Qwen-Image-2.1 対 Bernini-Diffusers-v2：ライセンスこそが議論のすべて

2026年に6週間違いで登場した2つのオープンウェイト画像システムは、ほとんど注目されることもなく、そしてそれらでビジネスを築けるかどうかを決めるただ一つの点について、互いに見解を異にしている。Qwen-Image-2.1は2026年9月20日に公開され、研究ライセンスで提供されている——非商用のみで、商用利用は別途契約による。Bernini-Diffusers-v2はByteDanceが2026年8月13日に公開したもので、Apache 2.0の下で提供されている。つまり、そのまま出荷できる。より高性能に見えるリリースのほうは販売できず、より寛容なライセンスのほうはもっぱら動画を作りたがっている。この逆転こそが、この比較の核心だ。

ライセンスの逆転

まず書類手続きから始めてください。このページの他のどの項目よりも優先されるからです。どれほど品質に差があってもライセンス問題を解消することはできず、どんなベンチマークスコアでも、市場から引き揚げざるを得ない製品を救うことはできません。

• ライセンス — Qwen-Image-2.1 は 2026年9月20日付の Qwen Research License Agreement であり、「FOR NON-COMMERCIAL PURPOSES ONLY（非商業目的のみ）」で、商用権利は要請に応じてのみ利用可能です。Bernini-Diffusers-v2 は Apache 2.0 です。
• 実務上の影響 — Qwen-Image-2.1 のワークフローは評価用資産もしくは個人用のものになります。一方、Bernini-Diffusers-v2 のワークフローは、通常の Apache の帰属表示要件を満たせば、ベンダーとのやり取りを必要とせず、今日から出荷可能です。
• 今後の方向性 — Qwen の以前の画像モデル群は Apache 2.0 で提供されていたため、今回のリリースは条件の厳格化にあたります。ByteDance は Bernini を両世代にわたって寛容なライセンスのまま維持しています。

この記事の中で一つのセクションだけを読むなら、それがこのセクションです。以下の内容はすべて、この軸において実際には並んでいない二つのものの間のタイブレーカーにすぎません。

各システムの実態とは

両モデルは同じ種類のオブジェクトではなく、その違いはダウンロードに何が含まれているかを見た瞬間に明らかになる。

Qwen-Image-2.1は単一の統合モデルです。1つの7B、32層の単一ストリーム拡散Transformerが、同一の重みで生成と編集を処理し、Qwen3-VL 8Bテキストエンコーダーによって条件付けられます。さらに、16×の空間圧縮を行う64チャネルRGBA VAEが透明性の処理で大きな役割を担います。合計は約33 GBで、DiT自体は約14 GB、残りはテキストエンコーダーが占めます。また、オプションのプロンプト書き換えチェックポイントを2つ用意しています — PE-T2IとPE-I2Iで、それぞれ約18.8 GBのファインチューニング済みQwen3.5-VL 9Bです — これらは、拡散モデルが認識する前にあなたの指示をより精密なものへ書き換えます。

Bernini-Diffusers-v2は単一のモデルではなく、パイプラインです。Qwen2.5-VLセマンティックプランナーが推論を行い、潜在意味プランを書き出します。Wan2.2拡散レンダラーがそれを実行します。v2レシピの最初のBerniniリリースに対する最大の変更点は、共訓練の前に数千ステップにわたってコネクタをウォームアップすることであり、これによって参照ガイド付き動画編集とOpenS2Vの挙動が改善されました。その2段階分割がアーキテクチャ上の賭けです。まず計画し、次にレンダリングする。そしてプランを編集することで動画を編集できます。

