Qwen-Image 2.1: โมเดลภาพแบบเปิดน้ำหนักขนาด 7B คืออะไรกันแน่

Qwen-Image 2.1คือโมเดลที่ผู้คนค้นหาด้วยชื่อนี้ และตอนนี้กลับไม่พบอะไรเลย มันคือโมเดลแปลงข้อความเป็นภาพและแก้ไขภาพแบบเปิดเวทต์ของ Alibaba ที่เปิดตัวเมื่อวันที่ 20 กันยายน 2026 และความสับสนส่วนใหญ่ที่เกิดขึ้นนั้นเป็นเรื่องเชิงโครงสร้าง: มันใหม่กว่า Qwen-Image 3.0ซึ่งทีมเดิมเปิดตัวเมื่อวันที่ 21 กรกฎาคม 2026 และเก่ากว่า Qwen-Image 2.1 Turboเช็กพอยต์แบบเร่งความเร็วที่ตามมาเมื่อวันที่ 9 ตุลาคม 2026 สามชื่อ หนึ่งตระกูล สามผลิตภัณฑ์ที่แตกต่างกันจริง ๆ — และหมายเลขเวอร์ชันก็ไม่ได้จัดลำดับพวกมันได้อย่างถูกต้องเลยแม้แต่ตัวเดียว

หน้านี้เป็นเอกสารอ้างอิงสำหรับตัวโมเดลเอง: ว่ามันคืออะไร รับและส่งคืนอะไร สัญญาอนุญาตของมันอนุญาตอะไรได้จริง ไฟล์เวตอยู่ที่ไหน และมีเอกสารระบุว่าใช้งานบนอะไรได้บ้าง การเผยแพร่นี้มีอายุ 23 วัน ณ เวลาที่เขียน ดังนั้นให้ถือเป็นข้อเท็จจริงที่บ่งบอกอายุของโมเดล มากกว่าจะเป็นข่าว — คำถามที่ควรค่าแก่การตอบคือคำถามที่ผู้อ่านมีอยู่เป็นปกติเมื่อพิมพ์ชื่อของโมเดลเอง

ผลิตภัณฑ์ภาพ Qwen ทั้งสาม ที่แยกออกจากกัน

ความคาดหวังที่ผิดเกือบทั้งหมดเกี่ยวกับ Qwen-Image 2.1 มาจากการมองตระกูลนี้เป็นลำดับเดียว มันไม่ใช่เช่นนั้น ผลิตภัณฑ์ปัจจุบันทั้งสามตั้งอยู่คนละจุดทั้งในด้านขีดความสามารถและการเข้าถึง:

• Qwen-Image 2.1 — โมเดลเดียวที่ทำงานทั้งการสร้างภาพจากข้อความและการแก้ไขภาพ โดยมี พารามิเตอร์ 7B ในองค์ประกอบการสร้างภาพ และเลเยอร์ DiT แบบ single-stream จำนวน 32 เลเยอร์ เผยแพร่เป็นน้ำหนักแบบเปิดภายใต้สัญญาอนุญาตสำหรับงานวิจัย เปิดตัวเมื่อวันที่ 20 กันยายน 2026

• Qwen-Image 2.1 Turbo — สถาปัตยกรรมการสร้างภาพขนาด 7B แบบเดิมและพรีเซ็ตความละเอียดชุดเดิม เปิดตัวเป็นเช็กพอยต์แบบเร่งความเร็วแยกต่างหากเมื่อวันที่ 9 ตุลาคม 2026 ซึ่งขจัดนอยซ์ใน 8 ขั้นตอน แทนที่จะเป็น 40 โดย CFG มีค่าเริ่มต้นที่ 1 และตารางการสุ่มตัวอย่างที่แนะนำถูกบันทึกไว้ภายในเช็กพอยต์ เป็นตัวแปรด้านความเร็ว ไม่ใช่ระดับความสามารถ

