Qwen-Image 2.1: Vad 7B-bildmodellen med öppna vikter faktiskt är

Qwen-Image 2.1 är modellen som folk söker efter vid namn och för närvarande inte hittar någonting om. Det är Aliba​bas modell med öppna vikter för text-till-bild och bildredigering, släppt den 20 september 2026, och det mesta av förvirringen kring den är strukturell: den är nyare än Qwen-Image 3.0, som samma team släppte den 21 juli 2026, och äldre än Qwen-Image 2.1 Turbo, den accelererade checkpointen som följde den 9 oktober 2026. Tre namn, en familj, tre genuint olika produkter – och versionsnumren ordnar ingen av dem korrekt.

Den här sidan är referensen för själva modellen: vad den är, vad den tar emot och returnerar, vad dess licens faktiskt tillåter, var vikterna finns och vad den enligt dokumentationen kan köras på. Utgåvan är 23 dagar gammal när detta skrivs, så behandla den som det faktum som daterar modellen snarare än som nyhet — frågan som är värd att besvara är den stående fråga en läsare har när den skriver modellens eget namn.

De tre Qw​en-bildprodukterna, hållna åtskilda

Nästan varje felaktig förväntan om Qwen-Image 2.1 kommer från att behandla familjen som en enda sekvens. Det är den inte. De tre nuvarande produkterna befinner sig på olika punkter när det gäller både förmåga och åtkomst:

• Qwen-Image 2.1 — en modell som utför både text-till-bild-generering och bildredigering, med 7B parametrar i sin visuella generationskomponent och 32 single-stream-DiT-lager, publicerad som öppna vikter under en forskningslicens. Släppt den 20 september 2026.

• Qwen-Image 2.1 Turbo — samma 7B-arkitektur för visuell generering och samma upplösningsförinställningar, släppt som en separat accelererad checkpoint den 9 oktober 2026 som avbrusar i 8 steg i stället för 40, med CFG som standard på 1 och dess rekommenderade samplingsschema sparat i checkpointen. Det är en snabbvariant, inte en kapacitetsnivå.

• Qwen-Image 3.0 — tredje generationens modell från den 21 juli 2026, och den slutna varianten. Det finns inget arkiv med modellvikter för den på Hugging Face eller ModelScope, och dess lanseringsmaterial publicerar varken något parameterantal eller någon licens. Dess främsta påståenden handlar om text- och kunskapstäthet — prompter på upp till 4,5k tokens, text så liten som 10px som återges läsbart, 12 språk, fler än 100 konstnärliga stilar — och de är tillverkarens egna, inte reproducerade här. Om det du behöver är den starkaste textåtergivningen i familjen är det argumentet för 3.0; om det du behöver är att köra modellen själv är 3.0 inte ett alternativ alls.

En fjärde sak förtjänar att särskiljas eftersom den delar namnet 2.1: sedan den 9 oktober 2026 tar leverantörens nyhetslista upp Qwen-Image-2.1 Pro och Turbo som hostade API:er som officiellt live på Aliba​ba Cloud Model Studio. Det är en serveringsväg för samma modell, inte en fjärde modell.

Vad det är under huven

Arkitekturen, i den form den publicerats på leverantörens modellkort och i dennes kodförråd, är kompakt enligt måttstocken för det nuvarande bildområdet och kretsar kring en idé: att göra redigering av flera bilder billig.

• Transformer — 32 lager, 7B parametrar, enkelströms-DiT med blockkausal uppmärksamhet. Text, inklusive systemprefixet och redigeringsinstruktionerna, använder en kausal mask på tokennivå; bildgenerering använder en bidirektionell mask på chunknivå.

• Textkodare — Qwen3-VL 8B, en språk- och bildmodell som kodar både textinstruktionen och eventuella villkorsbilder till en gemensam representation. I den publicerade nedladdningen är den den större halvan av stacken.

• VAE — en RGBA-autoencoder med 64 kanaler och 16× rumslig komprimering, vilket är där den inbyggda transparensen kommer ifrån snarare än från efterbearbetning.

• Schemaläggare — Flow Matching med Euler-diskret schemaläggning och dynamisk förskjutning; 40 avbrusningssteg som standard på bascheckpointen.

Den där uppdelningen med blandad granularitet är effektivitetsargumentet. Indatabilder och instruktioner beräknas en gång i det första avbrusningssteget och återanvänds därefter som cachad prefixkontext, så att lägga till referensbilder kostar mindre än i en design som kodar om allt för varje steg.

