开源大模型追踪：Qwen-Image-2.1 ：7B 视觉生成模型开源榜登顶 60.28，原生 RGBA 透明出图

Qwen-Image-2.1 是阿里巴巴 Qwen 团队于 2026-09-20 开源的图像生成与编辑一体化模型，视觉生成部分为一个 7B 参数的 32 层单流 DiT，搭配 Qwen3-VL 8B 文本编码器与 64 通道 RGBA VAE。BF16 全量权重约 33GB，INT8 量化栈可压到约 14GB，Unsloth 的 Q4_K_M GGUF 甚至能在 12GB 显存上跑通；vLLM-Omni 在 1024² 40 步下实测约 3.3--4.5 秒/张（厂商数据）。它最大亮点是原生 RGBA 透明出图与最多 10 张参考图编辑，在 Qwen 自建开源榜拿到 60.28 分（同级第一梯队）。需要本地可控出图、透明素材、商品合成的设计与算法团队。需注意：它采用 Qwen Research License（仅研究/评估非商用），与历代 Apache 2.0 的 Qwen-Image 不同，商用需向阿里单独申请。

一、模型速览

项目	说明
发布方	阿里巴巴 Qwen 团队
发布时间	2026-09-20（本周新发，开源权重上架 HF + ModelScope）
架构	7B 单流 DiT（32 层）+ Qwen3-VL 8B 文本编码器 + 64 通道 RGBA VAE（16× 空间压缩）
能力	文生图、图像编辑、最多 10 张参考图合成、原生 RGBA 透明出图
分辨率	原生 2K（2048×2048），支持 7 种比例（含 16:9 的 2752×1536）
许可证	Qwen Research License（仅研究/评估，非商用；商用需向阿里单独申请）
权重体积	BF16 全量约 33GB；INT8 栈约 14GB；Q4_K_M GGUF 约 4.2GB（仅 DiT）

一句话：它把"生成 + 编辑 + 透明"塞进一个 7B 检查点，是把上代 20B MMDiT 砍到三分之一体量、却补齐原生透明通道的"瘦身旗舰"。

它与本专栏 8/25 写过的 SenseNova U1.5 Lite（理解+生图+编辑三合一）路线相似，但 Qwen-Image-2.1 是纯视觉生成模型、参数更小、且原生 RGBA------对"透明贴纸 / 图层合成"这类设计苦活是直接利好，不像通用多模态模型要靠后期抠图。

数据来源：Qwen/Qwen-Image-2.1 模型卡 + QwenLM GitHub README。关键提醒：前代 Qwen-Image 1.0 / Edit / 2512 全部 Apache 2.0，2.1 改为研究许可，这是本周开源图像模型里最该先读清楚的一条。

二、核心亮点：为什么 2.1 值得本地跑

1. 体量砍三分之二，能力不降反补。 上代 Qwen-Image 1.0 是 20B MMDiT、BF16 单 DiT 就 40.9GB；2.1 的视觉 DiT 仅 7B（14.2GB BF16，32 层单流），整包（含 8B 编码器 + VAE）约 33GB。"7B"这个 headline 数字其实只算生成器，真正吃显存的大头是 Qwen3-VL 8B 文本编码器（17.5GB BF16）------它既读提示词又编码参考图，没有独立图像编码器。所以容量规划要对着"7B + 8B"算，而不是对着 7B 算（来源：PacketNebula 拆解）。

2. 原生 RGBA，抠图步骤直接消失。 64 通道 VAE 在生成管线上就带 alpha 通道，出图即透明 PNG，编辑时也能保留透明、把照片主体提进透明层再复用。官方推荐的提示词约定是："This is an RGBA image with transparency. ... The image has alpha channel and the background is transparent." 对贴纸、图标、电商抠图这类高频活，这一步能去掉最常见的"毛边"来源（来源：模型卡 / saascity 指南）。

3. 一次调用吃 10 张参考图做局部编辑。 编辑支持圆形、手绘标记或独立 mask 圈定区域；多参考图场景下条件图像与文本只需编码一次、在去噪步间复用前缀 KV cache（mixed-granularity attention + prefix KV-cache reuse），降低重复计算。模型卡给出的样例包括"6 张人像拼合群像""5 张参考图组装穿搭"（来源：官方示例 / aicybr）。