• Qwen-Image 3.0 — โมเดลรุ่นที่สามจากวันที่ 21 กรกฎาคม 2026 และเป็นรุ่นปิด ไม่มีคลังเวตสำหรับมันบน Hugging Face หรือ ModelScope และเอกสารเปิดตัวก็ไม่เปิดเผยจำนวนพารามิเตอร์และไม่ระบุสัญญาอนุญาต คำกล่าวอ้างหลักของมัน是关于ข้อความและความหนาแน่นของความรู้ — พรอมต์สูงสุด 4.5k โทเคน ข้อความขนาดเล็กเพียง 10px ที่เรนเดอร์ออกมาอ่านได้ชัดเจน 12 ภาษา สไตล์ศิลปะมากกว่า 100 แบบ — และสิ่งเหล่านี้เป็นคำกล่าวอ้างของผู้ขายเอง ยังไม่ได้รับการตรวจสอบซ้ำที่นี่ หากสิ่งที่คุณต้องการคือการเรนเดอร์ข้อความที่แข็งแกร่งที่สุดในตระกูลนี้ นั่นคือเหตุผลที่ควรเลือก 3.0; หากสิ่งที่คุณต้องการคือการรันโมเดลด้วยตัวเอง 3.0 ก็ไม่ใช่ตัวเลือกเลยแม้แต่น้อย

ยังมีอีกเรื่องที่สี่ที่ควรแยกออกมา เพราะใช้ชื่อ 2.1 ร่วมกัน: ตั้งแต่ 9 ตุลาคม 2026 รายการข่าวของผู้ให้บริการได้ระบุว่า Qwen-Image-2.1 Pro และ Turbo API แบบโฮสต์เปิดให้บริการอย่างเป็นทางการแล้วบน Aliba​ba Cloud Model Studio นั่นเป็นช่องทางการให้บริการของโมเดลเดียวกัน ไม่ใช่โมเดลที่สี่

สิ่งที่อยู่เบื้องหลังมันคืออะไร

สถาปัตยกรรมนี้ ตามที่เผยแพร่บนโมเดลการ์ดและที่เก็บโค้ดของผู้จำหน่าย มีขนาดกะทัดรัดเมื่อเทียบกับมาตรฐานของวงการภาพในปัจจุบัน และถูกจัดวางโครงสร้าง вокругแนวคิดเดียว คือ ทำให้การแก้ไขภาพหลายภาพพร้อมกันมีต้นทุนต่ำ

• Transformer — 32 เลเยอร์ พารามิเตอร์ 7B, DiT แบบสตรีมเดียวที่ใช้ attention แบบ block-causal ข้อความ ซึ่งรวมถึง system prefix และคำสั่งสำหรับการแก้ไข ใช้ causal mask ระดับโทเคน ส่วนการสร้างภาพใช้ bidirectional mask ระดับชังก์

• ตัวเข้ารหัสข้อความ — Qwen3-VL 8B โมเดลภาษาและภาพที่เข้ารหัสทั้งคำสั่งข้อความและภาพเงื่อนไขต่าง ๆ ให้เป็นการแทนค่าเดียว ในไฟล์ดาวน์โหลดที่เผยแพร่ มันเป็นส่วนที่ใหญ่กว่าครึ่งหนึ่งของสแต็ก

• VAE — ออโตเอนโคเดอร์ RGBA แบบ 64 แชนเนล พร้อมการบีบอัดเชิงพื้นที่ 16× ซึ่งเป็นจุดที่ความโปร่งใสแบบเนทีฟ originates มาจากตรงนี้ แทนที่จะมาจากการประมวลผลภายหลัง

• Scheduler — Flow Matching พร้อมการจัดตารางแบบ Euler discrete และการเลื่อนแบบไดนามิก ใช้ 40 ขั้นตอนการลดสัญญาณรบกวนเป็นค่าเริ่มต้นบนเช็กพอยต์ฐาน

การแยกแบบผสมระดับความละเอียดนั้นคือเหตุผลด้านประสิทธิภาพ รูปภาพอินพุตและคำสั่งจะถูกคำนวณเพียงครั้งเดียวในขั้นตอนดีนอยซิ่งแรก และหลังจากนั้นจะถูกนำมาใช้ซ้ำเป็นบริบทคำนำหน้าที่แคชไว้ ดังนั้นการเพิ่มรูปภาพอ้างอิงจึงมีต้นทุนน้อยกว่าการออกแบบที่ต้องเข้ารหัสทุกอย่างใหม่ในทุกขั้นตอน

