阿里通义千问发布Qwen-Image-2.1：7B统一图像生成与编辑开源模型

统一架构：7B DiT + 8B多模态编码器

Qwen-Image-2.1是通义千问团队推出的第二代图像生成与编辑统一模型。其核心视觉生成模块基于32层单流扩散Transformer（DiT），总参数量为70亿；同时配套加载一个80亿参数的Qwen3-VL多模态编码器，用于联合编码文本指令与条件图像。值得注意的是，官方明确指出“7B”仅指DiT部分，整套推理流程实际需加载总计约15B参数的双组件模型。

关键技术设计：混合粒度注意力与前缀KV缓存

模型采用创新的混合粒度注意力机制：文本token使用词元级因果掩码，图像token则在每个图像块内采用块级双向掩码。条件前缀（即文本与参考图像编码结果）被置于噪声隐变量之前，因此其Key和Value在整个去噪过程中保持固定——模型仅在第一步完成文本与参考图编码，并复用该前缀KV缓存于全部后续去噪步。这一设计显著提升多参考图编辑效率，且参考图像数量越多，加速效果越明显。

功能能力：全栈式图像操作支持

Qwen-Image-2.1单checkpoint覆盖四大能力：

• 原生透明支持：直接生成RGBA格式图像，支持对透明通道进行编辑，并可从照片中精准提取主体；官方提供固定提示词模板以保障透明输出稳定性；
• 多参考图编辑：最多接受10张参考图像，示例包括从6张人像合成团体照、或融合5张服装图生成新穿搭；
• 局部可控编辑：支持通过圆形区域、手绘标注或独立mask指定编辑范围，且能有效保持人物身份与产品特征一致性；
• 高分辨率与多比例适配：默认输出2048×2048，支持7种宽高比（最高达2752×1536），并优化了排版、人像布光与细节表现，适用于全景图、信息图表、分镜脚本及虚拟试穿等场景。

性能表现与基准评测

在通义自建评测集Qwen-Image-Bench上，Qwen-Image-2.1综合得分为60.28，超越Nano Banana 2.0（59.82）及所有已列开源权重模型；相比之下，32B开源模型FLUX 2 Max得分为55.33。6款闭源模型得分更高，其中GPT Image 2.5 Sunburst以67.01位居榜首。

部署生态与硬件兼容性

模型已实现主流开源生态集成：开箱支持Diffusers、ComfyUI、vLLM-Omni、SGLang与LightX2V。针对不同硬件平台，除NVIDIA GPU外，亦提供AMD Radeon ROCm支持及8芯片FlagOS平台适配。此外，团队同步发布两个提示词重写模型——基于Qwen3.5-VL 9B微调，分别用于文本生成图像与图像编辑任务，可将简短提示扩展为细节丰富描述，并自动推荐适配宽高比。

使用与授权说明

模型可通过Hugging Face加载，依赖PyTorch 2.4+、transformers 5.17+、Diffusers源码版等环境。小显存设备可启用`pipe.enable_model_cpu_offload()`降低内存压力；服务化部署推荐vLLM-Omni（支持FP8量化、前缀KV缓存、CUDA Graph解码与张量并行）或SGLang（支持Cache-DiT、CUDA Graph、多卡并行与组件卸载）。需特别注意：该模型依据Qwen研究许可协议发布，禁止商业用途，商用须另行签署授权协议。