Qwen-Image 2.1 悄然發布：深入解析 Qwen/Qwen-Image-2.1-PE-I2I

2026年9月20日，Qwen-Image 團隊將Qwen-Image 2.1發布到 Hugging Face 與 ModelScope 上——權重、授權條款檔案、模型卡與一篇部落格文章，全都在同一天內完成，事前幾乎沒有預熱期。最受矚目的數字是視覺生成元件中的 70 億參數。幾乎還沒有人打開來看的部分是 Qwen/Qwen-Image-2.1-PE-I2I，它是隨影像模型一同推出的兩個提示重寫檢查點之一。它不是影像模型。它是在影像模型看到你的指令之前，決定你的指令是什麼意思的東西——而在這次發布中，它就是那個會默默決定你的輸出以何種語言回傳的元件。

「低調推出」在這裡實際上代表什麼意思

措辭很重要，因為很容易在任一個方向上過度表述。Qwen-Image 2.1 並沒有遭到洩漏，也不是未經公告。有一篇日期為 2026 年 9 月 20 日的廠商部落格文章、一個新聞區塊標註同日的 GitHub 儲存庫，以及可即時下載的權重。它沒有得到的是事前鋪陳：唯一的事前訊號是一則 9 月 17 日的公告，透過 ModelScope 提供 50 個搶先體驗名額，並要求獲選的測試者在 9 月 29 日前發表範例或評論。三天後，權重便公開了。沒有主題演講、沒有基準測試禁發令、沒有媒體宣傳週期。

那是一種特定類型的發布，值得精確地為它命名。廠商宣布了它，卻沒有推廣它。對任何正在決定是否要以其為基礎來開發的人而言，實際的後果是目前還沒有獨立的評估可供依據——只有廠商自家的資料，以及早期試用者在接下來一週內所發布的任何內容。在 Alibaba 以外的人公開實際運行它之前，請把本文中的每一項品質宣稱都視為來自模型卡與那篇部落格文章。

為什麼 PE-I2I 檢查點才是有趣的那一個

Qwen-Image 2.1 版本包含三個可下載的部分，而非一個：

• Qwen/Qwen-Image-2.1 — 圖像模型本身。視覺生成元件中為具備 70 億參數的 32 層單流 DiT，一個 Qwen3-VL 8B 文字編碼器，以及具備 16× 空間壓縮的 64 通道 RGBA VAE。三個元件合計約 33 GB。

• Qwen/Qwen-Image-2.1-PE-T2I — 用於文字轉圖像的提示詞改寫器。一個經過微調的 Qwen3.5-VL 9B，約 18.8 GB。

• Qwen/Qwen-Image-2.1-PE-I2I — 一款用於圖生圖編輯的提示詞改寫器。同樣是經過微調的 Qwen3.5-VL 9B，也約 18.8 GB，於 9 月 20 日 08:46 UTC 上傳至 Hugging Face。

「PE」是提示增強（prompt enhancement）。I2I 變體會接收一段模糊的編輯指令，外加一或多張輸入影像，並將其改寫成精確、無歧義的編輯指令，供下游的擴散模型使用。該儲存庫自身的說明對輸入形式直言不諱：輸入影像永遠存在，因此這始終是影像編輯任務，絕非從無到有的文字生圖。改寫程式碼位於 prompt_rewrite/ 資料夾中，該資料夾同時服務兩個檢查點——--task t2i 或 --task edit——並提供 transformers 路徑、vLLM 路徑、serve.sh 加上 client.py 以供常駐服務使用，以及 pe_core.py 以供共用邏輯使用。

這就是為什麼這件事比聽起來更重要。圖像模型根本不知道你的意思是什麼。它只知道你的提示字面上寫了什麼，再依文字編碼器對其的處理方式加權。放在它前面的改寫器，正是消解歧義的地方——或者說，是讓歧義被錯誤消解的地方，而且在你生成的每張圖片上都一致如此。在一個支援多達 10 張參考圖片的統一生成與編輯模型中，這個消解步驟比平常更容易出錯。

