图像视频上手难度 🔧 进阶#文生图#图像编辑#透明通道#通义千问#Qwen#开源 SOTA#Hugging Face#7B

Qwen-Image-2.1 · 通义千问 Qwen-Image-2.1 统一图像生成与编辑模型

7B 参数统一文生图+图像编辑，原生 RGBA 透明通道+10 张参考图，Qwen-Image-Bench 开源第一（60.28 分）

指标同步中，请稍后刷新查看在 GitHub 查看源码

5 分钟上手

消费级 GPU（8-12GB 显存）可运行；推荐 16GB+ 显存获得最佳体验

# Hugging Face 加载
from transformers import AutoModel
model = AutoModel.from_pretrained("Qwen/Qwen-Image-2.1")
# 默认输出 2048×2048，40 步推理
# 生成透明图：prompt 中自然描述即可，模型自动判断输出 RGBA

项目速览

Qwen-Image-2.1 是阿里巴巴通义千问团队于 2026 年 9 月 20 日开源的新一代统一图像模型（Qwen Research License），将文生图与图像编辑整合在同一框架中。视觉生成部分采用 32 层 Single-Stream DiT 架构，仅 7B 参数，配合 Qwen3-VL 8B 文本编码器和 64 通道 RGBA VAE，原生输出 2048×2048 分辨率（40 步推理），支持透明通道 RGBA 图像生成。

在 Qwen-Image-Bench 公开评测中取得 60.28 分，位列开源模型第一，超过 Nano Banana 2.0（59.82）和 GPT Image 1.5（59.65）。模型核心创新包括：混合粒度注意力结构降低推理开销、KV Cache 复用加速多图编辑场景、原生透明通道 VAE 支持设计稿图层交付。已同步开源到 Hugging Face、ModelScope 和 GitHub。

能做什么

文生图：从文本描述生成高质量图像，原生支持 2048×2048 分辨率和 7 种宽高比预设
透明图生成：自动判断输出普通图像或带 RGBA 透明通道的图像，支持透明图层文字编辑
多参考图合成：最多 10 张参考图输入，多主体融合与群像合成，人物/商品特征一致性保持
局部编辑：圈选、涂抹、独立掩码三种方式，仅修改指定区域不影响画面其他部分
KV Cache 复用：多图编辑场景下推理效率显著提升

怎么部署

模型权重已发布在 Hugging Face（Qwen/Qwen-Image-2.1）、ModelScope 和 GitHub（QwenLM/Qwen-Image-2.1）。可通过 Hugging Face Transformers 或 Diffusers 加载，支持 vLLM 等推理框架。权重采用 Qwen Research License，商用需单独向阿里云企业侧申请授权。