阿里 70 億參數圖像模型Qwen-Image-2. 1 開源發佈，號稱以瘦身之軀叫板閉源巨頭

AI資訊AI新閒資訊正文阿里 70 億參數圖像模型Qwen-Image-2.1 開源發佈，號稱以瘦身之軀叫板閉源巨頭發布於AI新閒資訊時間 :Sep 21, 2026閱讀 :1分鐘阿里通義千問團隊近日端出了一道讓開源社區眼前一亮的菜:開放權重的圖像生成與編輯模型Qwen-Image-2.1正式登場。最讓人意外的是它的身板——視覺生成組件僅用70億參數，卻在自家的評測基準上壓過了市面上絕大多數閉源模型。團隊放話底氣十足，不過第三方獨立評測尚在趕來的路上，這份成績單還需時間檢驗。更接地氣的是，它不挑設備，一塊像RTX3090這樣的主流消費級顯卡就能托起它跑起來。Qwen-Image-2.

1最拿手的一招是"合併同類項"。官方展示的合照裡，每張面孔都來自不同人物的單獨照片，模型像一位耐心的拼圖師，把它們自然縫合成一張群像。這背後是它對透明圖像的原生支持——生成的不是普通RGB圖，而是帶透明通道的RGBA格式，用戶於是可以把物體單獨摳出來，也能直接在透明圖層上改寫文字，排版和後期都省了事。參考圖的處理能力同樣誇張。一次最多吞下十張參考圖，群像合成、虛擬試穿、房間設計都在這套框架裡跑通。想局部修改也不必重畫整張圖，畫個圈、塗個遮罩、隨手點幾下做標記，模型就明白該動哪一塊。團隊透露，架構層面的改動加上KV緩存複用，讓推理速度明顯提升，尤其當參考圖數量一多，提速感受更明顯。

門檻也放得很低。模型已在Hugging Face、GitHub和魔搭社區（ModelScope）同步上線，還配了個在線Demo供人把玩。唯一需要注意的是授權:它掛的是研究許可，明確禁止商用，企業用戶若想落地，得另外向千問團隊單獨申請商業授權。換句話說，個人把玩與學術探索敞開大門，真要賺錢做生意，還得先過授權這一關。相關推薦通義千問開源 Qwen-Image-2.1:7B 參數實現文生圖與圖像編輯一體化9月21日，通義千問團隊開源新一代圖像模型Qwen-Image-2.1。該模型以僅7B參數的輕量視覺生成模塊，統一文生圖、透明圖像生成與多種圖像編輯能力，實現生成效果、推理效率與使用成本的新平衡。

其視覺生成採用32層Single-Stream DiT結構，藉助混合粒度注意力與KV Cache複用機制，優化多圖輸入場景下的效率與表現。Sep 21, 2026144.2k阿里通義千問發佈 Qwen-Image-3.0-Pro：文生圖 Arena 中國第一，10px 級文字渲染單張 4 美分起通義千問發佈Qwen-Image-3.0 Pro與Standard模型，在Arena文生圖榜單位居中國模型第一、主流第二。支持4.5k-token長提示、10px級精細文字渲染及12種語言，Pro版起價0.04美元/張。核心亮點是首次將生成與編輯融合進單一架構，實現多能力統一。

Aug 5, 2026585.5k微軟自研雙模型MAI-Image-2.5-Pro與MAI-Voice-2-Flash發佈：不蒸餾第三方，已落地Bing和PowerPoint微軟發佈兩款自研AI模型：高精度圖像模型MAI-Image-2.5-Pro，GPU成本最高降84%；語音模型MAI-Voice-2-Flash，專攻高併發交互。訓練數據清潔可追溯，不依賴第三方模型蒸餾，從設計之初即面向微軟產品用戶。Jul 24, 2026216.4k阿里發佈Qwen-Image-3.0，支持4.5K Token超長輸入與複雜圖文生成阿里發佈Qwen-Image-3.0圖像生成基礎模型，支持最長4.

5K Token文本輸入，可一次性生成公式、幾何圖形、邏輯推導及多層UI等複雜內容，原生兼容12種語言和20餘款字體渲染，文本長度較上代提升4.5倍，大幅強化影視分鏡、知識圖解等商業級圖文創作能力。Jul 21, 2026318.4k首包延遲300ms、支持20種方言:通義千問Qwen-Audio-3.0-TTS正式開放阿里通義千問發佈新一代實時語音合成模型Qwen-Audio-3.0-TTS，實現從“能說話”到“會表達”的跨越。Plus版本在Artificial Analysis Speech Arena排名全球第一，超越Gemini3.1TTS等主流模型。

雙版本中Flash版主打低延遲實時交互（首包約300ms），Plus版專攻高質量自然度與音色還原。Jul 20, 2026309.2k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026