系統提示詞就是語言決策的所在之處

PE-I2I 儲存庫隨附一份 system_prompt.txt與權重一同發布，而且它對一件事異常明確：語言。直接閱讀它，改寫器被指示要做出 兩個獨立的語言決策，並將兩者區分開來。

• 描述語言。改寫器用來描述編輯的敘述文字，會遵循使用者指令的語言——中文指令，中文描述；英文指令，英文描述；以日文、韓文、法文、泰文或其他任何語言下達的指令，則會得到英文描述。

• 渲染文字的語言。 實際會繪製到輸出影像中、以雙引號包住的文字，取決於嚴格的優先順序：第一，如果使用者指名確切文字或目標語言，就照字面遵從；第二，如果輸入影像已包含文字，就配合該現有文字的主要語言——即使指令是以不同語言撰寫；第三，如果影像中沒有文字，也沒有指名語言，就使用指令本身的語言，而且特別不要強制使用英文。

該提示以一個具體示例強化了第二條規則——一張以泰文為主的圖像，在以未指明語言的英文指令編輯後，必須生成泰文文字——並加入兩項限制：生成的文字必須為單一語言，而非中文／英文並列；而「規格表」或「分鏡腳本」這類視覺文類，須透過版面配置與字體排印來達成，絕不可將生成的標籤切換為英文。

這是一小塊工程，影響範圍卻極大。如果你要為一個包裝文字至關重要的市場生成產品圖像，那麼「改寫器會保留既有的標籤語言」與「改寫器會貼心地把所有內容都翻成英文」之間的差別，就是可用素材與被退件素材之間的差別。而且，因為這個行為是在隨儲存庫一起出貨的系統提示詞中定義的，你可以閱讀它、比對差異、並加以覆寫——這一點，封閉式託管模型裡的同一個步驟可就辦不到了。

哪些已確認，哪些尚未確認

在這裡精確劃定界線，正是一篇「我們所知」文章的重點所在。

• 已從儲存庫與模型卡確認——7B／32 層單流 DiT 架構；Qwen3-VL 8B 文字編碼器；具 16× 空間壓縮的 64 通道 RGBA VAE；區塊因果注意力，文字採用 token 層級因果遮罩，影像生成則採用區塊層級雙向遮罩；前綴 KV 快取重用，模型卡指出當檢查點帶有 causal_condition: true（確實如此）時便會啟用；採用 Euler 離散排程的流匹配；原生 2K 輸出，預設為 2048×2048、40 個推論步數；七種有文件記載的長寬比預設；支援最多 10 張參考影像；可透過圈選、塗繪標註或獨立遮罩進行局部編輯；以及 RGBA 生成、透明圖層編輯，和從 RGB 照片擷取主體。

• 授權部分已確認，而這正是棘手之處——該版本是依《Qwen 研究授權協議》（Qwen Research License Agreement）發布，日期為 2026 年 9 月 20 日，該協議授予的權利「僅限非商業用途」，並載明商業使用須另行向供應商申請授權。這與先前的 Qwen-Image 系列相比是一項重大變更，後者是依 Apache 2.0 發布。在以此打造產品之前，請先閱讀授權檔案，而不是事後才看。

• 未確認 — 目前尚無獨立的基準測試分數。該部落格文章引用了一張 Qwen-Image-Bench 比較圖表，但其中的數字是廠商自家的，且在撰寫當時尚未被任何第三方重現。Qwen-Image 2.1 沒有公布託管端點的價格，商業授權的條款也未載明。此外，目前也還沒有消息指出是否會推出採用寬鬆授權的變體。

確實存在的唯一獨立數據點，是來自一位透過 Qwen 大使計畫取得存取權的測試者的實測早期存取評測，他透過 ModelScope Studio 介面執行了最終發布的權重。該評測回報，文生圖的生成時間約為 10 至 15 秒，編輯則為 18 至 23 秒，在鏡頭位置預設與多角色角色指派上表現出色，並指出一個值得了解的特定失效模式：多參考一致性從大約三張輸入圖片起便開始劣化，側馬尾的位置在側面角度下會塌縮成中分馬尾。那只是單一評測者、在早期存取 UI 上、且未顯示計時器。這是有用的訊號。但這不是基準測試。

