Qwen-Image-2.1 vs Bernini-Diffusers-v2: Licensen är hela argumentet

Två bildsystem med öppna vikter lanserades med sex veckors mellanrum 2026 nästan helt utan fanfar, och de är oense om det enda som avgör om man kan bygga ett företag på dem. Qwen-Image-2.1, publicerad den 20 september 2026, släpps under en forskningslicens – endast för icke-kommersiellt bruk, kommersiell användning enligt särskild överenskommelse. Bernini-Diffusers-v2, publicerad av ByteDance den 13 augusti 2026, släpps under Apache 2.0, vilket innebär att du kan släppa den. Den till synes mer kapabla versionen är den du inte kan sälja, och den mer tillåtande är den som framför allt vill göra video. Den omvändningen är jämförelsen.

Licensinversionen

Börja med pappersarbetet, för det övertrumfar allt annat på den här sidan. Inget kvalitetsgap, hur stort det än är, löser ett licensproblem, och inget benchmarkresultat räddar en produkt som måste dras tillbaka.

• Licens — Qwen-Image-2.1 är ett Qwen Research License Agreement, daterat den 20 september 2026, "ENDAST FÖR ICKE-KOMMERSIELLA ÄNDAMÅL", med kommersiella rättigheter endast på begäran; Bernini-Diffusers-v2 är Apache 2.0.
• Praktisk konsekvens — ett Qwen-Image-2.1-arbetsflöde är en utvärderingstillgång eller en personlig sådan; ett Bernini-Diffusers-v2-arbetsflöde kan levereras redan idag, med de vanliga Apache-attributionskraven och utan att någon leverantörsdialog behövs.
• Utvecklingsriktning — Qwens tidigare bildserie släpptes under Apache 2.0, så den här utgåvan är en åtstramning; ByteDance har hållit Bernini tillåtande genom båda generationerna.

Om du bara läser ett avsnitt av den här artikeln är det det avsnittet. Allt nedan är ett avgörande mellan två saker som egentligen inte är lika på den här axeln.

Vad varje system faktiskt är

De två modellerna är inte samma typ av objekt, och skillnaden visar sig så snart man tittar på vad som ingår i nedladdningen.

Qwen-Image-2.1 är en enda enhetlig modell. En 7B, 32-lagers single-stream-diffusionstransformator hanterar generering och redigering med samma vikter, konditionerad av en Qwen3-VL 8B-textkodare, med en 64-kanalig RGBA-VAE med 16× rumslig komprimering som gör det tunga arbetet med transparens. Runt 33 GB totalt, där DiT-modellen i sig upptar ungefär 14 GB och textkodaren tar resten. Den levereras också med två valfria checkpoints för promptomskrivning – PE-T2I och PE-I2I, som var och en är en finjusterad Qwen3.5-VL 9B på cirka 18,8 GB – vilka skriver om din instruktion till något precist innan diffusionsmodellen ser den.

Bernini-Diffusers-v2 är en pipeline, inte en enskild modell. En Qwen2.5-VL-semantikplanerare utför resonemanget och skriver en latent semantisk plan; en Wan2.2-diffusionsrenderare exekverar den. Den v2-receptets främsta förändring jämfört med den första Bernini-utgåvan är att den värmer upp kopplingen i tusentals steg före samträning, vilket är vad som förbättrade referensstyrd videoredigering och OpenS2V-beteende. Den tvåstegsuppdelningen är den arkitektoniska satsningen: planera först, rendera sedan, och du kan redigera video genom att redigera planen.

• Arkitektur — Qwen-Image-2.1 är en enhetlig DiT för generering och redigering; Bernini-Diffusers-v2 är en Qwen2.5-VL-planerare som driver en Wan2.2-renderare.
• Modalitet — Qwen-Image-2.1 är endast bilder; Bernini-Diffusers-v2 täcker t2i, i2i, t2v, v2v, referensstyrd videoredigering och r2v, så bilder är ett sidorum snarare än själva huset.
• Transparens — Qwen-Image-2.1 producerar alfa direkt ur samplern via sin RGBA-VAE; Bernini-Diffusers-v2:s dokumenterade utdata är RGB-video och bildrutor, utan någon beskriven motsvarande inbyggd alfa-väg.
• Prompthantering — Qwen-Image-2.1 levererar separata 9B-omskrivningscheckpoints som du kan läsa, diffa och åsidosätta; Bernini-Diffusers-v2:s planerare är en del av pipelinen och dess promptförstärkare är ett valfritt anrop till en OpenAI-kompatibel endpoint snarare än en medföljande checkpoint.
• Hårdvara — Qwen-Image-2.1 får plats på en enda konsument-GPU med CPU-avlastning rekommenderad på begränsade kort; Bernini-Diffusers-v2:s dokumenterade miljö är av Hopper-klass, H100/H800/H200, med sekvensparallellism över flera GPU:er för de större konfigurationerna.

Där jämförelsen slutar vara användbar

Det är frestande att ställa dessa två mot varandra när det gäller utdatakvalitet. Den jämförelsen existerar inte, och att låtsas något annat vore det oärliga draget.

