Qwen-Image 2.1: что на самом деле представляет собой 7B-модель генерации изображений с открытыми весами

Qwen-Image 2.1 — это модель, которую люди ищут по названию и пока не находят ничего. Это модель Aliba​ba с открытыми весами для генерации изображений по тексту и редактирования изображений, выпущенная 20 сентября 2026 года, и большая часть путаницы вокруг неё носит структурный характер: она новее, чем Qwen-Image 3.0, которую та же команда выпустила 21 июля 2026 года, и старше, чем Qwen-Image 2.1 Turbo, ускоренный чекпоинт, вышедший следом 9 октября 2026 года. Три названия, одна семья, три по-настоящему разных продукта — и номера версий не расставляют ни один из них верно.

Эта страница — справочник по самой модели: что она собой представляет, что принимает и возвращает, что на самом деле разрешает её лицензия, где находятся веса и на чём, согласно документации, она работает. С момента выпуска прошло 23 дня на момент написания, так что воспринимайте это как факт, датирующий модель, а не как новость — вопрос, на который стоит ответить, — это обычный вопрос, возникающий у читателя, когда он вводит название самой модели.

Три продукта Qwen для работы с изображениями, разделённые

Почти каждое ошибочное ожидание в отношении Qwen-Image 2.1 проистекает из восприятия этого семейства как единой последовательности. Это не так. Три текущих продукта находятся в разных точках как по возможностям, так и по доступу:

• Qwen-Image 2.1 — одна модель, выполняющая как генерацию изображений по тексту, так и редактирование изображений, с 7 млрд параметров в компоненте визуальной генерации и 32 однопоточными слоями DiT, опубликованная в виде открытых весов по исследовательской лицензии. Выпущена 20 сентября 2026 года.

• Qwen-Image 2.1 Turbo — та же 7B-архитектура визуальной генерации и те же предустановки разрешения, выпущенные как отдельный ускоренный чекпоинт 9 октября 2026 года, который выполняет денойзинг за 8 шагов вместо 40, при CFG по умолчанию равном 1 и с рекомендованным расписанием сэмплирования, сохранённым внутри чекпоинта. Это скоростной вариант, а не уровень возможностей.

• Qwen-Image 3.0— модель третьего поколения от 21 июля 2026 года, и притом закрытая. Репозитория с весами для неё нет ни на Hugging Face, ни на ModelScope, а в материалах о запуске не публикуется ни число параметров, ни лицензия. Её главные заявления касаются текста и плотности знаний — промпты объёмом до 4,5 тыс. токенов, текст размером всего 10 px, отрисовываемый разборчиво, 12 языков, более 100 художественных стилей — и они принадлежат самому вендору, здесь не воспроизведены. Если вам нужно самое сильное в семействе отображение текста — это аргумент в пользу 3.0; если вам нужно запустить модель самостоятельно, 3.0 — вообще не вариант.

Четвёртую вещь стоит выделить отдельно, потому что она носит то же имя 2.1: с 9 октября 2026 года в списке новостей вендора фигурируют размещённые API Qwen-Image-2.1 Pro и Turbo как официально доступные в Aliba​ba Cloud Model Studio. Это путь обслуживания той же модели, а не четвёртая модель.

Что это такое под капотом

Архитектура, как указано в карточке модели и репозитории поставщика, компактна по меркам современной сферы изображений и организована вокруг одной идеи: сделать редактирование нескольких изображений дешёвым.

• Transformer — 32 слоя, 7B параметров, одноruчейный DiT с блочно-каузальным вниманием. Текст, включая системный префикс и инструкции по редактированию, использует каузальную маску на уровне токенов; генерация изображений использует двунаправленную маску на уровне чанков.

• Текстовый энкодер — Qwen3-VL 8B, визуально-языковая модель, которая кодирует как текстовую инструкцию, так и любые условные изображения в одно представление. В опубликованной загрузке это бо́льшая половина стека.

• VAE — 64-канальный автоэнкодер RGBA с 16-кратным пространственным сжатием; именно отсюда берётся нативная прозрачность, а не из постобработки.

• Планировщик — Flow Matching с дискретным планированием Эйлера и динамическим сдвигом; 40 шагов удаления шума по умолчанию на базовом чекпоинте.

Это разделение со смешанной гранулярностью и есть аргумент в пользу эффективности. Входные изображения и инструкции вычисляются один раз на первом шаге денойзинга, а затем повторно используются как кэшированный префиксный контекст, поэтому добавление референсных изображений обходится дешевле, чем в схеме, которая заново кодирует всё на каждом шаге.