4. 日零生态 + 一个必须警惕的许可坑。 Diffusers（QwenImage21Pipeline，PR#14804）、ComfyUI（PR#16400）、vLLM-Omni、SGLang-Diffusion、LightX2V、stable-diffusion.cpp 均在发布当天给出支持。但许可证从 Apache 2.0 退回 Qwen Research License------"research or evaluation purposes only"，产品化需向阿里申请商业许可；首批 14 个社区微调衍生权重同样受该条款约束。这意味着"能下载"≠"能上线"，部署前先谈许可，别等上线才发现（来源：dev.to / pondero / saascity）。

三、部署实战：两条可运行链路

环境准备（Diffusers 路线，最通用，需源码版 diffusers）

复制代码

pip install --upgrade "torch>=2.4.0" "transformers>=5.17" accelerate pillow
pip install git+https://github.com/huggingface/diffusers

推理代码（文生图 + 原生 RGBA 透明 PNG）

python 复制代码

import torch
from diffusers import QwenImage21Pipeline

# 1. 加载 BF16 权重（首次会自动下载约 33GB）
pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
)
# 2. 24GB 消费级显卡靠 CPU 卸载跑通；显存足可去掉此行
pipe.enable_model_cpu_offload()

# 3. 按官方约定写 RGBA 提示词，否则背景不透明
prompt = (
    "This is an RGBA image with transparency. "
    "一个扁平矢量风格的深色咖啡杯吉祥物贴纸，粗描边，柔和投影。"
    "The image has alpha channel and the background is transparent."
)
# 4. 原生 2K，默认 40 步、不带 classifier-free guidance
image = pipe(
    prompt=prompt,
    width=2048, height=2048,
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]
image.save("sticker_rgba.png")  # 直接存为透明 PNG

效果验证（计时 + 峰值显存自检，复制即跑）

python 复制代码

import torch, time
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()

t0 = time.time()
img = pipe(
    prompt="一只戴宇航头盔的柴犬，写实摄影风格，背景纯净",
    width=1024, height=1024,
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(1),
).images[0]
img.save("verify.png")
print(f"耗时 {time.time()-t0:.1f}s | 峰值显存 {torch.cuda.max_memory_allocated()/1e9:.1f}GB")

备选链路：低显存 GGUF（12GB 卡可跑）

bash 复制代码

# 用 stable-diffusion.cpp（llama.cpp 的扩散兄弟项目）跑量化版，无需 CUDA
# DiT: leejet/Qwen-Image-2.1-GGUF（Q2_K 2.6GB ~ Q8_0 7.7GB，推荐 Q4_K_M 约 4.2GB）
# 编码器: Qwen/Qwen3-VL-8B-Instruct-GGUF（Q4_K_M 约 5GB）
# VAE: Comfy-Org/Qwen-Image-2.1 的 vae_bf16.safetensors（约 0.68GB）
sd-cli --diffusion-model qwen-image-2.1-Q4_K_M.gguf \
       --vae qwen_image_2.1_vae_bf16.safetensors \
       --llm Qwen3VL-8B-Instruct-Q4_K_M.gguf \
       -p "一个卡通树懒吉祥物在挥手，扁平矢量插画，明亮色彩" \
       --steps 20 --cfg-scale 6.0 --sampling-method euler -W 1024 -H 1024 -o out.png

说明：以上来自 Qwen 官方 Quickstart、Diffusers PR#14804 与 leejet/stable-diffusion.cpp 文档；enable_model_cpu_offload() 是官方为显存受限 GPU 提供的选项。多参考图编辑走同一 pipeline 的 image= 入参（最多 10 张），具体参数名以最新 diffusers 源码为准。本机无 GPU，未做实测，请读者按自有硬件验证速度与显存。

四、性能测评：同级模型怎么选

模型	生成组件	许可证	原生 RGBA	最大分辨率	显存(BF16)	开源榜(Qwen-Image-Bench)
Qwen-Image-2.1	7B DiT + 8B TE	Qwen Research(非商用)	支持	2K(2048²)	~33GB 全量 / ~14GB INT8	60.28（29 款中第 7）
Qwen-Image 1.0	20B MMDiT	Apache 2.0	不支持	1K	~41GB	---
FLUX.1-dev	12B	Apache 2.0(非商用)	不支持	1M px	~24GB	---
Nano Banana 2.0（闭源对照）	---	闭源 API	不支持	---	---	59.82

