Qwen-Image 2.1: Czym właściwie jest model obrazu 7B z otwartymi wagami

Qwen-Image 2.1 to model, którego ludzie szukają po nazwie i obecnie trafiają w pustkę. To opracowany przez Alibabę model tekst-na-obraz i edycji obrazów z otwartymi wagami, wydany 20 września 2026 r., a większość zamieszania wokół niego ma charakter strukturalny: jest nowszy niż Qwen-Image 3.0, który ten sam zespół wydał 21 lipca 2026 r., a starszy niż Qwen-Image 2.1 Turbo, przyspieszony checkpoint, który pojawił się 9 października 2026 r. Trzy nazwy, jedna rodzina, trzy naprawdę różne produkty — a numery wersji nie porządkują żadnego z nich poprawnie.

Ta strona jest dokumentacją referencyjną samego modelu: czym jest, co przyjmuje i zwraca, na co faktycznie pozwala jego licencja, gdzie znajdują się wagi i na czym według dokumentacji działa. W momencie pisania wydanie ma 23 dni, więc traktuj je jako fakt, który datuje model, a nie jako nowinę — pytaniem, na które warto odpowiedzieć, jest to stałe pytanie, jakie ma czytelnik, gdy wpisuje nazwę samego modelu.

Trzy produkty Qw​en do obrazów, trzymane osobno

Niemal każde błędne oczekiwanie dotyczące Qwen-Image 2.1 wynika z traktowania tej rodziny jako jednego ciągu. Tak nie jest. Trzy obecne produkty znajdują się w różnych punktach zarówno pod względem możliwości, jak i dostępu:

• Qwen-Image 2.1 — jeden model wykonujący zarówno generowanie obrazów na podstawie tekstu, jak i edycję obrazów, z 7 mld parametrów w komponencie generowania wizualnego oraz 32 warstwami DiT jednoprzepływowymi, opublikowany jako otwarte wagi na licencji badawczej. Premiera 20 września 2026 r.

• Qwen-Image 2.1 Turbo — ta sama 7B architektura generowania wizualnego i te same presety rozdzielczości, wydany jako oddzielny przyspieszony checkpoint 9 października 2026 r., który odszumia w 8 krokach zamiast 40, z CFG domyślnie ustawionym na 1 i jego zalecanym harmonogramem próbkowania zapisanym w checkpoincie. To wariant szybkościowy, a nie poziom możliwości.

• Qwen-Image 3.0 — model trzeciej generacji z 21 lipca 2026 r., i to ten zamknięty. Nie ma dla niego repozytorium wag na Hugging Face ani ModelScope, a jego materiały premierowe nie podają liczby parametrów ani licencji. Jego główne obietnice dotyczą gęstości tekstu i wiedzy — prompty do 4,5 tys. tokenów, tekst o rozmiarze już 10 px renderowany czytelnie, 12 języków, ponad 100 stylów artystycznych — i są to twierdzenia samego dostawcy, nieodtworzone tutaj. Jeśli potrzebujesz najsilniejszego renderowania tekstu w rodzinie, to jest argument za 3.0; jeśli potrzebujesz uruchomić model samodzielnie, 3.0 wcale nie jest opcją.

Czwartą rzecz warto omówić osobno, bo również nosi nazwę 2.1: od 9 października 2026 r. w wykazie nowości dostawcy hostowane interfejsy API Qwen-Image-2.1 Pro i Turbo figurują jako oficjalnie dostępne w Aliba​ba Cloud Model Studio. To ścieżka udostępniania tego samego modelu, a nie czwarty model.

Co się kryje pod maską

Architektura, w takiej formie, w jakiej została opublikowana na karcie modelu i w repozytorium producenta, jest kompaktowa na tle standardów obecnej dziedziny obrazowania i została zorganizowana wokół jednej idei: sprawić, by edycja wielu obrazów była tania.

• Transformer — 32 warstwy, 7 mld parametrów, jednostrumieniowy DiT z uwagą blokowo-przyczynową. Tekst, w tym prefiks systemowy i instrukcje edycji, stosuje przyczynową maskę na poziomie tokenów; generowanie obrazu stosuje dwukierunkową maskę na poziomie chunków.

