつ分との違いなのだ。

VRAMが限られたGPUでは、モデルカードはCPUオフロード——pipe.enable_model_cpu_offload()——を推奨していますが、これは修正ではなく標準的な回避策です。33 GBのダウンロードの大部分を占めているのはDiTではなくテキストエンコーダーで、拡散トランスフォーマー自体はバンドルの中で小さい方の半分、およそ14 GBにすぎません。

実用的な読み

もしあなたが今日Qwen-Image 2.1を試したいなら、正直なところ、研究ライセンスのもとでローカルで試すことはできますが、独立したベンチマークはなく、商用利用の権利もありません。これは評価目的なら妥当な取引ですが、本番パイプラインにとっては悪い取引であり、その二つの間の隔たりこそが、まさにライセンスファイルによって決まるものです。

数日前のチェックポイントに本番経路をコミットしたくないまま画像モデルをベンチマークしているチームにとって、そのリスクを封じ込めるのはルーティング層です。OrcaRouterは、プロバイダーの定価のままマークアップゼロで、OpenAI互換の単一エンドポイントの背後に200以上のモデルを並べ、プロバイダー間の自動フェイルオーバーを備えています。そのため、実績のないモデルを、すでに信頼しているモデルを置き換えるのではなく、そのモデルと並べて同じルートの背後に置くことができます。そして定価がそのまま渡されるので、ルーティングされたモデルのベンダー価格の引き下げは、契約変更を待つことなく当日に反映されます。執筆時点で、Qwen-Image 2.1は当社がルーティングするモデルには含まれておらず、本記事はそう示唆するつもりもありません。当社がルーティングしているのは、その周辺の画像系モデル、すなわちOpenAIのGPT-Imageファミリー、GoogleのImagen 4の各ティアとGeminiの画像プレビュー、xAIのGrok Imagine画像エンドポイントであり、新しいモデルをご自身のハードウェアで評価している間にフェイルオーバー経路が得られるとすれば、そこからです。

未解決の問いは、リポジトリには答えられない問いだ。Alibabaは研究専用ライセンスのもとで7Bのオープンウェイト画像モデルを出荷し、同じ年にQwen-Image 3.0をウェイトが一切ないクローズドなホスト型モデルとして出荷した。2つのリリース、正反対の2つの賭け、その間は4か月。そのどちらが次のQwen画像モデルの形を決めるのか——そして研究ライセンスが企業にも使えるものへと変わるのか——が注目すべき点だ。ウェイトは今Hugging Faceにあり、誰でもライセンスファイルを自分で読める。