数据来源：Qwen-Image-Bench 为阿里自建基准（29 款模型，vendor 自测，非第三方审计）；Nano Banana 2.0 / GPT Image 1.5(59.65) / GPT Image 2.5 Sunburst(67.01) 为闭源对照，仅作方向参考。

生成质量看三个维度：出图速度 ------vLLM-Omni 在 1024² / 40 步 / 单张数据中心 GPU / BF16 下实测约 3.3--4.5 秒/张（来源：vLLM-Omni recipe / PacketNebula）；厂商称 2K + 10 参考图编辑约 1.59 秒（CellCog 引用，vendor 口径）；stable-diffusion.cpp 在 AMD iGPU 上约 20 分钟/张（1024²、20 步，社区数据）；显存 ------BF16 全量约 33GB（含 8B 编码器），INT8 栈约 14GB，Unsloth Q4_K_M GGUF 可在 12GB 卡跑通，有用户报告 16GB 卡开 offload 峰值约 13.9GB（单一数据点，待复现）；生成质量------Qwen-Image-Bench 60.28 排在 29 款中第 7，领先同档开源 Nano Banana 2.0(59.82) 与 GPT Image 1.5(59.65)，但落后闭源 GPT Image 2.5 Sunburst(67.01)。它的长板在"透明 + 多参考编辑 + 中文/长文本渲染"，这些是设计流水线的真实痛点，而非单纯美学跑分。

为什么 RGBA 是这次最该关注的点？因为传统出图后还要接一步抠图/去背，而抠图恰恰是"毛边、锯齿、半透明丢失"的高发区。Qwen-Image-2.1 把 alpha 做到生成管线里，贴纸、图标、商品图层能直接产出可用素材------对设计岗是省掉一个易错环节，对算法岗是少维护一条后处理链路。

数据口径提醒：Qwen-Image-Bench 为厂商自建基准，目前无独立第三方复测，分数作方向性参考；出图速度除 vLLM-Omni 的 3.3--4.5s 为 recipe 实测外，其余为厂商/社区口径且标注来源；本文未做本机实测，显存与速度请读者按硬件自查。

Qwen-Image-2.1 是本周最值得本地试的图像开源权重------7B 体量 + 原生 RGBA + 日零生态，把"设计可用"往前推了一步；但研究许可是它的硬约束：原型、评估、内部研究随便用，凡涉及商用上线，先向阿里申请商业许可，别把"能下载"误当成"能发布"。

五、使用建议

部署档位速查：

12--16GB 显卡：Unsloth / leejet 的 Q4_K_M GGUF（DiT ~4.2GB + 编码器 ~5GB）+ stable-diffusion.cpp 或 ComfyUI，开 offload
24GB 单卡：BF16 全量 + enable_model_cpu_offload()，Diffusers 直跑 2K
多卡 / 集群：vLLM-Omni 或 SGLang-Diffusion，走 /v1/images/generations OpenAI 兼容接口，FP8 + 张量并行提吞吐
Mac / 无独显：stable-diffusion.cpp Vulkan 版（AMD/Intel 核显）或 M 系芯片，全精度峰值约 31GB 内存
适用场景：透明贴纸/图标/图层素材生成；电商多参考图合成与局部改款；需要中文/长文本渲染的 poster、信息图；研究评估与内部原型。
不适用场景：任何未获阿里商业许可的产品化部署（研究许可禁止）；追求闭源榜首画质（GPT Image 2.5 Sunburst 67.01 仍领先）；需要视频生成（它是图像模型，不含视频）。
调优提示 ：① 透明图务必在提示词写明 RGBA 约定句式，否则背景不透明；② 显存吃紧先量化 8B 编码器（INT8/W4A8 收益最大）；③ 默认 40 步、CFG 可关，加 true_cfg_scale>1 会近似翻倍单步计算；④ 多参考编辑用 mask/手绘圈定区域，比整图重绘更稳。