Qwen-Image 2.1：7B 開放權重圖像模型究竟是什麼

Qwen-Image 2.1是大家會直接用名稱搜尋、目前卻什麼都找不到的模型。它是阿里巴巴的開放權重文字生圖與圖像編輯模型，於 2026 年 9 月 20 日發布，而圍繞著它的多數困惑其實是結構性的：它比同一團隊在 2026 年 7 月 21 日推出的Qwen-Image 3.0還要新，卻比隨後在 2026 年 10 月 9 日登場的加速檢查點Qwen-Image 2.1 Turbo還要舊。三個名稱、同一個家族、三款真正不同的產品——而版本號碼完全無法把它們正確排序。

本頁是模型本身的參考資料：它是什麼、接受與傳回什麼、其授權條款實際允許什麼、權重存放何處，以及文件記載它可在什麼環境執行。撰寫時該版本已發布 23 天，因此請把它視為標示模型日期的既定事實，而非新聞——值得回答的問題，是讀者輸入模型自身名稱時所抱持的那個長期存在的問題。

三款 Qw​en 圖像產品，各自獨立

幾乎所有對 Qwen-Image 2.1 的錯誤期待，都來自把這個家族視為單一序列。事實並非如此。目前這三款產品在能力與取用上各自處於不同位置：

• Qwen-Image 2.1 — 一個模型同時兼具文字轉圖像生成與圖像編輯功能，帶有其視覺生成元件中的 70 億個參數，以及 32 層單流 DiT 層，依研究授權條款以開放權重形式發佈。於 2026 年 9 月 20 日發佈。

• Qwen-Image 2.1 Turbo — 相同的 7B 視覺生成架構與相同的解析度預設集，於 2026 年 10 月 9 日以獨立的加速檢查點形式發布，其去噪僅需 8 步，而非 40 步；CFG 預設為 1，且其建議的取樣排程已儲存於檢查點內。它是速度變體，而非能力層級。

• Qwen-Image 3.0——第三代模型，於 2026 年 7 月 21 日推出，且是封閉版本。它在 Hugging Face 或 ModelScope 上都沒有權重儲存庫，其發表資料也未公佈參數量和授權條款。它主打的是文字與知識密度——提示詞最高可達 4.5k 詞元、小至 10px 的文字也能清晰呈現、支援 12 種語言、超過 100 種藝術風格——而這些都是供應商自己的說法，此處並未重現。如果你需要的是這個系列中最強的文字渲染能力，那就是 3.0 的賣點；如果你需要的是自己執行這個模型，3.0 根本不是選項。

還有第四件事值得單獨拉出來談，因為它也頂著 2.1 這個名稱：自 2026 年 10 月 9 日起，該廠商的新聞清單已載明 Qwen-Image-2.1 Pro 與 Turbo 託管 API於 Aliba Cloud Model Studio 正式上線。那是同一個模型的服務供應路徑，而非第四個模型。

它在底層實際上是什麼

該架構，如同廠商在模型卡與儲存庫上所發布的內容，以當前影像領域的標準而言相當精簡，並圍繞著一個理念來組織：讓多圖編輯變得低廉。

• Transformer——32 層、70 億參數的單流 DiT，採用區塊因果注意力。文字（包含系統前綴與編輯指令）套用 token 層級的因果遮罩；影像生成則套用 chunk 層級的雙向遮罩。

• 文字編碼器 — Qwen3-VL 8B，這是一個視覺語言模型，會將文字指令與任何條件圖像編碼成單一表徵。在已發布的下載內容中，它是整個堆疊中較大的一半。

• VAE — 一個 64 通道 RGBA 自動編碼器，具備 16× 空間壓縮，原生透明度正是源自此處，而非來自後製處理。

• Scheduler — 採用 Euler 離散排程的 Flow Matching；在基礎檢查點上預設為 40 個去雜訊步驟。

那種混合粒度的切分正是效率論據所在。輸入影像與指令會在第一次去噪步驟時計算一次，之後便作為快取的前綴脈絡重複使用，因此加入參考影像的成本，會低於那種每個步驟都重新編碼所有內容的設計。