• Koder tekstu — Qwen3-VL 8B, model językowo-wizualny, który koduje zarówno instrukcję tekstową, jak i wszelkie obrazy warunkujące w jedną reprezentację. W opublikowanym pliku do pobrania stanowi większą połowę stosu.

• VAE — 64-kanałowy autoenkoder RGBA z 16-krotną kompresją przestrzenną, dzięki czemu natywna przezroczystość pochodzi właśnie stąd, a nie z przetwarzania końcowego.

• Harmonogram — Flow Matching z dyskretnym harmonogramowaniem Eulera i dynamicznym przesuwaniem; domyślnie 40 kroków odszumiania na podstawowym checkpoincie.

Ten podział o mieszanej granularności to argument za wydajnością. Obrazy wejściowe i instrukcje są obliczane jednorazowo na pierwszym kroku odszumiania, a następnie ponownie wykorzystywane jako buforowany kontekst prefiksu, więc dodawanie obrazów referencyjnych kosztuje mniej niż w projekcie, który ponownie koduje wszystko na każdym kroku.

Licencja, dokładnie taka, jak opublikowano

To jest część, którą większość podsumowań podaje błędnie, w obie strony. Qwen-Image 2.1nie jest open source w sensie permisywnym inie jest też zamknięty. Karta na Hugging Face oznacza go jako license: other z license_name: qwen-research, a plik LICENSE w repozytorium to Qw​en Research License Agreement, z dnia 20 września 2026. Odczytana 13 października 2026, jej klauzula operacyjna przyznaje

• niewyłączna, ogólnoświatowa, nieprzenoszalna i bezpłatna ograniczona licencja na używanie, reprodukowanie, rozpowszechnianie, kopiowanie, tworzenie utworów pochodnych i modyfikowanie materiałów — wyłącznie do celów niekomercyjnych.

Umowa definiuje „Non-Commercial" wąsko — jako wyłącznie do celów badawczych lub ewaluacyjnych — a wszystko inne kieruje wprost: „nie wolno wykorzystywać Materiałów do jakiegokolwiek celu komercyjnego bez uzyskania od nas odrębnej licencji komercyjnej", o którą należy poprosić e-mailem na adres wskazany w umowie. Praktyczna sytuacja zespołu to więc dwie linie, a nie jedna: wagi można pobierać, przeglądać, kwantyzować i dostrajać, a wypuszczenie na nich produktu wymaga najpierw rozmowy z Aliba​ba.

Z redystrybucją wiążą się trzy dalsze warunki, które łatwo przeoczyć, gdy licencja jest streszczana jako „niekomercyjna”. Musisz przekazać kopię umowy każdemu odbiorcy w ramach redystrybucji. Zmodyfikowane pliki muszą zawierać wyraźne informacje o tym, że zostały zmienione. A każda rozpowszechniana kopia musi zachować tekst informacji, który umowa określa dosłownie, przypisując materiał do Hangzhou Tongyi Laboratory Technology Co., Ltd. Obok nich obowiązują dwie zasady użytkowania: jeśli używasz modelu lub jego wyników do trenowania, dostrajania lub ulepszania modelu AI, który następnie rozpowszechniasz, musisz w widoczny sposób umieścić w dokumentacji produktu napis „Built with Qw​en” lub „Improved using Qw​en”; oraz nie możesz używać „Qw​en” jako głównej nazwy ani identyfikatora utworu zależnego, choć dozwolone jest użycie opisowe, takie jak „fine-tuned from Qw​en Image”. Prawem właściwym jest prawo chińskie, a wyłączna jurysdykcja należy do sądów ludowych w Hangzhou.

Warto dokonać jednego porównania, bo pokazuje ono, dokąd ta rodzina się przesunęła, a nie skąd zaczynała. Wcześniejsze wydania Qwen-Image są objęte liberalnymi licencjami: karty modeli dla Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered i Qwen-Image-2512 zawierają apache-2.0 zgodnie z odczytem z 13 października 2026 r., bez żadnej komercyjnej bramki. Qwen-Image 2.1 jest wyłomem w tym schemacie. Udzielone już licencje nie zmieniają się z mocą wsteczną, więc te wcześniejsze checkpointy pozostają użyteczne na swoich pierwotnych warunkach — ale każdy, kto planuje komercyjny pipeline w oparciu o założenie, że najnowszy model Qwen image będzie liberalny, powinien przeczytać ten tekst przed kolejnym wydaniem, a nie po nim.