ใบอนุญาต ตามที่เผยแพร่ทุกประการ

นี่คือส่วนที่บทสรุปส่วนใหญ่เข้าใจผิด ในทั้งสองทิศทาง Qwen-Image 2.1 ไม่เป็นโอเพนซอร์สในความหมายแบบผ่อนปรน และก็ไม่เป็นแบบปิดเช่นกัน การ์ดบน Hugging Face ติดแท็กว่า license: other พร้อมกับ license_name: qwen-research และไฟล์ LICENSE ของรีพอซิทอรีคือ Qw​en Research License Agreement ลงวันที่ 20 กันยายน 2026 เมื่ออ่านเมื่อวันที่ 13 ตุลาคม 2026 ข้อกำหนดที่มีผลใช้บังคับให้สิทธิ์

• ใบอนุญาตแบบจำกัดที่ไม่ผูกขาด ทั่วโลก ไม่สามารถโอนสิทธิ์ได้ และปลอดค่าลิขสิทธิ์ ในการใช้ ทำซ้ำ เผยแพร่ คัดลอก สร้างงานดัดแปลง และแก้ไขวัสดุ — เพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น.

ข้อตกลงนี้ให้นิยามคำว่า "Non-Commercial" ไว้อย่างแคบ ๆ ว่า เพื่อวัตถุประสงค์ด้านการวิจัยหรือการประเมินผลเท่านั้น และกำหนดเส้นทางของสิ่งอื่น ๆ ไว้อย่างชัดเจนว่า คุณ "จะต้องไม่ใช้ Materials เพื่อวัตถุประสงค์ทางการค้าใด ๆ โดยไม่ได้รับใบอนุญาตเชิงพาณิชย์แยกต่างหากจากเรา" โดยต้องขอผ่านอีเมลไปยังที่อยู่ที่ข้อตกลงระบุไว้ ดังนั้นในทางปฏิบัติ สำหรับทีมแล้วจึงมีสองบรรทัด ไม่ใช่บรรทัดเดียว: น้ำหนักโมเดลนั้นดาวน์โหลดได้ ตรวจสอบได้ ทำ quantization ได้ และ fine-tune ได้ และการนำออกสู่ตลาดเป็นผลิตภัณฑ์บนโมเดลเหล่านี้ต้องมีการพูดคุยกับ Aliba​ba ก่อน

เงื่อนไขเพิ่มเติมอีกสามข้อมาพร้อมกับการเผยแพร่ต่อ และเป็นเรื่องง่ายที่จะมองข้ามเมื่อสัญญาอนุญาตถูกสรุปว่า "ไม่ใช่เพื่อการค้า" คุณต้องส่งสำเนาข้อตกลงให้กับทุกคนที่คุณเผยแพร่ต่อ ไฟล์ที่ถูกแก้ไขต้องมีประกาศที่เด่นชัดว่าได้มีการเปลี่ยนแปลง และสำเนาที่เผยแพร่ใด ๆ ต้องคงข้อความประกาศที่ข้อตกลงระบุไว้ตามตัวอักษร โดยระบุว่าเนื้อหาเป็นของ Hangzhou Tongyi Laboratory Technology Co., Ltd. นอกจากนั้นยังมีกฎการใช้งานสองข้อ: หากคุณใช้โมเดลหรือผลลัพธ์ของโมเดลเพื่อฝึก ปรับแต่งละเอียด หรือปรับปรุงโมเดล AI ที่คุณจะเผยแพร่ต่อ คุณต้องแสดง "Built with Qw​en" หรือ "Improved using Qw​en" อย่างเด่นชัดในเอกสารผลิตภัณฑ์ และคุณไม่สามารถใช้ "Qw​en" เป็นชื่อหลักหรือตัวระบุของงานดัดแปลงได้ แม้ว่าการใช้ในเชิงพรรณนา เช่น "fine-tuned from Qw​en Image" จะได้รับอนุญาต กฎหมายที่ใช้บังคับคือกฎหมายจีน โดยมีเขตอำนาจศาลแต่เพียงผู้เดียวในศาลประชาชนในหางโจว

