Qwen-Image 2.1：7B 开放权重图像模型到底是什么

Qwen-Image 2.1正是人们会按名字去搜、目前却一无所获的那个模型。它是阿里巴巴于2026年9月20日发布的开放权重文生图与图像编辑模型，而围绕它的大多数困惑其实是结构性的：它比Qwen-Image 3.0更新——后者由同一团队于2026年7月21日推出——又比Qwen-Image 2.1 Turbo更旧，后者是2026年10月9日紧随其后发布的加速版检查点。三个名字、一个家族、三款确实不同的产品——而版本号却没能把其中任何一个排对顺序。

本页是模型本身的参考：它是什么、接受和返回什么、其许可证实际允许什么、权重存放于何处，以及文档记载它可在什么环境下运行。撰写本文时，该版本已发布 23 天，所以应把它视为给模型标注日期的事实，而不是新闻——值得回答的问题是读者输入模型自身名称时所怀有的那个长期存在的问题。

三款 Qwen 图像产品，各具特色，彼此区分

几乎所有关于 Qwen-Image 2.1 的错误预期，都源于把这个系列当作一条单一序列来看待。但它并不是。当前的三款产品在能力和可获取性上处于不同的位置：

• Qwen-Image 2.1 —— 一个可同时完成文生图生成与图像编辑的模型，其视觉生成组件拥有 70 亿参数，并包含 32 个单流 DiT 层，以研究许可协议的形式开放权重发布。发布于 2026 年 9 月 20 日。

• Qwen-Image 2.1 Turbo——相同的 7B 视觉生成架构和相同的分辨率预设，于 2026 年 10 月 9 日作为独立的加速检查点发布，去噪仅需 8 步而非 40 步，CFG 默认值为 1，其推荐的采样计划已保存在检查点内。它是速度变体，而非能力层级。

• Qwen-Image 3.0——2026 年 7 月 21 日发布的第三代模型，也是闭源的那一个。Hugging Face 和 ModelScope 上都没有它的权重仓库，其发布材料也没有公布参数量和许可证。它的主要宣传点在于文本和知识密度——提示词最长可达 4.5k token，小至 10px 的文本也能清晰渲染，支持 12 种语言、100 多种艺术风格——这些都是厂商自己的说法，此处未予复现。如果你需要的是该系列中最强的文本渲染能力，那就是选择 3.0 的理由；如果你需要的是自己运行模型，那 3.0 根本不是一个选项。

还有第四件事值得单独区分出来，因为它也带着 2.1 这个名字：自 2026 年 10 月 9 日起，该厂商的新闻列表已收录 Qwen-Image-2.1 Pro 和 Turbo 托管 API，并注明它们已在 Alibaba Cloud Model Studio 正式上线。那是同一模型的一种服务路径，而不是第四个模型。

它本质上是什么

该架构，正如厂商的模型卡和代码仓库所公布的那样，以当前图像领域的标准来看相当紧凑，并且围绕着一个理念构建：让多图编辑变得低成本。

• Transformer — 32 层，7B 参数，采用块因果注意力的单流 DiT。文本（包括系统前缀和编辑指令）运行 token 级因果掩码；图像生成运行 chunk 级双向掩码。

• 文本编码器 — Qwen3-VL 8B，一种视觉语言模型，可将文本指令和任意条件图像编码为同一个表示。在已发布的下载中，它是整个栈中体量较大的那一半。

• VAE —— 一个 64 通道 RGBA 自编码器，具备 16× 空间压缩，原生透明度正源于此处，而非来自后处理。

• 调度器 — Flow Matching，采用 Euler 离散调度与动态偏移；在基础检查点上默认执行 40 步去噪。

这种混合粒度拆分正是效率论据所在。输入图像和指令在第一个去噪步骤中计算一次，之后便作为缓存的前缀上下文被复用，因此添加参考图像的成本低于在每个步骤都重新编码所有内容的设计。