Co wchodzi, a co wychodzi

Zakres wejściowy jest szerszy niż w modelu tekst-na-obraz, a zakres wyjściowy obejmuje coś, czego większość modeli obrazowych w ogóle nie generuje. Zgodnie z kartą modelu i repozytorium dostawcy:

• Tylko tekst — polecenie generuje obraz. Tryb tekst-na-obraz jest domyślny; nie ma oddzielnego checkpointu T2I do wyboru.

• Jeden obraz plus prompt — standardowe wywołanie edycji, przekazujące obraz wraz z instrukcją.

• Do 10 obrazów referencyjnych — przykłady dostawcy łączą sześć portretów w jedno zdjęcie grupowe, pięć zdjęć produktowych w jedną stylizację, a dziesięć zdjęć wyposażenia w jedno pomieszczenie. To możliwość, pod którą zoptymalizowano tę architekturę.

• Lokalna kontrola edycji na trzy sposoby — okręgi rysowane na obrazie (kilka regionów rozpoznawalnych jednocześnie po kolorze), malowane adnotacje albo osobna maska dostarczona jako własne wejście, dzięki czemu oryginalne zdjęcie pozostaje nieoznaczone.

• Przezroczystość w obu kierunkach — generowanie obrazu RGBA bezpośrednio z promptu z użyciem zalecanego przez dostawcę formatu promptu, edytowanie w obrębie przezroczystej warstwy, w tym tekstu, oraz wyodrębnianie obiektu ze zwykłej fotografii RGB jako warstwy RGBA.

• Zakres rozmiarów — natywnie 2K, domyślnie 2048×2048, z siedmioma opublikowanymi presetami: 1:1 przy 2048×2048, 4:3 przy 2400×1792, 3:4 przy 1792×2400, 3:2 przy 2528×1696, 2:3 przy 1696×2528, 16:9 przy 2752×1536 i 9:16 przy 1536×2752.

• Dane wyjściowe — każdy przykład w kodzie samego dostawcy zapisuje PNG, a ścieżka przezroczysta zapisuje RGBA z prawdziwym kanałem alfa. Nie opublikowano osobnego wyliczenia formatów wyjściowych, więc PNG jest tym, co tworzy udokumentowana ścieżka, a nie udowodnionym ograniczeniem.

Warto wspomnieć o dwóch brakach, zamiast pozostawiać ich odkrycie czytelnikowi. Karta nie podaje maksymalnej długości promptu dla Qwen-Image 2.1 — wartość wejściowa 4,5 tys. tokenów dotyczy Qwen-Image 3.0 i nie należy jej przenosić. Nie ma też podanej ceny za otwarte wagi, ponieważ do pobrania nie jest przypisana żadna hostowana stawka za obraz; kosztem jest własna moc obliczeniowa. Hostowane interfejsy API Pro i Turbo w Model Studio to odrębna ścieżka komercyjna, a materiały, które mogliśmy przeczytać, podają, że szczegóły dostępu i użytkowania znajdują się na stronach konsoli dostawcy, a nie w publicznych informacjach o premierze.

Renderowanie i edycja tekstu, słowami samego dostawcy

Twierdzenia dostawcy dotyczące tego wydania mają charakter jakościowy i warto je przytaczać jako twierdzenia, a nie jako pomiary. Jeśli chodzi o tekst, blog podaje, że renderowanie „bierze pod uwagę nie tylko samą treść, ale także style typograficzne, układ i ich związek z całością kompozycji”, i ilustruje to czterema przykładami. W zakresie edycji cztery wymienione usprawnienia to wiele obrazów referencyjnych, edycja lokalna, zachowanie wierności w przypadku osób i produktów oraz pokrycie zadań — z panoramami generowanymi z jednego selfie, infografikami rozszerzanymi na podstawie zdjęcia produktu i trójwidokową referencją postaci zamienianą w storyboard. Tożsamość portretowa i spójność produktu to dwa twierdzenia o wierności, które wymienia wprost.