Bernini-Diffusers-v2:s publicerade siffror är leverantörsrapporterade video- och redigeringsmått – EditVerse 8,02, OpenVE 3,96, OpenS2V 63,83, VBench 84,46 – plus ett påstående om förstklassig prestanda i ByteDances interna arena för blinda mänskliga parvisa jämförelser. Det är videomått. Ingen oberoende bildbenchmark av Bernini-Diffusers-v2 har körts, ingen FID, ingen textåtergivningspoäng, ingen placering på någon bildleaderboard. Å andra sidan är Qwen-Image-2.1:s enda kvalitetssiffra leverantörens egen Qwen-Image-Bench-graf, där den visar 60,28 mot Nano Banana 2.0 på 59,82 och GPT Image 1.5 på 59,65 – leverantörsmaterial, ej reproducerat, och modellen saknades i de oberoende bildleaderboardarna när detta skrevs. Den enda genuint oberoende datapunkten är en funktionell verifiering från SGLang-integrationsarbetet: genomskinlig PNG-utdata godkändes, alfa behölls över hela intervallet 0–255, RGBA-PSNR uppmättes till 60,69 dB i ett enda prov, och FP8-konfigurationer klarade generering av genomskinlig PNG. SGLang-författarna är tydliga med att detta är en korrekthetskontroll, inte en kvalitetsgaranti.

Så: två öppna utgåvor, två leverantörsstyrkort, ingen gemensam benchmark, och ingen tredje part som har kört båda. Den som säger att den ena slår den andra på bildkvalitet upprepar bara marknadsföring.

Redigeringsfilosofi: skriv om prompten, eller skriv om planen

Båda modellerna försöker lösa samma underliggande problem – en användares instruktion är vag och diffusionsmodellen är bokstavlig – och de löser det på motsatta ställen.

Qwen-Image-2.1 löser det språkligt. PE-I2I-checkpointen tar din redigeringsinstruktion plus en eller flera indatabilder och omformulerar den till ett exakt direktiv före generering. Eftersom det är en levererad checkpoint med en levererad system_prompt.txt, kan du läsa exakt vad den är instruerad att göra — inklusive regeln att renderad text i utdata ska matcha det dominerande språket i texten som redan finns i indatabilden, i stället för att tvingas till engelska. Det är inspekterbart beteende. Du kan åsidosätta det.

Bernini-Diffusers-v2 löser det i strukturen. Planeraren producerar en semantisk plan som renderaren sedan utför, och den intressanta egenskapen hos det arrangemanget är att planen är något du kan redigera. För videarbete — där hela poängen ofta är att ändra ett element genom en sekvens utan att göra om tagningen — är planering separat från rendering rätt form. För en enskild stillbild är det en extra rörlig del.

• Redigeringsgranularitet — Qwen-Image-2.1 stöder lokala redigeringar med cirkel, målad annotering eller en separat mask, samt redigering av transparenta lager och subjektsextrahering från RGB-fotografier; Bernini-Diffusers-v2:s dokumenterade redigeringsstyrkor är referensstyrd videoredigering och subjekt-till-video, inte lokal reparation av stillbilder.
• Referensindata — Qwen-Image-2.1 accepterar upp till 10 referensbilder, även om en granskare med tidig åtkomst rapporterade att konsekvensen mellan flera referenser försämrades från omkring tre bilder och framåt; Bernini-Diffusers-v2:s referenshantering dokumenteras kring videosekvenser.
• Inspekterbarhet — Qwen-Image-2.1:s omskrivningslogik är en läsbar systemprompt i arkivet; Bernini-Diffusers-v2:s planeringssteg är modellvikter.

Vad man faktiskt ska göra med det här

Beslutsregeln följer av licensen snarare än av specifikationsbladet.

Om resultatet ska in i något du säljer – kundarbete, en produkt, en betald pipeline – är Bernini-Diffusers-v2 det enda av dessa två som du kan använda utan en konversation, och du bör budgetera för hårdvara i Hopper-klass för att köra det enligt dokumentationen. Om du bedriver forskning, utvärdering eller personligt arbete ger Qwen-Image-2.1 dig det mer granskningsbara systemet och det med inbyggt alpha, till priset av en licens som du så småningom måste omförhandla eller lämna.

Det finns ett tredje alternativ som ingendera av dessa täcker, och det är värt att säga rakt ut: hostade bildmodeller, där du aldrig rör en licensfil eller en GPU. OrcaRouter routar 200+ modeller bakom en OpenAI-kompatibel endpoint till leverantörens listpris utan påslag, med automatisk failover mellan leverantörer, en routing-DSL för fallback-kedjor och modellfusion. Varken Qwen-Image-2.1 eller Bernini-Diffusers-v2 finns i vår katalog vid tidpunkten för skrivandet – vi routar ingen Qwen-Image-modell i någon version och ingen Bernini-modell – så detta är inte en pitch för någon av dem. Den routade bildlinje vi faktiskt har är OpenAI:s GPT-Image-familj, Googles Imagen 4-nivåer och Gemini-bildförhandsvisningar, samt xAI:s Grok Imagine-bildendpoint; eftersom listpriset förs vidare i stället för att beläggas med påslag är en leverantörsprissänkning på någon av dem live samma dag.

Den del som inget av arkiven svarar på

Båda dessa var tysta släpp utan upptakt, och tysta släpp är svåra att planera kring. Qwen-Image-2.1:s enda förhandssignal var en notis den 17 september om tidig åtkomst som erbjöd 50 ModelScope-platser, där testare ombads publicera senast den 29 september – tre dagar innan vikterna blev offentliga. Bernini-Diffusers-v2 dök helt enkelt upp på Hugging Face den 13 augusti med en Gitee-spegel vid sin sida.

Det som saknas hos båda är en anledning att tro att villkoren kommer att hålla. Qwen skärpte sin licens mellan den förra bildgenereringen och denna, vilket är en datapunkt om riktningen. ByteDance har behållit Bernini Apache 2.0 genom två generationer, vilket är en datapunkt om den andra riktningen. Huruvida något av dessa håller för nästa utgåva går inte att veta härifrån, och det är det man bör kontrollera innan man satsar på en pipeline snarare än efter.