阿里 Qwen 團隊於 2026 年 9 月 20 日開源 Qwen-Image-2.1，把文字生成圖像與圖像編輯統一在同一個模型之內，其視覺生成組件只有 7B 參數（32 層 Single-Stream DiT），並原生支援透明圖層的生成與編輯。[1][2]
架構與推理效率
Qwen-Image-2.1 的設計重點之一，是在保持圖像質素的同時壓縮推理成本。官方說明指模型採用混合粒度注意力（mixed-granularity attention）架構：文字（包括系統前綴與編輯指令）使用 token 層級的因果遮罩，圖像生成則使用 chunk 層級的遮罩；配合 KV cache 重用，輸入圖像與編輯指令可以視為靜態上下文，在第一步計算並快取，從而提升推理效率並降低記憶體用量。[1]
模型卡列出四個改進方向：架構緊湊而高效、原生透明與統一創建編輯、多樣化編輯能力，以及更真實的質感與美感（包括文字排版、人像打光與細節）。[2]
原生透明圖層
透明圖層是這次版本的主要新增能力。Qwen 團隊早前在 2025 年 12 月以獨立模型 Qwen-Image-Layered 支援透明圖像生成，Qwen-Image-2.1 則把此能力整合進統一模型，由提示自行決定輸出普通圖像或帶透明通道的圖像。[1]
能力範圍包括：直接由文字生成透明圖像、編輯透明圖層（例如改變主體表情而保留透明背景、替換透明層內文字），以及從 RGB 相片抽取主體成帶透明度的 RGBA 圖層，方便日後在設計與合成工作中重用。[1]
多重參考與局部編輯
編輯方面，模型支援最多十張參考圖，可以把多個主體與素材合成為一致的構圖，官方示範包括由六張人像合成團體照、由五張輸入（模特兒、服裝、鞋、袋、帽）合成完整造型，以及以十張傢俬圖生成室內配置。[1]
局部編輯支援三種指定方式：以不同顏色的圓圈標示多個區域、以手繪標註指出範圍，或另附遮罩並保留完整原圖。官方亦指出局部編輯可配合連續修改，把逐步改動的圖像串連成簡單動畫。[1] 此外，模型在人像身分與產品一致性上有所改進，令同一人物或產品在多次編輯後保持穩定。[1]
使用方式與授權
模型可透過 diffusers 的 QwenImage21Pipeline 載入，預設以 2048×2048、約 40 步推理，並提供七組長寬比選項（1:1、4:3、3:4、3:2、2:3、16:9、9:16），官方亦示範以 CPU offload 降低記憶體需求。[2]
須留意授權變動：Qwen-Image-2.1 採用 Qwen Research License Agreement，屬非商用授權，商用需要另行取得授權；此安排與早前 Qwen-Image 系列採用的 Apache 2.0 不同。開發者在把模型用於產品之前，應先閱讀授權條款。[2][3]
參考資料
[1] Qwen 官方網誌 — Qwen-Image-2.1: Compact, Efficient, and Unified Image Creation