• アーキテクチャ — Qwen-Image-2.1 は生成と編集のための単一の統合 DiT です。Bernini-Diffusers-v2 は Qwen2.5-VL プランナーが Wan2.2 レンダラーを駆動する構成です。
• モダリティ — Qwen-Image-2.1 は画像のみです。Bernini-Diffusers-v2 は t2i、i2i、t2v、v2v、参照ガイド付き動画編集、r2v をカバーするため、画像は本邸ではなく別室のような位置づけです。
• 透過性 — Qwen-Image-2.1 は RGBA VAE を通じてサンプラーからアルファを出力します。Bernini-Diffusers-v2 のドキュメントに記載された出力は RGB 動画と画像フレームで、同等のネイティブ アルファ経路は説明されていません。
• プロンプト処理 — Qwen-Image-2.1 は、読んだり差分を確認したり上書きしたりできる個別の 9B リライター チェックポイントを提供しています。Bernini-Diffusers-v2 のプランナーはパイプラインの一部であり、そのプロンプト エンハンサーは提供されるチェックポイントではなく、オプションの OpenAI 互換エンドポイント呼び出しです。
• ハードウェア — Qwen-Image-2.1 は単一のコンシューマー GPU に収まり、性能が制約されたカードでは CPU オフロードが推奨されます。Bernini-Diffusers-v2 のドキュメントに記載された環境は Hopper クラス（H100/H800/H200）で、より大きな構成ではマルチ GPU シーケンス並列処理を使用します。

比較が役に立たなくなるのはどこか

この2つを出力品質で競わせて採点したくなる気持ちは分かる。だが、その比較は存在しない。そうでないかのように装うのは、不誠実な行為だろう。

Bernini-Diffusers-v2 が公開している数値は、ベンダー報告による動画および編集の指標 —— EditVerse 8.02、OpenVE 3.96、OpenS2V 63.83、VBench 84.46 —— に加え、ByteDance 社内のブラインド人間ペアワイズアリーナで第一級の性能を発揮したという主張です。これらは動画の指標です。Bernini-Diffusers-v2 について独立した画像ベンチマークは実施されておらず、FID も、テキストレンダリングのスコアも、画像リーダーボードへの登録もありません。一方、Qwen-Image-2.1 の唯一の品質数値はベンダー自身の Qwen-Image-Bench チャートであり、そこでは 60.28 を示し、Nano Banana 2.0 の 59.82、GPT Image 1.5 の 59.65 と対比されています —— ベンダー資料であり、再現されておらず、これを執筆した時点で同モデルは独立系の画像リーダーボードに存在していませんでした。唯一真に独立したデータ点は、SGLang 統合作業からの機能検証です。透過 PNG 出力は合格し、アルファは 0～255 の全範囲にわたって保持され、RGBA PSNR は単一サンプルで 60.69 dB を記録し、FP8 構成は透過 PNG 生成に合格しました。SGLang の著者らは、これが正確性の確認であり、品質の保証ではないと明言しています。

つまり、オープンなリリースが2つ、ベンダーのスコアカードが2つ、共通のベンチマークはなく、両方を実行した第三者もいない。画質で一方が他方より優れていると言う人は、マーケティングの受け売りをしているだけだ。

編集の方針：プロンプトを書き直すか、計画を書き直すか

どちらのモデルも同じ根本的な問題——ユーザーの指示は曖昧で、拡散モデルは文字通りである——を解決しようとしているが、それを正反対の場所で解決している。

Qwen-Image-2.1はそれを言語で解決します。PE-I2Iチェックポイントは、あなたの編集指示と1つ以上の入力画像を受け取り、生成前にそれを正確な指示へ書き換えます。出荷済みのチェックポイントであり、出荷済みのsystem_prompt.txtがあるため、何をするよう指示されているかを正確に読むことができます — 出力内のレンダリングされたテキストが英語に強制されるのではなく、入力画像にすでにあるテキストの主要言語と一致すべきであるというルールも含めて。これは検査可能な挙動です。それを上書きできます。

