Qwen Image 2.1 在 2026 年 9 月 20 日开源，属于 Qwen 系列。它是一个 7B 视觉生成组件的模型，把文生图、图像编辑和透明图层生成统一到一份权重里，发布当天就进入了主流推理框架。要做本地出图、批量素材和编辑工作流的团队可以直接评估它，不需要为生成和编辑分别部署两个模型。
这个模型统一了哪些能力
一份权重覆盖三类任务。文生图按提示词直接出图，图像编辑支持最多 10 张参考图输入，透明图生成直接输出带 Alpha 通道的 RGBA 图。编辑时可以用圈选、涂抹标注或独立蒙版指定局部修改范围，官方强调能在多次修改中保持人物和商品的身份一致。对电商素材、角色设定这类需要反复改同一批主体的场景，身份保持比单次画质更关键。
架构上做了什么取舍
视觉生成组件有 7B 参数，由 32 个 Single-Stream DiT 层组成。官方明说的目标是质量、推理效率和多功能三者的平衡，手段是混合粒度注意力加前缀 KV 缓存复用，用较低的算力换到可用画质。示例中文生图和编辑都默认 40 步推理，想再压成本可以调步数或换量化方案，但出图质感会跟着变。
透明图和参考图编辑解决什么问题
传统流程里做透明素材要先出图再抠图，RGBA 原生生成把这一步省掉了。推荐写法是在提示词里明确声明要一张带透明背景的 RGBA 图，放在描述主体内容的前后都可以。编辑侧，多参考图加局部标注让换背景、改局部、统一人物长相这类操作可以一次给足上下文，减少反复试提示词的次数。
主流框架的部署路径怎么选
发布当天的生态支持已经很完整，按团队习惯选即可。
- Diffusers 提供 QwenImage21Pipeline，适合研究和脚本化批处理。
- ComfyUI 原生支持，官方给了文生图和图像编辑两套示例工作流，适合可视化搭流程。
- vLLM-Omni 支持前缀 KV 缓存、CUDA Graph 解码、FP8 量化和 TP/Ulysses 并行，适合高吞吐服务。
- SGLang 提供前缀缓存、Cache-DiT、CUDA 图、多种并行和组件卸载，卸载对显存紧张的机器有意义。
- LightX2V 提供独立加速方案，可作为备选压测。
运行依赖 torch 2.4.0 以上、transformers 5.17 以上，加上 diffusers、accelerate 和 pillow。权重在 HuggingFace 和 ModelScope 都能拿到，两个平台都有在线演示空间可以先试效果再上卡。
什么场景下它不合适
显存需求取决于量化方案和并行设置，官方没有给出具体数字，需要按自己的卡实测，消费级显卡建议先从 FP8 量化加组件卸载试起。需要严格照片级写实且已有成熟商业管线的大图团队，迁移成本要算进评估。只做简单文生图、不需要编辑和透明图的轻量场景，小模型可能更省。涉及人脸商用和商品素材商用时，生成内容的授权与合规边界仍要自己把关，模型能力不改变这一点。
常见问题
问，生成透明图提示词怎么写。答，在描述主体前后明确声明输出带透明背景的 RGBA 图，比事后抠图稳定。
问，10 张参考图是一次都用上吗。答，按编辑任务需要选，参考图越多上下文越足，推理开销也越高，建议从少量开始逐步加。
问，本地跑不动怎么办。答，先试 SGLang 的组件卸载和 FP8 量化，再考虑更高并行，仍不够就退回 Diffusers 调低步数。