首日框架支援，這是個低調的好消息

一個模型在發布當天的上架情況，比起模型卡更能告訴你實際上能否使用它，而 Qwen-Image 2.1 上架範圍廣泛：

• Diffusers — QwenImage21Pipeline在首日即被合併，而模型儲存庫帶有 diffusers:QwenImage21Pipeline 標籤。

• ComfyUI — 原生零時差支援，提供文字轉圖像與圖像編輯工作流程範本，以及獨立的 Comfy 相容權重儲存庫。

• vLLM-Omni — 逐步執行、前綴 KV 快取、CUDA Graph 解碼、FP8 量化，以及張量／Ulysses 平行處理。

• SGLang — 原生支援的 pull request 已於 9 月 17 日合併，三天早於權重發布，涵蓋 DiT、RGBA VAE、Qwen3-VL 條件調控、多張參考圖片，以及 RGBA 輸入／輸出，並已在 H200、B200、RTX PRO 6000、RTX 5090 與 RTX 4090 上完成驗證。

• LightX2V — 首日加速，並透過 ROCm 支援 AMD Radeon，以及透過 FlagOS 支援多晶片。

SGLang 的預發布 pull request 就是破綻所在。框架支援比權重更早到位，意味著服務路徑是對著檢查點測試出來的，而不是事後照著模型卡才寫的。對一個 7B 元件、旁邊還有一個 17.5 GB 文字編碼器來說，這就是週末瞎忙一場與一個下午搞定的差別。

對於運算資源受限的 GPU，模型卡建議採用 CPU 卸載 —— pipe.enable_model_cpu_offload()—— 這是標準的變通手段，而非真正的修正方案。這 33 GB 的下載內容主要由文字編碼器占據，而非 DiT；擴散 Transformer 本身只占整個套件中較小的一半，約 14 GB。

實用解讀

如果你今天想試用 Qwen-Image 2.1，老實說，你可以在本機上試用，但須遵守研究授權，而且沒有獨立基準測試，也沒有商業權利。對評估而言，這是合理的取捨；對生產流程而言，則是糟糕的選擇，而這兩者之間的差距，正是授權檔案所決定的。

對於想在不想把正式生產路徑押在僅推出數天的檢查點上的情況下，對圖像模型進行基準測試的團隊而言，路由層正是控管這類風險的地方。 OrcaRouter 以供應商定價、零加成，將 200 多個模型置於單一與 OpenAI 相容的端點之後，並提供跨供應商的自動容錯移轉，因此一個尚未經過驗證的模型可以與你已信任的模型並存於同一條路由之後，而非取而代之——而且由於是直接傳遞定價，任何已路由模型的供應商降價當天即可生效，不必等待合約變更。在撰寫本文時，Qwen-Image 2.1 並不在我們所路由的模型之中，本文也不會暗示並非如此。我們確實路由的是周邊的圖像產品線——OpenAI 的 GPT-Image 系列、Google 的 Imagen 4 各級版本與 Gemini 圖像預覽版，以及 xAI 的 Grok Imagine 圖像端點——當你在自己的硬體上評估這個新進者時，容錯移轉路徑正是由此而來。

懸而未決的問題，正是這個儲存庫無法回答的那個問題。阿里巴巴以僅限研究用途的授權條款發布了一款 7B 開放權重圖像模型，而同年它又以完全沒有權重的封閉式託管模型形式發布了 Qwen-Image 3.0。兩次發布，兩種相反的押注，相隔四個月。這兩者之中哪一個會形塑下一款 Qwen 圖像模型的樣貌——以及研究授權是否終將轉換為企業可用的形式——才是值得關注的重點。權重現在已在 Hugging Face 上，任何人都可以自行閱讀授權檔案。