Licensen, exakt som publicerad

Det här är delen som de flesta sammanfattningar får fel, i båda riktningarna. Qwen-Image 2.1 är inte öppen källkod i tillåtande bemärkelse, och den är inte sluten heller. Hugging Face-kortet taggar den license: other med license_name: qwen-research, och repots LICENSE-fil är Qw​en Research License Agreement, daterad 20 september 2026. Läst den 13 oktober 2026, dess tillämpliga klausul beviljar en

• icke-exklusiv, världsomfattande, icke-överlåtbar och royaltyfri begränsad licens att använda, reproducera, distribuera, kopiera, skapa derivatverk av och ändra materialet — endast för icke-kommersiella ändamål.

Avtalet definierar "Non-Commercial" snävt, som endast för forsknings- eller utvärderingsändamål, och hänvisar allt annat uttryckligen: du "får inte använda Materialen för något kommersiellt syfte utan att erhålla en separat kommersiell licens från oss," som begärs via e-post till den adress som avtalet anger. Så den praktiska positionen för ett team är två linjer snarare än en: vikterna kan laddas ned, inspekteras, kvantiseras och finjusteras, och att släppa en produkt baserad på dem kräver ett samtal med Aliba​ba först.

Ytterligare tre villkor följer med vidaredistribution och är lätta att missa när licensen sammanfattas som "icke-kommersiell". Du måste lämna en kopia av avtalet till var och en som du vidaredistribuerar till. Modifierade filer måste innehålla framträdande meddelanden om att de har ändrats. Och varje distribuerad kopia måste behålla den meddelandetext som avtalet anger ordagrant, och tillskriva materialet till Hangzhou Tongyi Laboratory Technology Co., Ltd. Vid sidan av dessa finns två användningsregler: om du använder modellen eller dess utdata för att träna, finjustera eller förbättra en AI-modell som du sedan distribuerar, måste du på ett framträdande sätt visa "Built with Qw​en" eller "Improved using Qw​en" i produktdokumentationen; och du får inte använda "Qw​en" som det primära namnet eller identifieraren för ett derivatverk, även om beskrivande användning såsom "fine-tuned from Qw​en Image" är tillåten. Tillämplig lag är kinesisk, med exklusiv jurisdiktion hos Folkdomstolarna i Hangzhou.

En jämförelse är värd att göra, eftersom det är där familjen har rört sig snarare än där den började. De tidigare Qwen-Image-utgåvorna har tillåtande licenser: modellkorten för Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered och Qwen-Image-2512 har alla apache-2.0 enligt vad som lästes den 13 oktober 2026, utan kommersiell spärr. Qwen-Image 2.1 är brytningen i det mönstret. Licenser som redan beviljats ändras inte retroaktivt, så dessa tidigare checkpoints förblir användbara på sina ursprungliga villkor — men den som planerar en kommersiell pipeline utifrån antagandet att den nyaste Qwen-bildmodellen kommer att vara tillåtande bör läsa den här före nästa version, inte efter.

Vad som kommer in, och vad som kommer ut

Inmatningsytan är bredare än en text-till-bild-modells, och utmatningsytan innehåller något som de flesta bildmodeller inte producerar alls. Enligt leverantörens modellkort och arkiv:

• Endast text — en prompt genererar en bild. Text-till-bild är standardläget; det finns ingen separat T2I-checkpoint att välja.

• En bild plus en prompt – det vanliga redigeringsanropet, där bilden skickas tillsammans med en instruktion.

• Upp till 10 referensbilder — leverantörens exempel kombinerar sex porträtt till ett gruppfoto, fem produktbilder till en outfit och tio inredningsbilder till ett enda rum. Det är den förmåga som arkitekturen är optimerad för.

• Lokal redigeringskontroll, på tre sätt — cirklar ritade på bilden (flera områden kan identifieras samtidigt genom färg), målade annoteringar eller en separat mask som tillhandahålls som egen indata så att originalfotot förblir omarkerat.

• Transparens i båda riktningarna — att generera en RGBA-bild direkt från en prompt med leverantörens rekommenderade promptformat, redigera i ett transparent lager inklusive text, och extrahera ett motiv från ett vanligt RGB-fotografi som ett RGBA-lager.

• Storleksomfång — inbyggt 2K, med 2048×2048 som standard, med sju publicerade förinställningar: 1:1 vid 2048×2048, 4:3 vid 2400×1792, 3:4 vid 1792×2400, 3:2 vid 2528×1696, 2:3 vid 1696×2528, 16:9 vid 2752×1536 och 9:16 vid 1536×2752.