Лицензия, в точности как опубликована

Это та часть, в которой большинство сводок ошибается — причём в обе стороны. Qwen-Image 2.1 не является открытым исходным кодом в разрешительном смысле, и он не является закрытым тоже. На карточке Hugging Face он помечен как license: other с license_name: qwen-research, а файл LICENSE в репозитории — это Qw​en Research License Agreement, датированный 20 сентября 2026 года. При чтении 13 октября 2026 года его действующее положение предоставляет

• неисключительная, всемирная, непередаваемая и безвозмездная ограниченная лицензия на использование, воспроизведение, распространение, копирование, создание производных произведений и изменение материалов — только в некоммерческих целях.

Соглашение определяет «некоммерческое» использование узко — только для исследовательских целей или целей оценки — и недвусмысленно прописывает всё остальное: вы «не вправе использовать Материалы в каких-либо коммерческих целях без получения от нас отдельной коммерческой лицензии», которую необходимо запросить по электронной почте на адрес, указанный в соглашении. Так что практическая позиция для команды — это две линии, а не одна: веса можно скачать, изучить, квантовать и дообучать, а для выпуска продукта на их основе сначала придётся поговорить с Aliba​ba.

С распространением связаны ещё три условия, которые легко упустить, когда лицензию кратко описывают как «некоммерческую». Вы обязаны передать копию соглашения каждому, кому вы распространяете материал. Изменённые файлы должны содержать заметные уведомления о том, что они были изменены. И любая распространяемая копия должна сохранять текст уведомления, который соглашение предписывает дословно, с указанием принадлежности материала компании Hangzhou Tongyi Laboratory Technology Co., Ltd. Наряду с ними действуют два правила использования: если вы используете модель или её выходные данные для обучения, дообучения или улучшения ИИ-модели, которую затем распространяете, вы должны заметно указать «Built with Qw​en» или «Improved using Qw​en» в документации продукта; и вы не можете использовать «Qw​en» в качестве основного названия или идентификатора производной работы, хотя описательное использование, например «fine-tuned from Qw​en Image», разрешено. Применимое право — китайское, исключительная юрисдикция принадлежит Народным судам в Ханчжоу.

Одно сравнение стоит сделать, потому что оно показывает, куда сместилось это семейство, а не с чего оно начиналось. Более ранние релизы Qwen-Image распространяются под разрешительной лицензией: карточки моделей для Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered и Qwen-Image-2512 все содержат apache-2.0 согласно данным на 13 октября 2026 года, без каких-либо барьеров для коммерческого использования. Qwen-Image 2.1 — это исключение из данной закономерности. Уже выданные лицензии не меняются задним числом, поэтому те более ранние чекпоинты остаются доступными на своих первоначальных условиях, — но тот, кто планирует коммерческий конвейер исходя из предположения, что новейшая модель Qwen для генерации изображений будет разрешительной, должен прочитать это до следующего релиза, а не после него.

Что входит

Входная поверхность шире, чем у модели текст-в-изображение, а выходная поверхность включает нечто такое, что большинство моделей изображений вообще не создают. Согласно карточке модели и репозиторию вендора:

• Только текст — промпт генерирует изображение. Преобразование текста в изображение — режим по умолчанию; отдельного чекпоинта T2I для выбора нет.

• Одно изображение плюс промпт — стандартный вызов редактирования, при котором изображение передаётся вместе с инструкцией.

• До 10 референсных изображений — в примерах от производителя шесть портретов объединяются в одну групповую фотографию, пять снимков товаров — в один комплект одежды, а десять изображений предметов интерьера — в одну комнату. Именно на эту возможность оптимизирована архитектура.

• Управление локальным редактированием, три способа — круги, нарисованные на изображении (несколько областей можно одновременно распознать по цвету), нарисованные аннотации или отдельная маска, подаваемая как отдельный вход, чтобы исходная фотография оставалась без пометок.

• Прозрачность в обоих направлениях — генерация RGBA-изображения напрямую из промпта с использованием рекомендованного производителем формата промпта, редактирование внутри прозрачного слоя, включая текст, и извлечение объекта из обычной RGB-фотографии в виде RGBA-слоя.

• Диапазон размеров — нативное 2K, по умолчанию 2048×2048, с семью опубликованными предустановками: 1:1 при 2048×2048, 4:3 при 2400×1792, 3:4 при 1792×2400, 3:2 при 2528×1696, 2:3 при 1696×2528, 16:9 при 2752×1536 и 9:16 при 1536×2752.