许可证，与发布时完全一致

这正是大多数摘要弄错的地方，而且两个方向都错。Qwen-Image 2.1 并非宽松意义上的开源，它也并非闭源。Hugging Face 模型卡给它打上的标签是 license: other，并注明 license_name: qwen-research，而该仓库的 LICENSE 文件是 Qw​en Research License Agreement，日期为 2026 年 9 月 20 日。在 2026 年 10 月 13 日阅读时，其生效条款授予一项

• 非排他性、全球范围、不可转让且免版税的有限许可，用于使用、复制、分发、拷贝、创作衍生作品及修改相关材料——仅限非商业用途。

该协议对“非商业”作了狭义界定，即仅限用于研究或评估目的，并对其他任何情形都作了明确规定：你“不得将材料用于任何商业目的，除非先从我方获得一份单独的商业许可”，且须通过电子邮件向协议中指定的地址提出申请。因此，对一个团队而言，实际处境是两条线而非一条：这些权重可以下载、审查、量化和微调，而基于它们推出产品，则需要先与Aliba​ba谈一谈。

再分发还附带三项进一步条件，当许可证被概括为“非商业性”时很容易被忽略。你必须将一份协议副本交给你向其再分发的任何人。修改过的文件必须带有显著声明，说明其已被更改。并且任何分发的副本都必须逐字保留协议规定的通知文本，将材料归于杭州通义实验室科技有限公司。除此之外还有两条使用规则：如果你使用该模型或其输出来训练、微调或改进一个你随后分发的 AI 模型，你必须在产品文档中显著展示“Built with Qw​en”或“Improved using Qw​en”；并且你不得将“Qw​en”用作衍生作品的主要名称或标识符，不过诸如“从 Qw​en Image 微调而来”这样的描述性使用是允许的。管辖法律为中国法律，由杭州的人民法院专属管辖。

有一个对比值得做，因为它体现的是这个系列已经转向何处，而不是它起步时所在何处。较早的 Qwen-Image 版本采用宽松许可：截至 2026 年 10 月 13 日查阅，Qwen-Image、Qwen-Image-Edit、Qwen-Image-Edit-2509、Qwen-Image-Edit-2511、Qwen-Image-Layered和Qwen-Image-2512的模型卡均标注apache-2.0，且没有商用门槛。Qwen-Image 2.1 打破了这一模式。已经授予的许可不会追溯变更，因此那些较早的检查点仍可按其原始条款使用——但任何打算假定最新的 Qwen 图像模型将采用宽松许可、并据此搭建商用流水线的人，都应该在下一次发布之前读一读这一条，而不是等到发布之后才读。

什么进去，什么出来

输入面比文生图模型更宽，输出面还包含大多数图像模型根本不会生成的内容。根据厂商的模型卡和仓库：

• 仅文本 — 提示词会生成图像。文生图是默认模式；没有单独的 T2I 检查点可供选择。

• 一张图像加一个提示词 —— 标准的编辑调用方式，将图像与指令一并传入。

• 最多 10 张参考图像——厂商的示例将六张人像合成一张合影、五张产品图合成一套穿搭、十张家具图片合成一个房间。这正是该架构所优化的能力。

• 局部编辑控制，三种方式 —— 在图像上绘制的圆圈（多个区域可同时凭颜色辨认）、手绘的标注，或将单独的蒙版作为独立输入提供，使原始照片保持无标记。

• 双向透明度——使用供应商推荐的提示格式直接从提示生成 RGBA 图像，在包含文本在内的透明图层中进行编辑，以及从普通 RGB 照片中提取主体作为 RGBA 图层。

• 尺寸范围 —— 原生 2K，默认 2048×2048，并提供七种已发布的预设：1:1 为 2048×2048，4:3 为 2400×1792，3:4 为 1792×2400，3:2 为 2528×1696，2:3 为 1696×2528，16:9 为 2752×1536，9:16 为 1536×2752。