• Utdata — varje exempel i leverantörens egen kod skriver PNG, och den transparenta vägen skriver RGBA med en riktig alfakanal. Ingen separat uppräkning av utdataformat publiceras, så PNG är vad den dokumenterade vägen producerar snarare än en bevisad gräns.

Två saker som saknas är värda att konstatera i stället för att lämna dem åt läsaren att upptäcka. Modellkortet publicerar ingen maximal promptlängd för Qwen-Image 2.1 — siffran 4,5k token för indata tillhör Qwen-Image 3.0 och bör inte föras över. Och det finns inget publicerat pris för de öppna vikterna, eftersom det inte finns någon hostad taxa per bild kopplad till nedladdningen; kostnaden är din egen beräkningskraft. De hostade Pro- och Turbo-API:erna på Model Studio är en separat kommersiell väg, och materialet vi kunde läsa anger att åtkomst- och användningsdetaljer finns på leverantörens konsolsidor snarare än i de offentliga lanseringsanteckningarna.

Textrendering och redigering, i leverantörens egna ord

Leverantörens påståenden för den här versionen är kvalitativa och värda att citera som påståenden snarare än som mätvärden. När det gäller text säger bloggen att rendering "beaktar inte bara själva innehållet, utan även typstilar, layout och deras förhållande till den övergripande kompositionen", och illustrerar det med fyra exempel. När det gäller redigering är de fyra angivna förbättringarna flera referensbilder, lokal redigering, bevarande av trohet för personer och produkter samt uppgiftstäckning – med panoramor genererade från en enda selfie, infografik expanderad från ett produktfotografi och en karaktärsreferens i tre vyer omvandlad till en storyboard. Porträttidentitet och produktkonsistens är de två trohetsanspråk som den uttryckligen nämner.

Det som inte publiceras spelar lika stor roll. Det finns ingen numerisk benchmarktabell för Qwen-Image 2.1 i leverantörens material: bloggen visar en Qwen-Image-Bench-jämförelse som en bild utan siffror utskrivna i text, och repositoriet publicerar ingen utvärderingstabell alls. Så det finns inget leverantörsrapporterat nummer för den här modellen att märka som leverantörsrapporterat. Inte heller publicerar vi en oberoende siffra: modellen förekommer visserligen på tredjepartsbildarenor, men vi kunde inte återverifiera en aktuell poäng på resultattavlan idag, och en leaderboard-siffra som vi inte kan kontrollera igen är inte värd att ge en läsare. Betrakta frågan om textrendering som öppen, och notera att leverantörens egna starkaste textpåståenden – 10px-siffran, de 12 språken – tillhör Qwen-Image 3.0, inte den här modellen.

Var vikterna finns, och i vilka format

Vikterna publiceras på två ställen, båda från förstapart: Hugging Face på Qwen/Qwen-Image-2.1 och ModelScope på den matchande Qw​en-organisationens sökväg, med en hostad demo-Space vid sidan av dem. Hugging Face-arkivet uppgår till 33,1 GB totalt, och uppdelningen är den praktiska delen:

• Transformer — två BF16-safetensors-shards, ungefär 9,97 GB och 4,26 GB, med en indexfil.

• Textkodare — fyra BF16-safetensors-shards som totalt uppgår till ungefär 17,5 GB, vilket är anledningen till att Qwen3-VL 8B-kodaren ovan beskrivs som den större halvan av nedladdningen.

• VAE — en enda 1,35 GB safetensors-fil som innehåller RGBA-autoencodern.

• Diffusers-layout — repositoriet är en utgåva i Diffusers-format (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), vilket är det som gör pipeline-importen nedan till en one-liner.

• En andra paketering för ComfyUI — Comfy-Org/Qwen-Image-2.1 paketerar om samma modell som komponenter i enskilda filer: bf16- och int8-varianter av diffusionsmodellen, VAE:n, Qwen3-VL 8B-textkodaren i bf16, int8 och w4a8, de två kodarna för promptomskrivning, en Turbo LoRA och en ControlNet-Union-patch. Om du tänker köra detta i ComfyUI i stället för i Python är det det repositoriet, inte huvudrepositoriet, som du laddar ner.

För att sätta siffrorna i perspektiv rapporterade Hugging Faces egen sida 142 375 nedladdningar under den senaste månaden fram till och med den 13 oktober 2026 — en siffra som tillhandahålls av plattformen från värdwebbplatsen, inte ett påstående från Alibaba om användning.