• Вывод — каждый пример в собственном коде поставщика записывает PNG, а путь с прозрачностью записывает RGBA с настоящим альфа-каналом. Отдельного перечисления форматов вывода не опубликовано, поэтому PNG — это то, что создаёт документированный путь, а не доказанное ограничение.

О двух пробелах стоит сказать прямо, а не оставлять читателю обнаруживать их самостоятельно. В карточке не указана максимальная длина промпта для Qwen-Image 2.1 — показатель входных данных в 4,5 тыс. токенов относится к Qwen-Image 3.0, и его не следует переносить сюда. И для открытых весов не опубликована цена, потому что к загрузке не привязана хостинговая ставка за изображение; затраты — это ваши собственные вычислительные ресурсы. Хостируемые API Pro и Turbo в Model Studio — это отдельный коммерческий путь, и в материалах, которые нам удалось прочитать, говорится, что сведения о доступе и использовании находятся на страницах консоли вендора, а не в публичных заметках о запуске.

Рендеринг и редактирование текста, в изложении самого производителя

Заявления производителя об этом релизе носят качественный характер, и их стоит цитировать как заявления, а не как измерения. Что касается текста, в блоге говорится, что рендеринг «учитывает не только само содержимое, но и стили шрифтов, макет и их связь с общей композицией», и это иллюстрируется четырьмя примерами. Что касается редактирования, четыре заявленных улучшения — это несколько референсных изображений, локальное редактирование, сохранение точности для людей и продуктов и охват задач — с панорамами, созданными из одного селфи, инфографикой, расширенной из фотографии продукта, и трёхвидовым референсом персонажа, превращённым в раскадровку. Идентичность портрета и согласованность продукта — это два явно названных заявления о точности.

Не менее важно и то, что не опубликовано. В материалах вендора нет таблицы числовых бенчмарков для Qwen-Image 2.1: в блоге сравнение Qwen-Image-Bench показано в виде изображения, без числовых значений, прописанных в тексте, а в репозитории вообще не публикуется таблица оценок. Поэтому для этой модели нет заявленного вендором числа, которое можно было бы пометить как заявленное вендором. Мы также не приводим независимую цифру: модель действительно присутствует на сторонних аренах для изображений, но сегодня мы не смогли повторно проверить текущий результат в таблице лидеров, а число из лидерборда, которое мы не можем перепроверить, не стоит того, чтобы передавать его читателю. Считайте вопрос рендеринга текста открытым и учтите, что самые сильные утверждения самого вендора о тексте — показатель в 10px, 12 языков — относятся к Qwen-Image 3.0, а не к этой модели.

Где находятся веса и в каких форматах

Веса опубликованы в двух местах, и оба — официальные: Hugging Face по адресу Qwen/Qwen-Image-2.1 и ModelScope по соответствующему пути организации Qw​en, а рядом с ними — размещённое демо-пространство Space. Общий размер репозитория на Hugging Face — 33,1 ГБ, а самое практичное — это разбивка:

• Transformer — два BF16-шарда safetensors, примерно 9.97 ГБ и 4.26 ГБ, с индексным файлом.

• Текстовый энкодер — четыре шарда BF16 safetensors общим объёмом примерно 17,5 ГБ, поэтому энкодер Qwen3-VL 8B выше описан как бо́льшая половина загрузки.

• VAE — один файл safetensors размером 1,35 ГБ, содержащий автоэнкодер RGBA.

• Структура Diffusers — репозиторий представляет собой релиз в формате Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), благодаря чему импорт пайплайна, приведённый ниже, умещается в одну строку.

• Вторая упаковка для ComfyUI — Comfy-Org/Qwen-Image-2.1 перепаковывает ту же модель в виде однофайловых компонентов: варианты bf16 и int8 диффузионной модели, VAE, текстовый энкодер Qwen3-VL 8B в bf16, int8 и w4a8, два энкодера для переписывания промптов, Turbo LoRA и патч ControlNet-Union. Если вы собираетесь запускать это в ComfyUI, а не в Python, скачивать нужно именно тот репозиторий, а не основной.

Для понимания масштаба: на собственной странице Hugging Face по состоянию на 13 октября 2026 года указано 142 375 загрузок за последний месяц — это показатель, предоставленный платформой-хостингом, а не заявление Alibaba о внедрении.

Как запустить это сегодня

Вот та часть истории Qwen-Image 2.1, которая действительно необычна: поддержка во время выполнения появилась вместе с весами, а не через месяцы после них, так что вопрос не в том, можете ли вы её обслуживать, а в том, какой из нескольких поддерживаемых путей у вас уже есть.

