阿里巴巴/通义千问发布开源Qwen-Image-2.1模型

阿里巴巴通义千问开源了Qwen-Image-2.1,这是一个7B参数模型,集生成、编辑和透明图像输出于一体。它支持最多10个参考编辑、2K分辨率以及原生RGBA。通过GGUF量化,可在12GB显存的消费级GPU上运行。
Key insights
单流DiT模型融合生成与编辑任务
Qwen-Image-2.1采用32层单流DiT,带有块因果注意力机制,将此前需要独立模型的文生图和编辑能力统一起来。这降低了训练和部署成本。前缀KV缓存跨去噪步骤复用条件嵌入,加速推理。
通过64通道VAE实现RGBA输出,实现真正透明生成
该模型使用64通道RGBA自编码器直接生成带Alpha通道的图像,无需后期处理。这对电商素材、贴纸和合成工作流至关重要。它还能编辑透明文字,并从照片中提取主体。
多参考编辑与身份保持
该模型支持最多10张参考图像,可通过圆形标注、涂鸦标记或独立蒙版进行局部控制。它强调肖像和商品的身份保持,与GPT-Image等闭源编辑服务竞争。
提供量化版本,适用于12GB显存消费级GPU
UnslothAI发布了GGUF量化版本,可在12-16GB显存(Q4_K_M)甚至6GB显存(带卸载)上运行。该模型还支持CUDA Graph、FP8量化以及用于vLLM部署的TP/Ulysses并行化。兼容包括AMD ROCm和国产加速器在内的8种芯片平台。
7B参数,采用Qwen3-VL文本编码器,原生2K分辨率
该模型使用Qwen3-VL 8B作为文本编码器,以更好地遵循指令。默认分辨率为2048x2048,支持7种宽高比。在文本渲染、肖像光照和纹理真实感方面有质的提升。