การเปรียบเทียบหนึ่งอย่างที่ควรทำ เพราะมันคือจุดที่ตระกูลนี้ได้เคลื่อนไป ไม่ใช่จุดที่มันเริ่มต้น การเปิดตัว Qwen-Image รุ่นก่อนหน้านี้มีสัญญาอนุญาตแบบผ่อนปรน: การ์ดโมเดลสำหรับ Qwen-Image, Qwen-Image-Edit, Qwen-Image-Edit-2509, Qwen-Image-Edit-2511, Qwen-Image-Layered และ Qwen-Image-2512 ทั้งหมดมี apache-2.0 ตามที่อ่านเมื่อวันที่ 13 ตุลาคม 2026 โดยไม่มีข้อจำกัดทางการค้า Qwen-Image 2.1 เป็นจุดที่แตกต่างจากรูปแบบนั้น สัญญาอนุญาตที่ให้ไปแล้วจะไม่เปลี่ยนแปลงย้อนหลัง ดังนั้นเช็คพอยต์รุ่นก่อนหน้าเหล่านั้นจึงยังคงใช้งานได้ตามเงื่อนไขเดิม — แต่ใครก็ตามที่วางแผนทำไปป์ไลน์เชิงพาณิชย์โดยสมมติว่าโมเดลรูปภาพ Qwen รุ่นใหม่ล่าสุดจะอนุญาตแบบผ่อนปรน ควรอ่านอันนี้ก่อนการเปิดตัวครั้งถัดไป ไม่ใช่หลังจากนั้น

อะไรเข้า และอะไรออก

ขอบเขตอินพุตนั้นกว้างกว่าของโมเดลแบบข้อความเป็นภาพ และขอบเขตเอาต์พุตรวมถึงบางสิ่งที่โมเดลภาพส่วนใหญ่ไม่ได้สร้างขึ้นเลย ตามการ์ดโมเดลและที่เก็บโค้ดของผู้จำหน่าย:

• เฉพาะข้อความ — พรอมต์จะสร้างรูปภาพ โหมดข้อความเป็นภาพเป็นค่าเริ่มต้น ไม่มีเช็กพอยต์ T2I แยกต่างหากให้เลือก

• รูปภาพหนึ่งรูปพร้อมพร้อมต์ — การเรียกแก้ไขแบบมาตรฐาน โดยส่งภาพไปพร้อมกับคำสั่ง

• ภาพอ้างอิงได้สูงสุด 10 ภาพ — ตัวอย่างจากผู้ให้บริการเป็นการรวมภาพพอร์ตเทรตหกภาพเข้าเป็นภาพถ่ายหมู่ภาพเดียว รวมภาพสินค้าห้าภาพเข้าเป็นชุดหนึ่งชุด และรวมภาพตกแต่งบ้านสิบภาพเข้าเป็นห้องเดียว นี่คือความสามารถที่สถาปัตยกรรมนี้ถูกปรับให้เหมาะที่สุด

• การควบคุมการแก้ไขเฉพาะจุด มีสามวิธี — วงกลมที่วาดบนภาพ (ระบุหลายบริเวณพร้อมกันได้ด้วยสี), แอนโนเทชันที่ระบายด้วยพู่กัน, หรือมาสก์แยกต่างหากที่ป้อนเป็นอินพุตของตัวเอง เพื่อให้ภาพถ่ายต้นฉบับไม่ถูกทำเครื่องหมาย

• ความโปร่งใสในทั้งสองทิศทาง — การสร้างภาพ RGBA โดยตรงจากพรอมป์โดยใช้รูปแบบพรอมป์ที่ผู้ขายแนะนำ การแก้ไขภายในเลเยอร์โปร่งใสซึ่งรวมถึงข้อความ และการแยกตัวแบบออกจากภาพถ่าย RGB ทั่วไปให้เป็นเลเยอร์ RGBA

• ช่วงขนาด — ความละเอียดพื้นเมือง 2K โดยค่าเริ่มต้นคือ 2048×2048 พร้อมพรีเซ็ตที่เผยแพร่แล้วเจ็ดแบบ: 1:1 ที่ 2048×2048, 4:3 ที่ 2400×1792, 3:4 ที่ 1792×2400, 3:2 ที่ 2528×1696, 2:3 ที่ 1696×2528, 16:9 ที่ 2752×1536 และ 9:16 ที่ 1536×2752