• Diffusers (рекомендуемый производителем путь) — QwenImage21Pipeline, загруженный из Qwen/Qwen-Image-2.1 в BF16, с transformers>=5.17, torch>=2.4 и Diffusers, установленный из исходного кода. Чекпоинт Turbo загружается через тот же класс пайплайна.

• ComfyUI — нативная поддержка с первого дня, с опубликованными шаблонными рабочими процессами для генерации изображений по тексту и для редактирования изображений, использующими указанные выше веса Comfy-Org.

• vLLM-Omni — офлайн-скрипты и онлайн-обслуживание в стиле OpenAPI (vllm serve … --omni), с документацией по пошаговому выполнению, префиксному кэшированию KV, декодированию CUDA Graph, квантованию FP8 и параллелизму TP/Ulysses.

• SGLang — нативная поддержка с первого дня через sglang generate, добавляя аргумент --image-path для редактирования, с опциями параллелизма и выгрузки.

• LightX2V — пути ускорения Day-0, поддерживаемые проектом ModelTC.

• Оборудование не от NVIDIA — путь AMD Radeon через ROCm, PyTorch и Diffusers, а также маршрут FlagOS, охватывающий восемь чиповых платформ, через готовые образы и веса, опубликованные на ModelScope.

Один вспомогательный компонент фактически входит в установку, если вам важно качество результатов: в состав релиза входят два чекпоинта для перезаписи промптов, Qwen-Image-2.1-PE-T2I и Qwen-Image-2.1-PE-I2I, причём оба являются дообученными моделями Qwen3.5-VL 9B, а код перезаписи и системные промпты опубликованы в репозитории. Производитель рекомендует переписывать короткие промпты в подробные, а не обращаться к модели генерации изображений напрямую.

Если вы вообще не хотите держать стек объёмом 33 ГБ в памяти, то эндпоинты Model Studio Pro и Turbo — это обслуживаемый маршрут, работающий с 9 октября 2026 года. Мы не публикуем для них цену за изображение, потому что в общедоступных заметках о запуске, которые мы смогли прочитать, она не указана.

Что это значит для вас

Сказано прямо, потому что именно этот факт определяет большинство оценок: OrcaRouter не маршрутизирует Qwen-Image 2.1 или любую модель Qwen-Image. Мы проверили наш собственный актуальный список моделей 13 октября 2026 года, и её там нет. Если вас убедили открытые веса, то маршруты — это загрузка для самостоятельного хостинга или собственный API вендора с хостингом — не мы.

Что у нас действительно есть — это общее очертание проблемы, которую эта модель создаёт для команды, желающей её опробовать. Qwen-Image 2.1 неудобна вполне конкретным образом: она действительно впечатляет по заявленным характеристикам, действительно ограничена своей лицензией для любого коммерческого использования и достаточно тяжёлая, так что самостоятельный хостинг — это проект, а не занятие на один день. Именно поэтому не стоит ставить её на путь продакшена в первый же день. OrcaRouter предоставляет доступ к более чем 200 моделям через одну конечную точку, совместимую с OpenAI, по прайс-листу провайдера с нулевой наценкой, с автоматическим переключением при сбое между провайдерами и DSL маршрутизации, который позволяет объединять несколько моделей в один вызов, так что чекпойнт с исследовательской лицензией, который вы всё ещё оцениваете, может стоять рядом с моделью, которой вы уже доверяете, а не заменять её. Слияние моделей развивает ту же идею дальше, позволяя панели моделей отвечать на один и тот же запрос, чтобы сравнение происходило на ваших собственных входных данных, а не в демонстрационной галерее вендора.

Три читателя, три разных ответа. Если вы создаёте коммерческий продукт, лицензия — это всё решение, и она говорит «нет» без переговоров — начните этот разговор или выберите контрольную точку Apache-2.0 из того же семейства. Если вы занимаетесь исследованиями, дообучением или вам нужны прозрачные активы и более трёх референсных изображений, это модель, по которой в настоящее время измеряется остальная часть открытого уровня, а поддержка среды выполнения с первого дня означает, что объём интеграционной работы невелик. Если вам нужна графика для продакшена с большим объёмом текста и вы предпочли бы ничего не запускать самостоятельно, закрытая Qwen-Image 3.0 и хостинговый эндпоинт Pro — это собственный ответ вендора на это, а классификация того, насколько далеко продвинулся рендеринг текста в этой модели, всё ещё остаётся открытым вопросом, за которым нет опубликованных цифр.