• 输出——在厂商自己的代码中，每个示例都输出 PNG，而透明路径则输出带有真实 alpha 通道的 RGBA。官方并未发布单独的输出格式枚举，因此 PNG 只是文档所述路径所产生的结果，而非一项已被证实的限制。

有两处缺失值得明确指出，而不是留给读者自行发现。这份卡片没有公布 Qwen-Image 2.1 的最大提示词长度——4.5k token 的输入数字属于 Qwen-Image 3.0，不应套用到此处。而且开放权重也没有公布价格，因为该下载并不附带按图计费的托管费率；成本就是你自己的算力开销。Model Studio 上托管的 Pro 和 Turbo API 是另一条商业途径，而我们能读到的材料表明，访问和使用详情位于厂商的控制台页面，而非公开的发布说明中。

文本渲染和编辑，用供应商自己的话说

该供应商对本次版本的宣称是定性的，值得作为宣称而非测量结果来引用。在文本方面，博客称渲染“不仅考虑内容本身，还考虑字体样式、布局及其与整体构图的关系”，并用四个示例加以说明。在编辑方面，所陈述的四项改进是多参考图像、局部编辑、对人物和产品的保真保持，以及任务覆盖范围——包括由单张自拍照生成全景图、由产品照片扩展出信息图，以及将三视图角色参考转化为分镜。人像身份与产品一致性是它明确提到的两项保真宣称。

未公布的内容同样重要。厂商材料中没有 Qwen-Image 2.1 的数值基准表：博客把 Qwen-Image-Bench 对比展示为一张图片，文中没有写出任何数字，而仓库则完全没有发布评测表。因此，对于这个模型，没有任何厂商报告的数字可供我们标注为厂商报告。我们也没有给出独立数字：该模型确实出现在第三方图像竞技场上，但我们今天无法重新核实当前的榜单分数，而一个我们无法复核的排行榜数字，并不值得交给读者。应把文本渲染问题视为悬而未决，并注意厂商自己最有力的文本声明——10px 这个数字、12 种语言——属于 Qwen-Image 3.0，而非这个模型。

权重所在的位置，以及以何种格式

这些权重发布在两个地方，且均为第一方渠道：Hugging Face 上的 Qwen/Qwen-Image-2.1，以及 ModelScope 上对应的 Qw​en 组织路径，两者旁边都配有托管的演示 Space。Hugging Face 仓库显示总大小为 33.1 GB，而真正实用的部分是它的构成明细：

• Transformer — 两个 BF16 safetensors 分片，大小分别约为 9.97 GB 和 4.26 GB，并附带一个索引文件。

• 文本编码器——四个 BF16 safetensors 分片，总计约 17.5 GB，这正是上文把 Qwen3-VL 8B 编码器称为下载内容中较大一半的原因。

• VAE — 单个 1.35 GB 的 safetensors 文件，内含 RGBA 自编码器。

• Diffusers 布局 — 该仓库是 Diffusers 格式的发布（model_index.json、transformer/、text_encoder/、vae/、scheduler/、processor/），这正是下面导入管道只需一行代码的原因。

• ComfyUI 的第二种打包形式 — Comfy-Org/Qwen-Image-2.1将同一个模型重新打包为单文件组件：扩散模型的 bf16 和 int8 变体、VAE、bf16、int8 和 w4a8 格式的 Qwen3-VL 8B 文本编码器、两个提示词改写编码器、一个 Turbo LoRA 以及一个 ControlNet-Union 补丁。如果你打算在 ComfyUI 而不是 Python 中运行它，那么你要下载的是那个仓库，而不是主仓库。

作为参照，截至2026年10月13日，Hugging Face 自己的页面显示过去一个月的下载量为142,375次——这是托管网站提供的平台数据，而非 Alibaba 关于采用情况的声明。

今天如何运行它

这是 Qwen-Image 2.1 故事中真正不寻常的一点：有文档记录的运行时支持是随权重一起到来的，而不是在权重发布数月之后才出现；因此，问题不在于你能否为它提供服务，而在于你已经拥有几条受支持路径中的哪一条。