授權條款，與發佈時完全一致

這是大多數摘要都弄錯的部分，而且正反兩面都錯。Qwen-Image 2.1 不是寬鬆授權意義上的開源，卻也不是封閉源碼。Hugging Face 的模型卡將它標為 license: other，並註明 license_name: qwen-research，而該儲存庫的 LICENSE 檔案則是 Qwen Research License Agreement，日期為 2026 年 9 月 20 日。於 2026 年 10 月 13 日閱讀時，其效力條款授予一項

• 非專屬、全球性、不可轉讓且免權利金之有限授權，以使用、重製、散布、複製、創作該等材料之衍生作品及修改該等材料——僅限非商業用途。

該協議對「非商業用途」的界定相當狹窄，僅限於研究或評估目的，並且明確規範其他所有用途：你「不得將這些資料用於任何商業目的，除非事先向我們取得獨立的商業授權」，而這須以電郵向協議所指明的地址提出申請。因此，對團隊來說，實際情況並非只有一條界線，而是兩條：這些權重可供下載、檢視、量化及微調，但若要據此推出產品，就必須先與 Alibaba 洽談。

再散布還附帶三項額外條件，當授權條款被概括為「非商業性」時很容易被忽略。你必須將協議副本一併交給任何你再散布的對象。修改過的檔案必須附上顯著告示，註明其已經變更。而任何散布的副本都必須逐字保留協議所指定的告示文字，將素材歸屬於 Hangzhou Tongyi Laboratory Technology Co., Ltd.。除此之外還有兩項使用規則：若你使用該模型或其輸出成果來訓練、微調或改進某個 AI 模型，而其後又散布該模型，你必須在產品文件中顯著標示「Built with Qwen」或「Improved using Qwen」；且你不得將「Qwen」用作衍生作品的主要名稱或識別標示，不過允許描述性的使用，例如「fine-tuned from Qwen Image」。準據法為中國法律，專屬管轄權屬於杭州市的人民法院。

有一個比較值得做，因為它顯示的是這個家族已經移動到的位置，而不是它起初的位置。較早的 Qwen-Image 版本採用寬鬆授權：Qwen-Image、Qwen-Image-Edit、Qwen-Image-Edit-2509、Qwen-Image-Edit-2511、Qwen-Image-Layered 與 Qwen-Image-2512 的模型卡全都載明 apache-2.0（查閱日期為 2026 年 10 月 13 日），且沒有商業使用門檻。Qwen-Image 2.1 就是這個模式的中斷點。已授予的授權不會溯及既往地改變，因此那些較早的檢查點仍可依原始條款使用——但任何人若打算在「最新的 Qwen 圖像模型將會是寬鬆授權」這個假設上規劃商業流程，應該在下一版發布之前先讀這篇，而不是之後才讀。

輸入什麼，以及輸出什麼

輸入面比文字轉圖像模型更廣，而輸出麵則包含大多數圖像模型根本不會產生的東西。根據廠商的模型卡與儲存庫：

• 僅文字 — 提示詞會生成影像。文字轉圖像是預設模式；沒有獨立的 T2I 檢查點可選。

• 一張圖片加上一段提示詞 —— 標準的編輯呼叫方式，將圖片與指令一併傳入。

• 最多 10 張參考圖像——廠商的範例將六張人像合成一張團體照、五張產品照合成一套穿搭，並將十張家具圖像合成單一房間。這正是該架構所最佳化的能力。

• 局部編輯控制，三種方式——在影像上繪製圓圈（可依顏色同時辨識多個區域）、塗繪標註，或將另附的遮罩本身作為輸入提供，讓原始照片保持無標記。

• 雙向透明度 — 使用供應商建議的提示格式，直接從提示生成 RGBA 影像；在透明圖層內進行編輯（包括文字）；以及從一般 RGB 照片中擷取主體作為 RGBA 圖層。

• 尺寸範圍 — 原生 2K，預設為 2048×2048，並提供七種已發佈的預設集：1:1 為 2048×2048、4:3 為 2400×1792、3:4 為 1792×2400、3:2 為 2528×1696、2:3 為 1696×2528、16:9 為 2752×1536，以及 9:16 為 1536×2752。

