阿里最新圖像模型開源！視覺生成部分僅7B，能生透明圖、能改圖

作者 | 楊京麗 編輯 | 李水青 9月21日，昨晚，千問開源圖像模型Qwen-Image-2.1。該模型將文生圖與圖像編輯整合在同一模型中，視覺生成部分僅包含7B參數，並原生支持透明圖像生成與編輯。從實際功能來看，模型通過輕量結構與推理優化，在保證生成質量的同時，保持較低的計算成本。模型最多支持10張參考圖輸入，可用於多主體合成和多種局部編輯，並儘量保持人物和商品的原有特徵。此外，模型還調整了文字排版、人物光影和圖像細節，讓生成結果更貼近實際設計需求。官方公佈的Qwen-Image-Bench評測顯示，該模型以7B視覺生成模塊取得60.

28分，位列開源模型第一，超過Nano Banana 2.0、GPT Image 1.5等閉源模型，落後於GPT Image 2、Grok Imagine 2.0等模型。▲Qwen-Image-Bench公開評測對比（圖源：千問大模型） 這次開源距離Qwen-Image系列上一次開源已過去約9個月，上一次是去年12月開源的Qwen-Image-2512。在閉源的Qwen-Image線上，千問圖像模型已於今年7月更新至Qwen-Image-3.0版本。開源地址： GitHub: https://github.com/QwenLM/Qwen-Image-2.

1 Model Scope: https://www.modelscope.cn/models/Qwen/Qwen-Image-2.1 Hugging Face: https://huggingface.co/Qwen/Qwen-Image-2.1 一、視覺生成部分僅7B參數，領先Nano Banana 2.0、GPT Image 1.5等 Qwen-Image-2.1參數規模較小，視覺生成部分包含32層Single-Stream DiT（單流擴散Transformer）架構，參數量為7B。在較小的模型規模下，Qwen-Image-2.1依然保持不錯的圖像生成質量。

在Qwen-Image-Bench公開評測中，它以7B參數的視覺生成模塊，取得了與閉源模型近似的水平，得分60.28，領先Nano Banana 2.0、GPT Image 1.5等模型。在推理結構上，模型優化推理效率，採用混合粒度注意力結構。模型對文本和圖像採用不同的處理策略：文本部分，系統前綴和編輯指令使用Token級因果掩碼；圖像生成部分使用Chunk級掩碼。同時，模型還使用KV Cache複用機制，將輸入圖像和編輯指令作為靜態上下文，在首步完成預計算並緩存，以提升推理效率、降低顯存開銷。▲Qwen-Image-2.

1混合粒度注意力結構（圖源：千問大模型） 二、支持透明圖像生成，生成和編輯在同一模型完成 透明圖像是Qwen-Image-2.1此次更新的重點能力之一。模型可以根據提示詞自動判斷輸出普通圖像或帶透明通道的圖像，可以生成單個主體，也能生成由多個元素組成的複雜透明素材。在編輯場景中，用戶可以保持透明背景不變，只修改主體的表情、顏色或其他局部細節。透明圖層中的文字也能被直接替換，例如將圖層中的“BLOOM”修改為“Qwen-Image”。在修改文字的同時，其他部分基本沒有發生變化，文字也能根據實際情況調整大小。對於真實照片，Qwen-Image-2.

1可以從RGB圖像中提取指定主體，並輸出帶透明通道的RGBA圖層，方便後續用於平面設計、商品合成和內容製作。模型可以提取出照片的前景樹葉，形成透明的素材，刪除背景中的建築物等內容。三、最多輸入10張參考圖，覆蓋多種編輯任務 Qwen-Image-2.1最多支持10張參考圖輸入，具備多種局部編輯方式、人像與商品一致性增強，並覆蓋多種類型編輯任務。在多人合照場景中，模型能夠將多張人物照片整合到同一畫面。輸入六個人物照片後，模型可以將他們整合成一張合照，調整人物姿勢、畫面光影等細節，讓整個畫面保持自然。在服裝搭配場景中，用戶可以輸入模特、衣服、鞋子、包包和帽子等圖片，生成完整的穿搭效果。

成圖以街拍畫面為基礎，將粉色短款外套、黑白毛絨帽、棕色包和銀色鞋子自然融入模特的整體穿搭中。在室內設計場景中，模型參考10張家居圖片，完成整體空間佈置。模型參考了走廊、沙發、餐桌、單椅、時鐘、地毯、綠植等多張家居圖片，將不同傢俱和裝飾元素整合到同一間客廳中。局部編輯方面，模型支持圈選、塗抹和獨立掩碼三種方式。用戶可以在圖像中圈出多個區域，並分別提出修改要求。下面這個例子中，要求模型“去掉藍色圈的金屬手錶，把紅色圈的頭髮顏色改為黑色，把綠色圈替換為灰色短袖亞麻睡衣”，模型能夠精準對這三個區域進行修改編輯。模型還支持塗抹指定位置修改。

這個案例中，在原圖鯊魚右側進行了白色塗抹，模型在這塊白色區域添加了一名潛水員。如果希望儘可能保留原圖內容，用戶還可以將原圖和獨立掩碼作為兩張圖片輸入，由掩碼明確指定需要修改的區域。輸入原圖後，把需要添加的馬仔人物以掩碼的形式輸入，模型可以結合這兩張圖片輸入，形成一張人物騎在馬背上的圖片。四、人像和商品保真度提升，文字與畫面質感同步增強 千問稱，Qwen-Image-2.1增強了人像編輯中的面部細節還原能力，能夠在修圖前後保持人物特徵的高度一致。模型可以根據一張自拍，生成人物在竹林中的全身照，並修改人物服飾。進行多次調整後，人物的面部細節，仍與輸入圖像人物特徵基本一致。

在商品編輯中，模型重點保持商品的文字、紋理和外形，使商品置於新場景後仍能保留原有特徵。這類能力可用於電商展示、廣告素材製作和商品視覺設計。從官方案例來看，輸入手串商品圖後，模型基本保留了手串的整體結構、配色和材質，並將其放置到人物佩戴的場景中。不過，成圖中的黑色珠子尺寸略大，與原圖相比仍存在細微差異。模型還覆蓋全景圖、信息圖和分鏡圖生成等任務。例如，輸入一張自拍照後，模型可以將其擴展為全景。在可視化工具中，用戶可以從不同視角查看場景，天空、雲層、樹木、街道等細節基本符合物理規律。輸入模特照片後，模型可以生成內容豐富的複雜信息圖，展示人物檔案、配飾細節、服飾細節、風格關鍵詞等信息。

模型還可以根據人物三視圖，生成完整分鏡，為故事創作和視覺敘事提供素材。在圖像質感方面，Qwen-Image-2.1進一步優化了文字生成、字體選擇和版式佈局。模型能夠生成包含大量圖片、文字、圖表等多種信息的論文界面。成圖中文字清晰，內容未出現明顯錯亂，整體排版較為合理，頁面結構也保持美觀。在人物表現上，Qwen-Image-2.1增強了光影與細節表現，使畫面更接近真實攝影和商業設計效果。結語：統一生成與編輯，進一步降低圖像創作門檻 Qwen-Image-2.1在7B視覺生成模塊的基礎上，把透明圖像生成、透明圖層編輯、多圖輸入和局部修改能力放進同一套模型，進一步降低圖像創作門檻。

對於設計、電商和內容製作場景，透明圖像和多圖編輯可以減少摳圖、合成及反覆修改的步驟。模型最終能否在本地部署成本、生成速度和複雜編輯效果之間取得平衡，還需要結合實際體驗和開源社區反饋進一步觀察。