7B 参数统一文生图与图像编辑

Qwen-Image-2.1 的核心架构由 32 层单流 DiT（Diffusion Transformer）层构成，视觉生成组件参数量为 7B。团队引入混合粒度注意力机制，使模型能够在不同细节层级上同时建模图像内容；前缀 KV 缓存复用则显著减少重复计算，令推理速度与显存占用均优于同级别模型。这一设计使 Qwen-Image-2.1 在轻量化前提下仍能输出具备竞争力的图像质量。

在功能层面，Qwen-Image-2.1 将文生图与图像编辑整合为统一接口。用户可通过同一模型完成从文本描述生成图像、对已有图像进行局部或全局编辑、提取照片中的主体对象等多类任务。编辑操作支持圆圈标注、涂抹标注或独立蒙版三种方式指定编辑区域，并能在编辑过程中保持人物或产品的身份一致性，最多可同时引入 10 张参考图进行多主体合成。

透明图像生成是本次发布的亮点之一。Qwen-Image-2.1 原生支持 RGBA 格式输出，用户只需在提示词中加入特定格式说明，模型即可生成带有透明通道的图像，适用于贴纸制作、UI 素材生成及图层化设计工作流。此外，模型在排版文字渲染、人像光影处理及细节精度方面均有显著提升，生成结果的视觉表现力更为突出。

模型默认以 2048×2048 像素输出，原生支持 2K 分辨率，并提供 1:1、4:3、3:4、3:2、2:3、16:9、9:16 等多种预设比例，最大尺寸可达 2752×1536（16:9）或 1536×2752（9:16）。默认推理步数为 40 步，开发者可根据速度与质量需求自行调整。整套 API 通过 Diffusers 库的 QwenImage21Pipeline 提供，调用方式与主流扩散模型保持一致。

为进一步提升生成质量，Qwen 团队同步发布了两个基于 Qwen3.5-VL 9B 微调的提示词改写模型，分别针对文生图（Qwen-Image-2.1-PE-T2I）和图像编辑（Qwen-Image-2.1-PE-I2I）场景，共用同一代码库并通过参数自动识别任务类型。发布当日，Diffusers、ComfyUI、vLLM-Omni、SGLang 及 LightX2V 均已完成适配，其中 vLLM-Omni 支持 FP8 量化与张量并行，SGLang 支持 Cache-DiT 与环形并行，为大规模部署提供了完整的推理加速方案。

要点

• Qwen-Image-2.1 以 7B 参数统一文生图与图像编辑，原生支持 2K 分辨率输出及 RGBA 透明图层生成
• 单一模型支持最多 10 张参考图的多主体合成，并可通过圆圈、涂抹或蒙版精确指定编辑区域
• 发布当日即获 Diffusers、ComfyUI、vLLM-Omni、SGLang、LightX2V 五大框架 Day-0 原生支持
• 配套提示词改写模型（基于 Qwen3.5-VL 9B）可将简短描述扩展为高质量详细提示，显著提升生成效果
• 权重已同步上线 HuggingFace 与 ModelScope，支持 FP8 量化与多种并行策略，适合生产级部署