• เอาต์พุต — ทุกตัวอย่างในโค้ดของผู้จำหน่ายเองเขียนเป็น PNG และเส้นทางแบบโปร่งใสเขียนเป็น RGBA พร้อมช่องอัลฟาจริง ไม่มีการเผยแพร่การแจกแจงรูปแบบเอาต์พุตแยกต่างหาก ดังนั้น PNG จึงเป็นสิ่งที่เส้นทางที่มีเอกสารระบุไว้ผลิตออกมา มากกว่าจะเป็นข้อจำกัดที่พิสูจน์แล้ว

มีข้อมูลที่ขาดหายไปสองเรื่องที่ควรกล่าวถึง มากกว่าจะปล่อยให้ผู้อ่านไปค้นพบเอง การ์ดนี้ไม่ประกาศความยาวพรอมต์สูงสุดสำหรับ Qwen-Image 2.1 — ตัวเลขอินพุต 4.5k โทเคนเป็นของ Qwen-Image 3.0 และไม่ควรนำมาใช้กับรุ่นนี้ และไม่มีการประกาศราคาสำหรับเวทแบบเปิด เนื่องจากไม่มีการคิดอัตราต่อภาพแบบโฮสต์ที่แนบมากับการดาวน์โหลด ค่าใช้จ่ายคือพลังประมวลผลของคุณเอง ส่วน Pro และ Turbo API แบบโฮสต์บน Model Studio เป็นเส้นทางเชิงพาณิชย์แยกต่างหาก และเนื้อหาที่เราอ่านได้ระบุว่ารายละเอียดการเข้าถึงและการใช้งานอยู่ในหน้าคอนโซลของผู้ให้บริการ มากกว่าในบันทึกเปิดตัวสาธารณะ

การเรนเดอร์และการแก้ไขข้อความ ในถ้อยคำของผู้ขายเอง

คำกล่าวอ้างของผู้จำหน่ายสำหรับรีลีสนี้เป็นเชิงคุณภาพและควรค่าแก่การยกมาอ้างเป็นคำกล่าวอ้างมากกว่าผลการวัด ในด้านข้อความ บล็อกกล่าวว่าการเรนเดอร์ "ไม่ได้พิจารณาเฉพาะเนื้อหานั้นเอง แต่ยังพิจารณาสไตล์ตัวอักษร เลย์เอาต์ และความสัมพันธ์ของสิ่งเหล่านี้กับองค์ประกอบโดยรวม" และยกตัวอย่างประกอบสี่ตัวอย่าง ในด้านการแก้ไข การปรับปรุงสี่ประการที่ระบุไว้ ได้แก่ ภาพอ้างอิงหลายภาพ การแก้ไขเฉพาะจุด การรักษาความเหมือนจริงสำหรับบุคคลและผลิตภัณฑ์ และความครอบคลุมของงาน — โดยมีภาพพาโนรามาที่สร้างจากเซลฟี่ภาพเดียว อินโฟกราฟิกที่ขยายจากภาพถ่ายผลิตภัณฑ์ และภาพอ้างอิงตัวละครสามมุมมองที่แปลงเป็นสตอรีบอร์ด อัตลักษณ์ของภาพบุคคลและความสอดคล้องของผลิตภัณฑ์เป็นสองคำกล่าวอ้างด้านความเหมือนจริงที่ระบุไว้อย่างชัดเจน

