Qwen-Image-2.1 发布：7B 参数三合一开源图像模型

Qwen-Image-2.1 这个只有 7B 参数的生成 + 编辑 + 透明通道三合一开源模型，兼顾平衡性和性价比，图像模型领域可能要进入一个新阶段了。btw... 还有人记得大明湖畔的 🍌 吗 😂 https://qwen.ai/blog?id=qwen-image-2.1

四个主要能力

原生透明图生成/编辑：可直接从文本生成带 alpha 通道的 RGBA 图层、编辑透明图内文字、从照片中“抠出”主体。对电商素材、贴纸设计、合成工作流是刚需级功能，此前通常需要“生成模型 + 抠图模型 + 局部重绘”多条管线串联。 最多 10 张参考图的高保真编辑：支持圆圈标注、涂画标记、独立 mask 三种局部控制方式，并强调人像与商品的 identity 保持。参考图数量上限在开源模型中属于第一梯队，直接对标闭源编辑服务（如 GPT-Image 系列的参考图能力）。 质感与排版：文字渲染、人像光影、真实纹理的定性提升；这是 Qwen-Image 系列一贯的传统强项（中文文字渲染尤其如此）。 工程效率：除 KV 缓存外，还提供 CUDA Graph、FP8 量化、TP/Ulysses 并行等 vLLM 部署选项，并适配 8 种芯片平台（含 AMD ROCm 和多款国产芯片），明显在为大规模低成本推理铺路。

架构：几处关键设计值得关注

7B 单流 DiT（Single-Stream DiT）：相比前代分离式的文生图（Qwen-Image）和编辑（Qwen-Image-Edit）双模型布局，2.1 把生成与编辑统一进一个 32 层的 Transformer，训练和部署成本都更低。 块因果注意力（Block-Causal Attention）：文本 token 走因果掩码、图像 chunk 走双向掩码的混合粒度设计。这带来一个实用收益；Prefix KV Cache：条件图和文本只需在第一个去噪步算一次，后续 39 步直接复用缓存。在最多 10 张参考图的多图编辑场景下，这是推理提速的主要来源。 64 通道 RGBA 自编码器：VAE 在 latent 空间原生携带透明通道。透明能力不是后处理抠图，而是模型“生下来就会”的，这是与多数竞品的本质差异。 Qwen3-VL 8B 作为文本编码器：文本指令和条件图由同一个视觉语言模型统一编码，这解释了它在复杂指令跟随和参考图理解上的表现基础。 默认 40 步推理、原生 2K 分辨率（2048²），支持 16:9 等七种常用宽高比。