• 輸出 — 供應商自家程式碼中的每個範例都寫入 PNG，而透明路徑則以真正的 alpha 通道寫入 RGBA。官方並未發布獨立的輸出格式列舉，因此 PNG 是文件所述路徑所產生的結果，而非經證實的限制。

有兩處缺漏值得直接說明，而不是留待讀者自行發現。這張卡並未公布 Qwen-Image 2.1 的最大提示長度——4.5k token 的輸入數字屬於 Qwen-Image 3.0，不應逕行套用。而開放權重也沒有公布價格，因為下載本身並未附帶託管的每張圖片費率；成本在於你自己的運算資源。Model Studio 上託管的 Pro 與 Turbo API 是另一條商業途徑，而我們所能取得的資料指出，存取與使用細節位於供應商的控制台頁面，而非公開的發布說明中。

文字渲染與編輯，以供應商的原話呈現

廠商對這個版本的主張屬於質性描述，值得當成宣稱而非量測數據來引述。在文字方面，該部落格表示渲染「不僅考量內容本身，也考量字體樣式、版面配置，以及它們與整體構圖之間的關係」，並以四個範例加以說明。在編輯方面，所述的四項改進為多張參考圖像、局部編輯、人物與產品的擬真度保持，以及任務涵蓋範圍——例如以單張自拍照生成全景圖、從一張產品照片擴展出資訊圖表，以及把三視圖角色參考轉換成故事板。肖像身分與產品一致性是它明確點名的兩項擬真度宣稱。

未公布的內容同樣重要。在廠商的資料中，並沒有 Qwen-Image 2.1 的數值基準表：部落格以圖片形式呈現 Qwen-Image-Bench 的比較，卻沒有以文字寫出任何數字，而該儲存庫也完全沒有發布評估表。因此，這個模型並沒有任何標示為「廠商回報」的數字可供引用。我們同樣沒有刊出獨立數據：這個模型的確出現在第三方圖像競技場上，但我們今天無法重新驗證當前的榜單分數，而一個我們無法重新查核的排行榜數字，並不值得交給讀者。請將文字渲染的問題視為未定論，並注意廠商自己最強的文字相關宣稱——10px 的數字、12 種語言——都屬於 Qwen-Image 3.0，而不是這個模型。

權重位於何處，以及有哪些格式

權重發佈於兩個地方，兩者皆為第一方：Hugging Face 位於 Qwen/Qwen-Image-2.1，以及 ModelScope 位於對應的 Qwen 組織路徑，旁邊還有一個託管的示範 Space。Hugging Face 儲存庫總計顯示為 33.1 GB，而細分明細才是實用部分：

• Transformer — 兩個 BF16 safetensors 分片，約 9.97 GB 與 4.26 GB，並附帶一個索引檔。

• 文字編碼器 — 四個 BF16 safetensors 分片，總計約 17.5 GB，這就是為什麼上方將 Qwen3-VL 8B 編碼器描述為下載內容中較大的一半。

• VAE — 單一 1.35 GB 的 safetensors 檔案，內含 RGBA 自動編碼器。

• Diffusers 目錄結構 — 此儲存庫是 Diffusers 格式的發佈（model_index.json、transformer/、text_encoder/、vae/、scheduler/、processor/），這就是為什麼下方的 pipeline 匯入只需一行程式碼。

• ComfyUI 的第二種封裝 — Comfy-Org/Qwen-Image-2.1將同一個模型重新封裝為單一檔案元件：擴散模型的 bf16 與 int8 變體、VAE、bf16 的 Qwen3-VL 8B 文字編碼器、int8 與 w4a8、兩個提示詞改寫器編碼器、一個 Turbo LoRA，以及一個 ControlNet-Union 修補檔。如果你打算在 ComfyUI 而非 Python 中執行這個模型，那麼你要下載的是那個儲存庫，而不是主要的那個。

就規模而言，截至 2026 年 10 月 13 日，Hugging Face 自家頁面回報過去一個月有 142,375 次下載——這是託管平台所提供的數據，而非阿里巴巴對採用情況的主張。