สิ่งที่ไม่ได้เผยแพร่ก็สำคัญไม่แพ้กัน ในเอกสารของผู้พัฒนาไม่มีตาราง benchmark เชิงตัวเลขสำหรับ Qwen-Image 2.1 เลย: บล็อกแสดงการเปรียบเทียบ Qwen-Image-Bench เป็นรูปภาพ โดยไม่มีตัวเลขใด ๆ เขียนไว้ในข้อความ และที่เก็บโค้ดก็ไม่เผยแพร่ตารางการประเมินใด ๆ ทั้งสิ้น ดังนั้นจึงไม่มีตัวเลขที่ผู้พัฒนารายงานสำหรับโมเดลนี้ที่จะติดป้ายว่าเป็นตัวเลขที่ผู้พัฒนารายงาน และเราไม่ได้พิมพ์ตัวเลขอิสระเช่นกัน: โมเดลนี้ปรากฏอยู่บนอารีนาภาพของบุคคลที่สามจริง แต่เราไม่สามารถยืนยันซ้ำคะแนนบอร์ดปัจจุบันได้ในวันนี้ และตัวเลขลีดเดอร์บอร์ดที่เราตรวจสอบซ้ำไม่ได้ก็ไม่ใช่ตัวเลขที่ควรยื่นให้ผู้อ่าน ให้ถือว่าคำถามเรื่องการเรนเดอร์ข้อความเป็นเรื่องที่ยังเปิดอยู่ และสังเกตว่าข้ออ้างเรื่องข้อความที่แข็งแกร่งที่สุดของผู้พัฒนาเอง — ตัวเลข 10px และ 12 ภาษา — เป็นของ Qwen-Image 3.0 ไม่ใช่ของโมเดลนี้

เวทอยู่ที่ใด และในรูปแบบใด

น้ำหนักโมเดลถูกเผยแพร่ไว้ในสองแห่ง โดยทั้งคู่มาจากผู้พัฒนาโดยตรง: Hugging Faceที่ Qwen/Qwen-Image-2.1 และ ModelScopeที่เส้นทางองค์กร Qw​en ที่สอดคล้องกัน พร้อมด้วย Space สาธิตที่โฮสต์ไว้เคียงข้างกัน ส่วนพื้นที่เก็บบน Hugging Face มีขนาดรวม 33.1 GB และสิ่งที่นำไปใช้ได้จริงคือรายละเอียดการแยกองค์ประกอบ:

• Transformer — ชาร์ด safetensors แบบ BF16 สองชิ้น ขนาดประมาณ 9.97 GB และ 4.26 GB พร้อมไฟล์ดัชนี

• ตัวเข้ารหัสข้อความ — safetensors shard แบบ BF16 จำนวนสี่ไฟล์ รวมขนาดประมาณ 17.5 GB จึงเป็นเหตุผลว่าทำไมตัวเข้ารหัส Qwen3-VL 8B จึงถูกอธิบายไว้ข้างต้นว่าเป็นครึ่งที่ใหญ่กว่าของการดาวน์โหลด

• VA — ไฟล์ safetensors ขนาด 1.35 GB ไฟล์เดียวที่บรรจุ RGBA autoencoder

• เลย์เอาต์ของ Diffusers — ที่เก็บนี้เป็นรีลีสในรูปแบบ Diffusers (model_index.json, transformer/, text_encoder/, vae/, scheduler/, processor/), ซึ่งเป็นสิ่งที่ทำให้การนำเข้าไปป์ไลน์ด้านล่างเป็นโค้ดบรรทัดเดียว

• แพ็กเกจที่สองสำหรับ ComfyUI — Comfy-Org/Qwen-Image-2.1จัดแพ็กโมเดลเดียวกันใหม่เป็นคอมโพเนนต์แบบไฟล์เดียว: ตัวแปร bf16 และ int8 ของโมเดล diffusion, VAE, ตัวเข้ารหัสข้อความ Qwen3-VL 8B ในรูปแบบ bf16, int8 และ w4a8, ตัวเข้ารหัส prompt-rewriter สองตัว, Turbo LoRA และแพตช์ ControlNet-Union หากคุณตั้งใจจะรันสิ่งนี้ใน ComfyUI แทนที่จะรันใน Python สิ่งที่คุณดาวน์โหลดคือที่เก็บนั้น ไม่ใช่ที่เก็บหลัก

เพื่อให้เห็นขนาด หน้าเพจของ Hugging Face เองรายงานว่ามี 142,375 ดาวน์โหลดในเดือนที่ผ่านมา ณ วันที่ 13 ตุลาคม 2026 — เป็นตัวเลขที่แพลตฟอร์มให้บริการจากเว็บไซต์โฮสติ้ง ไม่ใช่คำกล่าวอ้างของ Alibaba เกี่ยวกับการนำไปใช้