To, co nie zostało opublikowane, ma równie duże znaczenie. W materiałach dostawcy nie ma tabeli liczbowych wyników porównawczych dla Qwen-Image 2.1: blog pokazuje porównanie Qwen-Image-Bench jako obraz, bez żadnych liczb zapisanych w tekście, a repozytorium nie publikuje żadnej tabeli ewaluacyjnej. Nie ma więc liczby raportowanej przez dostawcę dla tego modelu, którą można by oznaczyć jako raportowaną przez dostawcę. Nie podajemy też niezależnej liczby: model rzeczywiście pojawia się na zewnętrznych arenach obrazowych, ale nie mogliśmy dziś ponownie zweryfikować aktualnego wyniku na tablicy, a liczby z rankingu, której nie możemy ponownie sprawdzić, nie warto podawać czytelnikowi. Kwestię renderowania tekstu należy traktować jako otwartą i zauważyć, że najsilniejsze własne twierdzenia dostawcy dotyczące tekstu — wielkość 10px, 12 języków — dotyczą Qwen-Image 3.0, a nie tego modelu.

Gdzie znajdują się wagi i w jakich formatach

Wagi są publikowane w dwóch miejscach, oba oficjalne: Hugging Face pod adresem Qwen/Qwen-Image-2.1 oraz ModelScope pod odpowiadającą ścieżką organizacji Qwen, a obok nich hostowana przestrzeń demo Space. Repozytorium Hugging Face ma łącznie 33,1 GB, a praktyczna część to podział:

• Transformer — dwa shardy safetensors w formacie BF16, około 9,97 GB i 4,26 GB, wraz z plikiem indeksu.

• Koder tekstu — cztery shardy BF16 safetensors o łącznym rozmiarze około 17,5 GB, dlatego koder Qwen3-VL 8B jest powyżej opisany jako większa połowa pobierania.

• VAE — pojedynczy plik safetensors o rozmiarze 1,35 GB zawierający autoenkoder RGBA.

• Układ Diffusers — repozytorium jest wydaniem w formacie Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), co sprawia, że poniższy import pipeline'u jest jednolinijkowy.

• Drugie pakowanie dla ComfyUI — Comfy-Org/Qwen-Image-2.1 przepakowuje ten sam model na komponenty w pojedynczych plikach: warianty bf16 i int8 modelu dyfuzyjnego, VAE, enkoder tekstu Qwen3-VL 8B w bf16, int8 i w4a8, dwa enkodery przepisywania promptów, LoRA Turbo oraz patch ControlNet-Union. Jeśli zamierzasz uruchamiać to w ComfyUI, a nie w Pythonie, to właśnie to repozytorium, a nie główne, pobierasz.

Dla porównania, własna strona Hugging Face podała 142 375 pobrań w ostatnim miesiącu na dzień 13 października 2026 r. — liczba udostępniona przez platformę hostingową, a nie twierdzenie Alibaby o adopcji.

Jak to uruchomić dzisiaj

To jest ta część historii Qwen-Image 2.1, która jest naprawdę nietypowa: udokumentowane wsparcie środowiska uruchomieniowego pojawiło się razem z wagami, a nie kilka miesięcy po nich, więc pytanie nie brzmi, czy możesz je serwować, lecz którą z kilku obsługiwanych ścieżek już masz.

• Diffusers (zalecana przez dostawcę ścieżka) — QwenImage21Pipeline wczytywany z Qwen/Qwen-Image-2.1 w BF16, z transformers>=5.17, torch>=2.4 oraz Diffusers zainstalowanymi ze źródeł. Checkpoint Turbo ładuje się przez tę samą klasę pipeline.

• ComfyUI — natywne wsparcie Day-0, z opublikowanymi szablonowymi przepływami pracy do generowania obrazów z tekstu oraz do edycji obrazów, z wykorzystaniem powyższych wag Comfy-Org.

• vLLM-Omni — skrypty offline i serwowanie online w stylu OpenAPI (vllm serve … --omni), z udokumentowanym wykonaniem krokowym, buforowaniem prefiksów KV, dekodowaniem CUDA Graph, kwantyzacją FP8 oraz równoległością TP/Ulysses.

