Qwen 開源 Qwen-Image-2.1：7B 統一生成與編輯，支援透明圖

9 月 20 日，Qwen 開源 Qwen-Image-2.1。它把文生圖與影像編輯統一到同一個模型裡，視覺生成元件為 7B 規模——這意味著它可以本地部署，而不必只走雲端介面。開源與統一這兩件事疊在一起，是這次釋出最核心的兩個資訊。

生成與編輯，收進一個模型

過去做影像工作流，生成和編輯常常是兩個模型、兩條流水線。生成負責從提示詞造出一張圖，編輯負責在已有圖上改，中間靠匯出匯入銜接。問題出現在銜接處：兩條流水線的表徵不一致，改完之後整體風格、色調甚至人物長相發生漂移，是常見現象。把它們統一到一個模型裡，至少讓改動發生在同一套表徵上，一致性才有可能被保住。

按官方給出的能力清單，Qwen-Image-2.1 原生支援透明圖的生成、編輯與主體提取；最多可以接入 10 張參考圖；支援區域性與區域編輯，並能更好地保持人物與商品的一致性。此外還有排版、人像打光、材質與細節方面的改進。參考圖數量上限這件事看似普通，實際決定了工作流能不能把「這個人的臉、這個包的樣子、這個品牌的字型」一起喂進去。

參考圖是怎麼起作用的？它不是把幾張圖拼在一起交給模型，而是把每張圖裡的身份、風格或材質資訊通過條件注入帶進生成過程。參考圖多了，麻煩也跟著來：主體像第一張、風格像第二張、構影像第三張，模型需要判斷哪張管什麼；張數一多，互相沖突的描述還可能互相抵消。所以「支援多少張」只是門檻，真正難的是讓它們各司其職。

排版與文字渲染值得單獨提一句，因為影像模型畫字一直是老大難。字形要求精確的筆畫與間距，而不是「看起來像字的紋理」，早幾年模型生成的招牌文字常常是模糊的亂碼。當官方把排版列為改進項時，說的正是這類細節：文字不再只是背景上的一團噪聲，而是能被讀出來、能對上的內容。

編輯本身比生成更難，原因在約束。生成可以從噪聲出發，隨便長成什麼樣都算結果；編輯卻要在「不被改動的區域保持原樣」的前提下改掉指定部分，一邊改一邊還要讓整體色調、光照與紋理保持一致。區域編輯更進一步：模型得先判斷哪些畫素該變、哪些不該變，判斷錯了就是把不該動的地方動了。這也是很多編輯工具在複雜場景下露怯的地方。

區域性編輯的常見需求是換色、換背景、加細節這類改動，坑則集中在接縫上：新生成的區域與周圍區域的邊緣要自然融合，光照方向、陰影軟硬、顆粒感都要對得上，否則改過的地方會像貼上去的。區域編輯把這個問題放大——模型得先在語義上理解「這塊是什麼」，再決定怎麼改，而不是按座標糊一塊上去。

透明通道為什麼值得單說

透明圖的關鍵在於多出來的那個 alpha 通道：它記錄每個畫素的不透明度，讓影像可以疊到任意背景上而不帶白邊或鋸齒。看起來只是多存一個通道，難點卻在於它要和前景內容嚴格對齊——髮絲、毛邊、半透明的玻璃或煙霧，這些區域的不透明度是連續變化的，靠事後摳圖很容易出現邊緣碎裂。生成階段就把透明度考慮進去，等於讓模型從一開始就同時決定「長什麼樣」和「邊界在哪裡」。

主體提取是這條能力的另一半：把一張圖裡的主體連透明度一起取出來，直接變成可用的素材。對做設計、電商與內容生產的人來說，這一步過去往往要靠專門的摳圖工具，現在它被並進了同一個模型的能力範圍。

效率最佳化與開源路線

效率方面，官方提到兩點最佳化：混合粒度注意力，以及在編輯場景下複用 KV-cache。前者的直覺是「不是所有計算都需要同樣的精細度」——區域性細節要細，大範圍的一致性可以用更粗的粒度處理，把兩類注意力混著用，能在不犧牲觀感的前提下省算力。後者針對的是編輯：輸入裡有很多內容與上一輪相同，把這部分的快取複用起來，就省掉了重複計算。

7B 的規模是另一個重點。它落在「單張消費級顯示卡也能跑」的區間裡，配合開源權重，意味著三件事是可行的：把模型放在本地、不把素材傳到第三方；用自有資料做微調；以及在無網路環境下把它接進生產流程。社群生態也是這條路線的一部分——權重公開之後，工具鏈、量化和各種下游應用才會長出來。

把 Qwen-Image-2.1 放回它釋出的那個星期看，會看得更清楚。9 月 18 日，Qwen 還發布了 Qwen3.8-Omni-Flash 與 Qwen3.8-LiveTranslate：前者是原生全模態模型，強調工具呼叫、規劃與 Agent 任務；後者主打低延遲的即時同傳。一個多模態、一個即時語音、一個影像生成，三條線在同一個星期推進。再往上看 Qwen3.8 這條主幹：旗艦是 2026 年 8 月 3 日釋出的 Qwen3.8-Max，2.4T 引數、約 95B 啟用；權重在 8 月 12 日與 8 月 14 日分批放出，包括 2.4T-A95B 與 27B 兩個規格。大檔位開權重、小檔位做專用元件，是這一年裡 Qwen 反覆出現的節奏——先用旗艦立住能力上限，再讓更小的模型落到具體場景裡。

順帶一個觀察：這一輪裡，「全模態大模型」和「專用生成元件」是並行推進的。Qwen3.8-Omni-Flash 走的是通用路線，強調工具呼叫與 Agent 任務；Qwen-Image-2.1 走的是專用路線，只把影像這件事做到能落地的程度，並且壓到 7B。兩條線並不衝突——通用模型負責理解與排程，專用元件負責出活，實際系統裡往往就是這樣一個大模型帶幾個專用模型的組合。

把這些收在一起，影像生成這條線正在往一個方向走：不再分成「生成模型」和「編輯模型」，也不再要求透明素材必須走摳圖這條路，而是用一個模型覆蓋生成、編輯與透明通道。7B 加開源，則讓本地部署這條路徑繼續留著。對做影像工作流的人來說，這兩點合起來意味著更少的工具切換，以及一條不依賴外部服務的備用路線。