• Diffusers（供应商推荐的路径） — QwenImage21Pipeline从 Qwen/Qwen-Image-2.1 以 BF16 加载，并搭配 transformers>=5.17、torch>=2.4，以及从源码安装的 Diffusers。Turbo 检查点通过同一个 pipeline 类加载。

• ComfyUI — 原生 Day-0 支持，并已发布用于文生图和图像编辑的模板工作流，均使用上文提到的 Comfy-Org 权重。

• vLLM-Omni——离线脚本与 OpenAPI 风格的在线服务（vllm serve … --omni），文档涵盖逐步执行、前缀 KV 缓存、CUDA Graph 解码、FP8 量化以及 TP/Ulysses 并行。

• SGLang — 通过 sglang generate 实现 Day-0 原生支持，新增 --image-path 参数用于编辑，并支持并行与卸载选项。

• LightX2V——由 ModelTC 项目维护的 Day-0 加速路径。

• 非 NVIDIA 硬件——一条经由 ROCm、PyTorch 和 Diffusers 的 AMD Radeon 路径，以及一条通过 ModelScope 上发布的预构建镜像和权重覆盖八个芯片平台的 FlagOS 路线。

如果你在意输出质量，有一个附件实际上算得上是安装的一部分：本次发布附带两个提示词重写检查点，Qwen-Image-2.1-PE-T2I和Qwen-Image-2.1-PE-I2I，二者均为经过微调的 Qwen3.5-VL 9B 模型，其重写代码和系统提示词已在代码仓库中发布。厂商建议先把简短的提示词改写成详细的提示词，而不是直接调用图像模型。

如果你完全不想在内存中保留一个 33 GB 的堆栈，Model Studio Pro 和 Turbo 端点就是已投入服务的调用路径，自 2026 年 10 月 9 日起已上线。我们不会公布它们的单图费率，因为我们可以读到的公开发布说明并未公布这一费率。

这让你处于什么境地

直截了当地说，因为正是这一事实决定了大多数评估结果：OrcaRouter 不路由 Qwen-Image 2.1 或任何 Qwen-Image 模型。我们检查了自己在 2026 年 10 月 13 日的实时模型列表，它不在其中。如果开放权重是让你信服的原因，那么途径是自托管下载或供应商自己的托管 API——而不是我们。

我们真正拥有的，是这个模型给想要尝试它的团队所带来的问题的整体轮廓。Qwen-Image 2.1 的别扭之处很具体：在公开规格上确实能力出众，但其许可证对任何商业用途都确实构成限制，而且体量足够大，以至于自托管是一个项目，而不是一个下午就能搞定的事。这就是不该在第一天就把它放到生产路径上的理由。OrcaRouter 以一个 OpenAI 兼容端点，按服务商目录价、零加价的方式对接 200 多个模型，支持跨服务商自动故障转移，并提供路由 DSL，让你能把多个模型组合进单次调用，这样，一个你仍在评估的、采用研究许可证的检查点就可以与你已经信任的模型并存，而不是取而代之。模型融合把这一思路推得更远，它让一组模型回答同一个提示词，从而让比较发生在你自己的输入上，而不是在厂商的示例库上。

三位读者，三种不同的答案。如果你是做商业开发的，许可证就是决定一切的关键，而它不加谈判就是一句"不行"——要么去开启那场对话，要么从同一系列里挑一个 Apache-2.0 的检查点。如果你是在做研究、微调，或者需要透明的资产以及超过三张参考图像，那么这就是目前整个开放层级中其他模型对标的对象，而零日运行时支持意味着集成工作量很小。如果你需要文字密集的生产级图像，又不愿自己跑任何东西，那么闭源的 Qwen-Image 3.0 和托管的 Pro 端点就是厂商自己给出的答案；至于这款模型的文字渲染究竟进步到了什么程度，仍是一个悬而未决的问题，背后没有任何已公布的数字。