วิธีรันในวันนี้

นี่คือส่วนหนึ่งของเรื่องราว Qwen-Image 2.1 ที่แปลกจริง ๆ อย่างแท้จริง: การรองรับรันไทม์ที่มีเอกสารประกอบมาพร้อมกับน้ำหนักโมเดล แทนที่จะมาหลังจากนั้นหลายเดือน ดังนั้นคำถามจึงไม่ใช่ว่าคุณจะเสิร์ฟมันได้หรือไม่ แต่คือคุณมีเส้นทางที่รองรับอยู่แล้วเส้นทางใดจากหลายเส้นทาง

• Diffusers (เส้นทางที่ผู้จำหน่ายแนะนำ) — QwenImage21Pipeline ที่โหลดจาก Qwen/Qwen-Image-2.1 ในรูปแบบ BF16 โดยใช้ transformers>=5.17, torch>=2.4 และ Diffusers ที่ติดตั้งจากซอร์สโค้ด เช็กพอยต์ Turbo จะโหลดผ่านคลาสไปป์ไลน์เดียวกัน

• ComfyUI — รองรับแบบเนทีฟตั้งแต่ Day-0 พร้อมเวิร์กโฟลว์เทมเพลตที่เผยแพร่สำหรับการสร้างภาพจากข้อความและการแก้ไขภาพ โดยใช้เวทของ Comfy-Org ข้างต้น

• vLLM-Omni — สคริปต์แบบออฟไลน์และการให้บริการออนไลน์สไตล์ OpenAPI (vllm serve … --omni) โดยมีเอกสารประกอบสำหรับการทำงานแบบทีละขั้นตอน, การแคช KV แบบ prefix, การถอดรหัสด้วย CUDA Graph, การควอนไทซ์ FP8 และการทำงานแบบขนาน TP/Ulysses

• SGLang — รองรับแบบเนทีฟตั้งแต่ Day-0 ผ่าน sglang generate โดยเพิ่ม --image-path อาร์กิวเมนต์สำหรับการแก้ไข พร้อมตัวเลือก parallelism และ offload

• LightX2V — เส้นทางการเร่งความเร็วแบบ Day-0 ที่ดูแลโดยโครงการ ModelTC

• ฮาร์ดแวร์ที่ไม่ใช่ NVIDIA — เส้นทางของ AMD Radeon ผ่าน ROCm, PyTorch และ Diffusers และเส้นทาง FlagOS ที่ครอบคลุมแปดแพลตฟอร์มชิปผ่านอิมเมจและเวทที่สร้างไว้ล่วงหน้าซึ่งเผยแพร่บน ModelScope

อุปกรณ์เสริมหนึ่งอย่างถือเป็นส่วนหนึ่งของการติดตั้งจริง ๆ หากคุณให้ความสำคัญกับคุณภาพของผลลัพธ์: รีลีสนี้มาพร้อมเช็กพอยต์สำหรับเขียนพรอมป์ต์ใหม่สองตัว, Qwen-Image-2.1-PE-T2I และ Qwen-Image-2.1-PE-I2I ซึ่งทั้งคู่เป็นโมเดล Qwen3.5-VL 9B ที่ผ่านการปรับแต่งละเอียดแล้ว โดยมีโค้ดสำหรับเขียนใหม่และพรอมป์ต์ระบบเผยแพร่ในรีโพซิทอรี ผู้จำหน่ายแนะนำให้เขียนพรอมป์ต์แบบสั้นใหม่ให้กลายเป็นแบบละเอียด แทนที่จะเรียกใช้โมเดลรูปภาพโดยตรง

หากคุณไม่อยากเก็บสแต็กขนาด 33 GB ไว้ในหน่วยความจำเลย Model Studio Pro และ Turbo เอนด์พอยต์คือเส้นทางที่ให้บริการจริง เปิดใช้งานตั้งแต่ 9 ตุลาคม 2026 เราไม่ประกาศอัตราค่าบริการต่อภาพสำหรับทั้งสองเส้นทางนี้ เนื่องจากบันทึกการเปิดตัวต่อสาธารณะที่เราสามารถอ่านได้ไม่ได้เผยแพร่อัตราดังกล่าว

