Qwen-Image-2.1 vs Bernini-Diffusers-v2：许可证就是全部论点所在

2026 年，两套开放权重（open-weight）图像系统相隔六周先后落地，几乎悄无声息，而它们在一个问题上意见相左——偏偏正是这个问题，决定你能否在它们之上做成一门生意。Qwen-Image-2.1于 2026 年 9 月 20 日发布，采用研究许可——仅限非商业用途，商业使用须另行安排。Bernini-Diffusers-v2由 ByteDance 于 2026 年 8 月 13 日发布，采用 Apache 2.0 许可，这意味着你可以直接拿它出货。看起来能力更强的那一款，恰恰是你不能卖的那一款；而许可更宽松的那一款，主要想做的却是视频。这种反转，正是这场比较的看点所在。

许可证倒置

从文书工作开始，因为它的优先级高于本页上的其他所有事项。再大的质量差距也解决不了许可问题，再高的基准测试分数也救不了必须下架的产品。

• 许可——Qwen-Image-2.1 采用 Qwen Research License Agreement，日期为 2026 年 9 月 20 日，“FOR NON-COMMERCIAL PURPOSES ONLY”，商业权利仅应请求提供；Bernini-Diffusers-v2 采用 Apache 2.0。
• 实际影响——Qwen-Image-2.1 的工作流属于评估资产或个人资产；Bernini-Diffusers-v2 的工作流如今即可发布，只需满足通常的 Apache 署名要求，无需与供应商沟通。
• 趋势方向——Qwen 早先的图像产品线以 Apache 2.0 发布，因此这次发布是一次收紧；ByteDance 在两代产品中都让 Bernini 保持宽松许可。

如果你只读这篇文章的一个部分，那就读这个部分。以下所有内容都只是两件事之间的决胜局，而这两件事在这个维度上实际上并不并列。

每个系统实际上是什么

这两个模型并非同一类对象，而差异在你查看下载内容中包含什么的那一刻就会显现出来。

Qwen-Image-2.1 是一个单一统一模型。一个 7B、32 层的单流扩散 Transformer 用同一套权重同时处理生成和编辑，由 Qwen3-VL 8B 文本编码器进行条件控制，而一个 16× 空间压缩的 64 通道 RGBA VAE 则负责处理透明度这一繁重任务。总计约 33 GB，其中 DiT 本身约占 14 GB，文本编码器占用其余部分。它还附带两个可选的提示词重写检查点——PE-T2I 和 PE-I2I，每个都是微调后的 Qwen3.5-VL 9B，约 18.8 GB——它们会在扩散模型看到你的指令之前，将其重写为精确的表述。

Bernini-Diffusers-v2 是一条流水线，而不是单个模型。Qwen2.5-VL 语义规划器负责推理并写出潜在语义计划；Wan2.2 扩散渲染器负责执行它。v2 方案相较于 Bernini 首个版本最引人注目的变化在于：它会在协同训练之前先对连接器进行数千步的预热，正是这一点改善了参考引导的视频编辑和 OpenS2V 的表现。这种两阶段拆分就是其架构上的押注：先规划，再渲染，于是你就能通过编辑计划来编辑视频。

• 架构 — Qwen-Image-2.1 是用于生成与编辑的统一 DiT；Bernini-Diffusers-v2 则是由 Qwen2.5-VL 规划器驱动的 Wan2.2 渲染器。
• 模态 — Qwen-Image-2.1 仅支持图像；Bernini-Diffusers-v2 覆盖 t2i、i2i、t2v、v2v、参考引导的视频编辑和 r2v，因此图像只是一个偏房，而非整座宅邸。
• 透明度 — Qwen-Image-2.1 通过其 RGBA VAE 让采样器直接输出 alpha；Bernini-Diffusers-v2 文档所述的输出为 RGB 视频和图像帧，未描述等效的原生 alpha 路径。
• 提示词处理 — Qwen-Image-2.1 附带独立的 9B 重写器检查点，可供读取、比对差异并覆盖；Bernini-Diffusers-v2 的规划器是流水线的一部分，其提示词增强器是可选的 OpenAI 兼容端点调用，而非随附的检查点。
• 硬件 — Qwen-Image-2.1 可在单张消费级 GPU 上运行，在显存受限的显卡上建议使用 CPU 卸载；Bernini-Diffusers-v2 文档所述环境为 Hopper 级，即 H100/H800/H200，较大的配置需要多 GPU 序列并行。