Hur man kör det idag

Det här är den del av Qwen-Image 2.1-historien som är genuint ovanlig: dokumenterat runtime-stöd kom med vikterna i stället för månader efter dem, så frågan är inte om du kan servera den utan vilken av flera stödda vägar du redan har.

• Diffusers (leverantörens rekommenderade väg) — QwenImage21Pipeline laddas från Qwen/Qwen-Image-2.1 i BF16, med transformers>=5.17, torch>=2.4 och Diffusers installerat från källkod. Turbo-checkpointen laddas genom samma pipeline-klass.

• ComfyUI — inbyggt Day-0-stöd, med publicerade mallarbetsflöden för text-till-bild och för bildredigering, med hjälp av Comfy-Org-vikterna ovan.

• vLLM-Omni — offlineskript och onlinetjänst i OpenAPI-stil (vllm serve … --omni), med stegvis exekvering, prefix-KV-cachning, CUDA Graph-avkodning, FP8-kvantisering och TP/Ulysses-parallellism dokumenterade.

• SGLang — Day-0-inbyggt stöd via sglang generate, vilket lägger till ett --image-path argument för redigering, med alternativ för parallellism och offload.

• LightX2V — Day-0-accelerationsvägar som underhålls av ModelTC-projektet.

• Icke-NVIDIA-hårdvara — en AMD Radeon-väg via ROCm, PyTorch och Diffusers, och en FlagOS-rutt som omfattar åtta chipplattformar via färdigbyggda avbildningar och vikter som publicerats på ModelScope.

Ett tillbehör är i praktiken en del av installationen om du bryr dig om utdatakvaliteten: utgåvan levereras med två kontrollpunkter för promptomskrivning, Qwen-Image-2.1-PE-T2I och Qwen-Image-2.1-PE-I2I, båda finjusterade Qwen3.5-VL 9B-modeller, med omskrivningskoden och systemprompterna publicerade i repot. Tillverkaren rekommenderar att skriva om korta prompter till detaljerade i stället för att anropa bildmodellen direkt.

Om du helst inte vill hålla en stack på 33 GB i minnet över huvud taget är Model Studio Pro- och Turbo-slutpunkterna den serverade vägen, i drift sedan 9 oktober 2026. Vi anger ingen pris per bild för dem, eftersom de offentliga lanseringsanteckningar vi kunde läsa inte publicerar något sådant.

Var detta lämnar dig

Sagt rakt ut, eftersom det är faktumet som avgör de flesta utvärderingar: OrcaRouter routar inte Qwen-Image 2.1 eller någon Qwen-Image-modell. Vi kontrollerade vår egen aktuella modellista den 13 oktober 2026 och den finns inte med där. Om det är de öppna vikterna som övertygade dig, så är vägarna en egenhostad nedladdning eller leverantörens egen hostade API – inte vi.

Det vi faktiskt har är den allmänna formen av det problem som den här modellen skapar för ett team som vill prova den. Qwen-Image 2.1 är besvärlig på ett specifikt sätt: genuint kapabel enligt de publicerade specifikationerna, genuint begränsad av sin licens för allt kommersiellt och tung nog att självhosting är ett projekt snarare än en eftermiddag. Det är argumentet för att inte sätta den framför en produktionsväg från dag ett. OrcaRouter tillhandahåller 200+ modeller bakom en enda OpenAI-kompatibel slutpunkt till leverantörens listpris utan påslag, med automatisk failover mellan leverantörer och ett routing-DSL som låter dig komponera flera modeller till ett enda anrop, så att en checkpoint med forskningslicens som du fortfarande utvärderar kan sitta bredvid en modell som du redan litar på i stället för att ersätta den. Modellfusion tar samma idé ett steg längre och låter en panel av modeller svara på samma prompt, så att jämförelsen sker på dina egna indata i stället för i en leverantörs exempelgalleri.

Tre läsare, tre olika svar. Om du bygger kommersiellt är licensen hela beslutet, och den säger nej utan en förhandling – starta den konversationen eller välj en Apache-2.0-checkpoint från samma familj. Om du forskar, finjusterar eller behöver transparenta tillgångar och fler än tre referensbilder, är detta modellen som resten av den öppna nivån för närvarande mäts mot, och runtime-stödet från dag ett innebär att integrationsarbetet är litet. Om du behöver texttunga produktionsbilder och helst inte vill köra något själv, är den slutna Qwen-Image 3.0 och den hostade Pro-slutpunkten leverantörens eget svar på det, och klassificeringen av exakt hur långt den här modellens textrendering har kommit är fortfarande en öppen fråga utan någon publicerad siffra bakom sig.