Bernini-Diffusers-v2はそれを構造で解決する。プランナーがセマンティックプランを生成し、次にレンダラーがそれを実行する。そしてこの構成の興味深い特性は、プランが編集できるものだという点にある。動画制作では——多くの場合、狙いそのものが、ショットを再生成せずにシーケンス全体で1つの要素を変更することにある——レンダリングとは別に計画することは適した形だ。単一の静止画にとっては、それは余分な可動部品になる。

• 編集の粒度 — Qwen-Image-2.1は、円、ペイントによる注釈、または別個のマスクによるローカル編集に対応しており、さらに透過レイヤーの編集やRGB写真からの被写体抽出も可能です。一方、Bernini-Diffusers-v2で文書化されている編集上の強みは参照ガイド付き動画編集と被写体から動画への変換であり、静止画のローカル修復ではありません。
• 参照入力 — Qwen-Image-2.1は最大10枚の参照画像を受け付けますが、早期アクセスのレビュアーは、参照画像がおよそ3枚を超えるあたりからマルチ参照の一貫性が低下すると報告しています。Bernini-Diffusers-v2の参照処理は、動画シーケンスを中心に文書化されています。
• 検査可能性 — Qwen-Image-2.1の書き換えロジックは、リポジトリ内で読める形のシステムプロンプトになっています。Bernini-Diffusers-v2の計画段階はモデルの重みそのものです。

これで実際に何をすべきか

その決定ルールは、スペックシートではなくライセンスから自ずと導き出される。

もしその出力を販売するもの——クライアントワーク、製品、有償のパイプライン——に組み込むのであれば、この2つのうち相談なしで使えるのはBernini-Diffusers-v2だけであり、ドキュメントどおりに動かすにはHopperクラスのハードウェアを予算に計上すべきです。研究、評価、個人的な作業を行うのであれば、Qwen-Image-2.1はより検証しやすいシステムとネイティブのアルファを備えたシステムを提供しますが、その代償として、最終的に再交渉するか、手を引かざるを得なくなるライセンスを受け入れることになります。

これらのどちらもカバーしていない第三の選択肢があり、それは率直に名指しする価値がある。ホステッド画像モデル、つまりライセンスファイルにもGPUにも一切触れる必要がないものだ。OrcaRouterは200以上のモデルを、OpenAI互換の単一エンドポイントの背後で、プロバイダー定価のままマークアップゼロでルーティングしており、プロバイダー間の自動フェイルオーバー、フォールバックチェーン用のルーティングDSL、モデルフュージョンを備えている。本稿執筆時点では、Qwen-Image-2.1もBernini-Diffusers-v2も当社のカタログにはない。当社はいかなるバージョンのQwen-Imageモデルも、Berniniモデルもルーティングしていない。したがって、これはどちらの売り込みでもない。当社が実際に扱っているルーティング対象の画像モデルは、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、そしてxAIのGrok Imagine画像エンドポイントだ。定価はマークアップされずそのまま渡されるため、そのいずれかでベンダーが値下げすれば、当日中に反映される。

どちらのリポジトリも答えていない部分

これらはどちらも事前告知のない静かなリリースであり、静かなリリースは計画を立てるのが難しい。Qwen-Image-2.1 の唯一の事前シグナルは、9月17日の早期アクセスに関する告知で、ModelScope の枠を50用意し、テスターには9月29日までに公開するよう求めるものだった——重みが公開される3日前のことである。Bernini-Diffusers-v2 は、8月13日に Hugging Face に突然現れ、Gitee のミラーも併せて登場した。

両方に欠けているのは、その条件が維持されるという確信の根拠だ。Qwenは前回の画像生成と今回の間でライセンスを厳格化した。これは方向性を示すデータポイントである。ByteDanceは2世代にわたってBerniniをApache 2.0のまま維持している。これは逆方向を示すデータポイントである。それらのどちらが次のリリースでも当てはまるかは、ここからでは知りようがなく、パイプラインを採用してからではなく、採用する前に確認すべきことだ。