สิ่งนี้ทำให้คุณอยู่ตรงไหน

พูดตรง ๆ เพราะนี่คือข้อเท็จจริงที่ชี้ขาดการประเมินส่วนใหญ่: OrcaRouter ไม่ได้จัดเส้นทางให้ Qwen-Image 2.1 หรือโมเดล Qwen-Image ใด ๆ เราได้ตรวจสอบรายการโมเดลที่ใช้งานจริงของเราเมื่อวันที่ 13 ตุลาคม 2026 และมันไม่ปรากฏอยู่ในรายการนั้น หากน้ำหนักแบบเปิดคือสิ่งที่ทำให้คุณมั่นใจ เส้นทางที่มีคือการดาวน์โหลดไปโฮสต์เองหรือ API ที่โฮสต์โดยผู้จำหน่ายเอง — ไม่ใช่เรา

สิ่งที่เรามีก็คือภาพรวมของปัญหาที่โมเดลนี้สร้างขึ้นสำหรับทีมที่ต้องการลองใช้งาน Qwen-Image 2.1 มีความลำบากในแบบเฉพาะตัว นั่นคือ มีความสามารถจริงตามสเปกที่เผยแพร่ ถูกจำกัดจริงด้วยไลเซนส์สำหรับการใช้งานเชิงพาณิชย์ใด ๆ และมีขนาดใหญ่พอที่การโฮสต์เองจะเป็นโปรเจกต์ใหญ่ ไม่ใช่แค่ใช้เวลาบ่ายเดียว นั่นคือเหตุผลที่ยังไม่ควรนำมันไปวางไว้บนเส้นทางการผลิตในวันแรก OrcaRouter นำโมเดลกว่า 200 รายการมาวางไว้เบื้องหลังเอนด์พอยต์เดียวที่เข้ากันได้กับ OpenAI ในราคาตามที่ผู้ให้บริการกำหนดโดยไม่บวกเพิ่ม พร้อมการสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดปัญหา และ DSL สำหรับกำหนดเส้นทางที่ช่วยให้คุณประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียวได้ ดังนั้น checkpoint ที่มีไลเซนส์เพื่อการวิจัยซึ่งคุณยังประเมินอยู่ก็สามารถอยู่เคียงข้างโมเดลที่คุณไว้วางใจอยู่แล้ว แทนที่จะเข้าไปแทนที่มัน การหลอมรวมโมเดล (Model fusion) ต่อยอดแนวคิดเดียวกันไปอีกขั้น โดยให้คณะโมเดลตอบพรอมป์เดียวกัน เพื่อให้การเปรียบเทียบเกิดขึ้นบนอินพุตของคุณเอง แทนที่จะเป็นแกลเลอรีตัวอย่างของผู้ขาย

ผู้อ่านสามคน คำตอบต่างกันสามแบบ หากคุณกำลังสร้างเชิงพาณิชย์ สัญญาอนุญาตคือประเด็นชี้ขาดทั้งหมด และมันบอกว่าไม่ หากไม่มีการเจรจา — เริ่มการเจรจานั้น หรือเลือกเช็กพอยต์ Apache-2.0 จากตระกูลเดียวกัน หากคุณกำลังวิจัย ทำ fine-tuning หรือต้องการแอสเซตที่โปร่งใสและภาพอ้างอิงมากกว่าสามภาพ นี่คือโมเดลที่ส่วนที่เหลือของกลุ่มโอเพนกำลังถูกวัดเทียบอยู่ในปัจจุบัน และการรองรับรันไทม์ตั้งแต่วันแรกหมายความว่างานด้านการผสานรวมมีไม่มาก หากคุณต้องการภาพงานโปรดักชันที่ใช้ข้อความจำนวนมาก และไม่อยากรันอะไรด้วยตัวเอง Qwen-Image 3.0 แบบปิดและ endpoint Pro แบบโฮสต์คือคำตอบของผู้ขายเองสำหรับเรื่องนั้น และการจำแนกอย่างแน่ชัดว่าการเรนเดอร์ข้อความของโมเดลนี้ก้าวหน้าไปไกลแค่ไหนแล้วยังคงเป็นคำถามเปิดที่ไม่มีตัวเลขเผยแพร่รองรับอยู่เบื้องหลัง