今天如何執行它

這是 Qwen-Image 2.1 這個故事中真正不尋常的部分：有文件記載的執行階段支援是與模型權重同時到位，而不是在權重推出數個月之後才出現，所以問題不在於你能不能把它跑起來，而在於幾條受支援的路徑中，你手上已經有哪一條。

• Diffusers（供應商建議的路徑） — QwenImage21Pipeline 載入自 Qwen/Qwen-Image-2.1，採用 BF16，搭配 transformers>=5.17、torch>=2.4，並從原始碼安裝 Diffusers。Turbo 檢查點可透過同一個 pipeline 類別載入。

• ComfyUI — 原生 Day-0 支援，並附有已發佈的範本工作流程，用於文字轉圖像與圖像編輯，使用上述的 Comfy-Org 權重。

• vLLM-Omni — 離線腳本與 OpenAPI 風格的線上服務（vllm serve … --omni），並記錄了逐步執行、前綴 KV 快取、CUDA Graph 解碼、FP8 量化與 TP/Ulysses 平行化。

• SGLang — 透過 sglang generate 提供 Day-0 原生支援，並新增 --image-path 參數以供編輯，另具備平行處理與卸載選項。

• LightX2V — 由 ModelTC 專案維護的 Day-0 加速路徑。

• 非 NVIDIA 硬體——透過 ROCm、PyTorch 與 Diffusers 的 AMD Radeon 途徑，以及一條 FlagOS 路線，藉由發佈於 ModelScope 的預建映像檔與權重，涵蓋八個晶片平台。

如果你在意輸出品質，有一項配件實際上算是安裝的一部分：Qwen-Image-2.1-PE-T2I與Qwen-Image-2.1-PE-I2I，兩者都是經過微調的 Qwen3.5-VL 9B 模型，改寫程式碼與系統提示均已發佈於該儲存庫中。廠商建議將簡短的提示改寫成詳細的提示，而不是直接呼叫影像模型。

如果你完全不想在記憶體中保留 33 GB 的堆疊，Model Studio Pro 和 Turbo 端點就是託管服務途徑，自 2026 年 10 月 9 日起上線。我們不會列出它們的每張影像費率，因為我們能讀到的公開發布說明並未公布該費率。

這對你意味著什麼

直白地說，因為這是決定大多數評估的事實：OrcaRouter 並未路由 Qwen-Image 2.1 或任何 Qwen-Image 模型。 我們在 2026 年 10 月 13 日查看了自家即時模型清單，它並不在其中。如果說服你的是開放權重，那麼途徑是自行託管下載，或供應商自家的託管 API——不是我們。

我們手上確實掌握的，是這個模型為想要一試的團隊所帶來的問題大致輪廓。Qwen-Image 2.1 的棘手之處很具體：在官方公布的規格上確實有實力，但授權對任何商業用途都確實有所限制，而且它重到自行架設是一項專案工程，而非一個下午就能搞定的事。這就是為什麼不該在第一天就把它放上正式生產路徑的原因。OrcaRouter 以供應商定價、零加成的方式，在單一 OpenAI 相容端點後方整合 200 多個模型，並具備跨供應商的 automatic failover 以及一套 routing DSL，讓你能把多個模型組合成單一次呼叫，因此一個你仍在評估、採研究授權的檢查點，可以與你已經信任的模型並肩運作，而不是取而代之。模型融合把同樣的概念推得更遠，讓一組模型回答同一個提示，於是比較就發生在你自己的輸入上，而不是在供應商的範例展示館裡。

三位讀者，三種不同答案。若你正在進行商業開發，授權就是整個決策關鍵，而未經協商它會直接說不——請開始那場對話，或從同一系列中挑選 Apache-2.0 的檢查點。若你在做研究、微調，或需要透明資產與超過三張參考圖像，這就是目前開放層級其餘模型用來衡量的基準模型，而零日執行階段支援意味著整合工作量很小。若你需要文字密集的生產級圖像，而且不想自己執行任何東西，封閉式的 Qwen-Image 3.0 與託管的 Pro 端點就是廠商自己對此的答案，而這個模型的文字渲染究竟進展到什麼程度，其分類仍是未解問題，背後沒有已發表的數字。