Qwen 开源 Qwen-Image-2.1：7B 统一生成与编辑，支持透明图

9 月 20 日，Qwen 开源 Qwen-Image-2.1。它把文生图与图像编辑统一到同一个模型里，视觉生成组件为 7B 规模——这意味着它可以本地部署，而不必只走云端接口。开源与统一这两件事叠在一起，是这次发布最核心的两个信息。

生成与编辑，收进一个模型

过去做图像工作流，生成和编辑常常是两个模型、两条流水线。生成负责从提示词造出一张图，编辑负责在已有图上改，中间靠导出导入衔接。问题出现在衔接处：两条流水线的表征不一致，改完之后整体风格、色调甚至人物长相发生漂移，是常见现象。把它们统一到一个模型里，至少让改动发生在同一套表征上，一致性才有可能被保住。

按官方给出的能力清单，Qwen-Image-2.1 原生支持透明图的生成、编辑与主体提取；最多可以接入 10 张参考图；支持局部与区域编辑，并能更好地保持人物与商品的一致性。此外还有排版、人像打光、材质与细节方面的改进。参考图数量上限这件事看似普通，实际决定了工作流能不能把「这个人的脸、这个包的样子、这个品牌的字体」一起喂进去。

参考图是怎么起作用的？它不是把几张图拼在一起交给模型，而是把每张图里的身份、风格或材质信息通过条件注入带进生成过程。参考图多了，麻烦也跟着来：主体像第一张、风格像第二张、构图像第三张，模型需要判断哪张管什么；张数一多，互相冲突的描述还可能互相抵消。所以「支持多少张」只是门槛，真正难的是让它们各司其职。

排版与文字渲染值得单独提一句，因为图像模型画字一直是老大难。字形要求精确的笔画与间距，而不是「看起来像字的纹理」，早几年模型生成的招牌文字常常是模糊的乱码。当官方把排版列为改进项时，说的正是这类细节：文字不再只是背景上的一团噪声，而是能被读出来、能对上的内容。

编辑本身比生成更难，原因在约束。生成可以从噪声出发，随便长成什么样都算结果；编辑却要在「不被改动的区域保持原样」的前提下改掉指定部分，一边改一边还要让整体色调、光照与纹理保持一致。区域编辑更进一步：模型得先判断哪些像素该变、哪些不该变，判断错了就是把不该动的地方动了。这也是很多编辑工具在复杂场景下露怯的地方。

局部编辑的常见需求是换色、换背景、加细节这类改动，坑则集中在接缝上：新生成的区域与周围区域的边缘要自然融合，光照方向、阴影软硬、颗粒感都要对得上，否则改过的地方会像贴上去的。区域编辑把这个问题放大——模型得先在语义上理解「这块是什么」，再决定怎么改，而不是按坐标糊一块上去。

透明通道为什么值得单说

透明图的关键在于多出来的那个 alpha 通道：它记录每个像素的不透明度，让图像可以叠到任意背景上而不带白边或锯齿。看起来只是多存一个通道，难点却在于它要和前景内容严格对齐——发丝、毛边、半透明的玻璃或烟雾，这些区域的不透明度是连续变化的，靠事后抠图很容易出现边缘碎裂。生成阶段就把透明度考虑进去，等于让模型从一开始就同时决定「长什么样」和「边界在哪里」。

主体提取是这条能力的另一半：把一张图里的主体连透明度一起取出来，直接变成可用的素材。对做设计、电商与内容生产的人来说，这一步过去往往要靠专门的抠图工具，现在它被并进了同一个模型的能力范围。

效率优化与开源路线

效率方面，官方提到两点优化：混合粒度注意力，以及在编辑场景下复用 KV-cache。前者的直觉是「不是所有计算都需要同样的精细度」——局部细节要细，大范围的一致性可以用更粗的粒度处理，把两类注意力混着用，能在不牺牲观感的前提下省算力。后者针对的是编辑：输入里有很多内容与上一轮相同，把这部分的缓存复用起来，就省掉了重复计算。

7B 的规模是另一个重点。它落在「单张消费级显卡也能跑」的区间里，配合开源权重，意味着三件事是可行的：把模型放在本地、不把素材传到第三方；用自有数据做微调；以及在无网络环境下把它接进生产流程。社区生态也是这条路线的一部分——权重公开之后，工具链、量化和各种下游应用才会长出来。

把 Qwen-Image-2.1 放回它发布的那个星期看，会看得更清楚。9 月 18 日，Qwen 还发布了 Qwen3.8-Omni-Flash 与 Qwen3.8-LiveTranslate：前者是原生全模态模型，强调工具调用、规划与 Agent 任务；后者主打低延迟的实时同传。一个多模态、一个实时语音、一个图像生成，三条线在同一个星期推进。再往上看 Qwen3.8 这条主干：旗舰是 2026 年 8 月 3 日发布的 Qwen3.8-Max，2.4T 参数、约 95B 激活；权重在 8 月 12 日与 8 月 14 日分批放出，包括 2.4T-A95B 与 27B 两个规格。大档位开权重、小档位做专用组件，是这一年里 Qwen 反复出现的节奏——先用旗舰立住能力上限，再让更小的模型落到具体场景里。

顺带一个观察：这一轮里，「全模态大模型」和「专用生成组件」是并行推进的。Qwen3.8-Omni-Flash 走的是通用路线，强调工具调用与 Agent 任务；Qwen-Image-2.1 走的是专用路线，只把图像这件事做到能落地的程度，并且压到 7B。两条线并不冲突——通用模型负责理解与调度，专用组件负责出活，实际系统里往往就是这样一个大模型带几个专用模型的组合。

把这些收在一起，图像生成这条线正在往一个方向走：不再分成「生成模型」和「编辑模型」，也不再要求透明素材必须走抠图这条路，而是用一个模型覆盖生成、编辑与透明通道。7B 加开源，则让本地部署这条路径继续留着。对做图像工作流的人来说，这两点合起来意味着更少的工具切换，以及一条不依赖外部服务的备用路线。