• SGLang — natywne wsparcie Day-0 poprzez sglang generate, dodające argument --image-path do edycji, wraz z opcjami równoległości i offloadu.

• LightX2V — ścieżki przyspieszania Day-0 utrzymywane przez projekt ModelTC.

• Sprzęt inny niż NVIDIA — ścieżka AMD Radeon przez ROCm, PyTorch i Diffusers oraz trasa FlagOS obejmująca osiem platform układów dzięki gotowym obrazom i wagom opublikowanym w ModelScope.

Jedno akcesorium jest w praktyce częścią instalacji, jeśli zależy Ci na jakości wyników: wydanie zawiera dwa checkpointy do przepisywania promptów, Qwen-Image-2.1-PE-T2I i Qwen-Image-2.1-PE-I2I, oba są dostrojonymi modelami Qwen3.5-VL 9B, a kod przepisujący i prompty systemowe opublikowano w repozytorium. Dostawca zaleca przepisywanie krótkich promptów na szczegółowe, zamiast bezpośredniego wywoływania modelu generowania obrazów.

Jeśli wolisz w ogóle nie trzymać 33 GB stosu w pamięci, punkty końcowe Model Studio Pro i Turbo są serwowaną trasą, dostępną od 9 października 2026 r. Nie podajemy dla nich stawki za obraz, ponieważ publiczne informacje o premierze, które mogliśmy przeczytać, jej nie podają.

Gdzie cię to stawia

Mówiąc wprost, ponieważ to jest fakt, który rozstrzyga o większości ewaluacji: OrcaRouter nie routuje Qwen-Image 2.1 ani żadnego modelu Qwen-Image. Sprawdziliśmy naszą własną bieżącą listę modeli 13 października 2026 r. i nie ma go na niej. Jeśli przekonały cię otwarte wagi, dostępne trasy to pobranie do samodzielnego hostowania albo własne hostowane API dostawcy — nie my.

To, co mamy, to ogólny kształt problemu, jaki ten model stwarza dla zespołu, który chce go wypróbować. Qwen-Image 2.1 jest kłopotliwy w specyficzny sposób: naprawdę zdolny według opublikowanych specyfikacji, naprawdę ograniczony przez swoją licencję w przypadku czegokolwiek komercyjnego i wystarczająco ciężki, że self-hosting to projekt, a nie popołudnie. To argument przeciwko umieszczaniu go na ścieżce produkcyjnej już pierwszego dnia. OrcaRouter udostępnia ponad 200 modeli za jednym punktem końcowym zgodnym z OpenAI, w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym między dostawcami oraz DSL routingu, który pozwala łączyć kilka modeli w jedno wywołanie, dzięki czemu checkpoint na licencji badawczej, który wciąż oceniasz, może stać obok modelu, któremu już ufasz, zamiast go zastępować. Fuzja modeli posuwa ten sam pomysł dalej, pozwalając panelowi modeli odpowiadać na ten sam prompt, dzięki czemu porównanie odbywa się na twoich własnych danych wejściowych, a nie w przykładowej galerii dostawcy.

Trzech czytelników, trzy różne odpowiedzi. Jeśli budujesz komercyjnie, licencja rozstrzyga wszystko i bez negocjacji mówi „nie” — zacznij tę rozmowę albo wybierz checkpoint na licencji Apache-2.0 z tej samej rodziny. Jeśli prowadzisz badania, dostrajasz model albo potrzebujesz przejrzystych zasobów i więcej niż trzech obrazów referencyjnych, to jest model, względem którego mierzy się obecnie reszta otwartego poziomu, a wsparcie dla środowiska uruchomieniowego od dnia zerowego oznacza, że praca integracyjna jest niewielka. Jeśli potrzebujesz produkcyjnych obrazów z dużą ilością tekstu i wolisz samodzielnie niczego nie uruchamiać, zamknięty Qwen-Image 3.0 i hostowany endpoint Pro są własną odpowiedzią dostawcy na to, a klasyfikacja tego, jak daleko zaszło renderowanie tekstu w tym modelu, wciąż pozostaje otwartym pytaniem, za którym nie stoi żadna opublikowana liczba.