比较不再有用的时候

人们很容易想在这两者的输出质量上一较高下。但这样的比较根本不存在，硬要装作有，才是不诚实的做法。

Bernini-Diffusers-v2 公布的数据是厂商自报的视频与编辑指标——EditVerse 8.02、OpenVE 3.96、OpenS2V 63.83、VBench 84.46——外加一项声称：在字节跳动内部的盲测人工成对竞技场中达到第一梯队水平。这些是视频指标。尚未有任何针对 Bernini-Diffusers-v2 的独立图像基准测试被运行，没有 FID，没有文本渲染得分，也没有图像排行榜名次。另一方面，Qwen-Image-2.1 唯一的质量数字是厂商自家的 Qwen-Image-Bench 图表，其中它显示为 60.28，对比 Nano Banana 2.0 的 59.82 和 GPT Image 1.5 的 59.65——属于厂商材料，未获复现，而且在撰写本文时，该模型并未出现在独立图像排行榜上。唯一真正独立的数据点来自 SGLang 集成工作的一项功能验证：透明 PNG 输出通过，alpha 在完整的 0–255 范围内得以保留，单次采样中 RGBA PSNR 测得 60.69 dB，且 FP8 配置通过了透明 PNG 生成。SGLang 作者明确指出，这是一项正确性检查，而非质量保证。

所以：两个开放发布的版本，两份厂商记分卡，没有共同的基准测试，也没有第三方同时跑过两者。任何告诉你其中一个在图像质量上胜过另一个的人，都只是在复述营销说辞。

编辑理念：重写提示词，还是重写方案

两种模型都在试图解决同一个根本问题——用户的指令含糊不清，而扩散模型只会照字面理解——只不过它们解决这一问题的位置恰好相反。

Qwen-Image-2.1 是用语言来解决这个问题的。PE-I2I 检查点会接收你的编辑指令以及一张或多张输入图像，并在生成之前把它改写成一条精确的指令。由于它是一个随附了 system_prompt.txt 的已发布检查点，你可以确切读到它被要求做什么——包括这样一条规则：输出中渲染的文本应与输入图像中已有文本的主导语言保持一致，而不是被强制为英语。这是可被检视的行为。你可以覆盖它。

Bernini-Diffusers-v2 从结构上解决了这个问题。规划器生成语义规划，渲染器随后执行它，而这种安排的有趣之处在于，规划是一个可以被编辑的东西。对于视频工作来说——其核心往往是在不重新生成整个镜头的前提下，在整段序列中改变某一个元素——把规划与渲染分开是正确的形态。而对于单张静帧而言，它就只是一个多余的运转部件。

• 编辑粒度——Qwen-Image-2.1 支持通过圈选、涂鸦标注或单独蒙版进行局部编辑，还支持透明图层编辑以及从 RGB 照片中提取主体；Bernini-Diffusers-v2 有文档记载的编辑优势在于参考引导的视频编辑和主体到视频，而非静态图像的局部修复。
• 参考输入——Qwen-Image-2.1 最多接受 10 张参考图像，不过一位抢先体验的评测者反馈，从约三张图像开始，多参考一致性就会下降；Bernini-Diffusers-v2 的参考处理则是围绕视频序列来记录的。
• 可检查性——Qwen-Image-2.1 的重写逻辑是仓库中一段可读的系统提示词；Bernini-Diffusers-v2 的规划阶段则是模型权重。

实际该怎么做

决策规则源自许可证，而非规格说明书。

如果输出会进入你售卖的东西——客户项目、产品、付费流水线——那么这两者中，Bernini-Diffusers-v2 是唯一一个你无需另行洽谈就能使用的，而且你应该为按文档运行它预留 Hopper 级硬件的预算。如果你是在做研究、评估或个人用途，Qwen-Image-2.1 提供的是更可审视的系统，也是原生支持 alpha 的那个，代价是许可证终有一天你得重新谈判，或者干脆放弃。

还有第三种选择，上述两者都未涵盖，值得直白地点明：托管式图像模型，你完全不必碰许可证文件或 GPU。OrcaRouter 将 200 多个模型路由至一个兼容 OpenAI 的端点，按供应商标价、零加价提供，并具备跨供应商的自动故障转移、用于回退链的路由 DSL，以及模型融合。截至撰写本文时，Qwen-Image-2.1 和 Bernini-Diffusers-v2 均不在我们的目录中——我们不路由任何版本的 Qwen-Image 模型，也不路由任何 Bernini 模型——所以这并非在为二者中的任何一个做推销。我们确实提供的路由图像产品线包括 OpenAI 的 GPT-Image 系列、Google 的 Imagen 4 各档位与 Gemini 图像预览版，以及 xAI 的 Grok Imagine 图像端点；由于标价是原样透传而非加价，其中任何一家降价都会当天生效。

两个仓库都没有回答的部分

这两次都是没有预热期的静默发布，而静默发布很难提前规划。Qwen-Image-2.1 唯一的提前信号是 9 月 17 日的一则抢先体验通知，提供 50 个 ModelScope 名额，并要求测试者在 9 月 29 日前发布——也就是权重公开的三天前。Bernini-Diffusers-v2 则是在 8 月 13 日直接出现在 Hugging Face 上，同时还有一个 Gitee 镜像。

两者都缺少的，是一个相信这些条款会持续有效的理由。Qwen 在上一代图像生成和这一代之间收紧了其许可证，这是一个关于方向的数据点。字节跳动在两代中都让 Bernini 一直采用 Apache 2.0，这是一个关于另一个方向的数据点。这两者中是否有哪一个会在下一次发布时依然成立，从这里无从得知，而这正是你在投入一条流水线之前——而不是之后——需要检查的事情。