2026 年 9 月 21 日——阿里通义千问团队于 9 月 20 日开源图像模型 Qwen-Image-2.1，将文生图与图像编辑整合在同一模型中，视觉生成部分仅 7B 参数，原生支持透明（RGBA）图像的生成与编辑，权重与代码同步上架 Hugging Face 与 ModelScope。

官方模型卡称，Qwen-Image-2.1 是千问图像系列当前兼顾生成效果、推理效率与使用成本的开源图像模型。从系列沿革看，初代 Qwen-Image 于 2025 年 8 月发布，采用 20B 参数 MMDiT 架构；Qwen-Image-2.0 于 2026 年 2 月 10 日推出（据 CyberQ 整理的发布时间线）。2.1 版将生成侧参数量从 20B 降至 7B，本地部署门槛随之下降。

1. 官方发布要点

据官方模型卡，本次更新聚焦四个方向：

方向 具体内容
轻量高效 混合粒度注意力机制，配合前缀 KV 缓存复用，条件图像与文字指令仅在首个去噪步骤计算一次，后续步骤直接复用缓存，多参考图编辑任务加速明显
原生透明通道 支持由文字直接生成普通图像或 RGBA 透明图像，可编辑透明图层、从照片中提取主体
多样化编辑 最多支持 10 张参考图，可通过圈选、涂鸦标注或独立遮罩指定局部编辑范围，保持人物与商品一致性；官方展示案例包括用 6 张个人肖像合成合影、用模特与服饰共 5 张参考图组装完整穿搭
质感与美学 官方表示文字排版、人像光影与细节表现均有改善

2. 技术架构与规格

据官方 GitHub 仓库说明，Qwen-Image-2.1 采用单流 DiT 架构，文本使用 token 级因果掩码，图像使用块级双向掩码，该设计是前缀 KV 缓存得以成立的关键。

项目 规格
Transformer 32 层单流 DiT，7B 参数，块因果注意力
文本编码器 Qwen3-VL 8B，同时编码文字指令与条件图像
VAE 64 通道 RGBA 自编码器，空间压缩 16 倍
调度器 Flow Matching，Euler 离散调度与动态位移
默认输出 2048 × 2048，40 步去噪，原生 2K 分辨率
推荐长宽比 7 种，含 4:3、3:2、16:9 及对应竖版（16:9 对应 2752 × 1536）
参考图上限 10 张
提示词改写模型 两个 Qwen3.5-VL 9B 微调检查点（PE-T2I 对应文生图、PE-I2I 对应图像编辑）

3. 首日生态支持

据官方仓库整理，Diffusers 以 QwenImage21Pipeline 提供首日支持，单条管线同时处理文生图与图像条件生成；ComfyUI 原生支持并随附文生图与图像编辑两份示例工作流；vLLM-Omni 提供前缀 KV 缓存、CUDA Graph、FP8 量化与 TP/Ulysses 并行，并暴露 OpenAI 兼容的 /v1/images/generations 接口；SGLang 与 LightX2V 同步提供首日推理与加速方案。硬件侧，AMD Radeon GPU 可经 ROCm 运行，FlagOS 软件栈释出 8 种芯片平台的预建镜像与权重；ModelScope 基于 DiffSynth-Studio 提供下载、在线生成与 LoRA 训练；wuli.art 面向中国大陆用户提供全部功能的免费体验入口。

4. 许可证改为研究许可，商用需另行申请

官方 README 显示，本次仓库采用 Qwen Research License Agreement。据 CyberQ 对授权全文的解读，该协议仅允许非商业的研究与评估用途，商业使用需另行向官方申请授权；使用模型或其输出训练、微调其他对外发布的模型时，须在产品文档中标注 "Built with Qwen" 或 "Improved using Qwen"。对比初代 Qwen-Image 采用的 Apache 2.0 许可证，2.1 的授权条件明显收紧。

5. 分析与判断：开源之名，商用之槛

模型本身的工程进步值得肯定：7B 单流 DiT、原生 RGBA 通道、10 张参考图合成与首日全生态支持，都是实打实的工作。但在许可证这一步，本文认为千问团队做得有些过分，理由有四。

其一，名实落差。官方 README 第一句话是 "We are excited to open-source Qwen-Image-2.1"，各路通稿也以"开源"传播，而 Qwen Research License 仅允许非商业研究与评估，并不符合 OSI 对开源的定义——以开源叙事收获声量，再用许可条款把商用权利收回去，名实不符。

其二，对自家生态断崖式收紧。初代 Qwen-Image 采用 Apache 2.0，社区一年多来建立的商用工作流、插件与下游产品都以可商用为前提。本次发布却首日铺开 ComfyUI、vLLM、SGLang 支持，ModelScope 同步提供 LoRA 训练入口，引导创作者与团队投入，转头用研究许可把这些投入锁死在"内部评估"——生态拉得越广，被许可卡住的人越多。

其三，横向对比之下退步更明显。据各官方模型页标注：FLUX.1-dev 虽为非商用许可，但黑森林实验室同步提供 Apache 2.0 的 FLUX.1-schnell；SDXL 采用允许商用的 OpenRAIL 系列许可；HiDream-I1 直接采用 MIT；千问自家初代也是 Apache 2.0。2.1 在商用友好度上从最开放的一档退到最严格的一档，且没有同步提供任何可商用的替代版本。

其四，隐性门槛层层叠加。官方宣传"兼顾使用成本"，但 7B 只是生成组件，复现官方展示品质还需搭配 8B 文本编码器与 9B 提示词改写模型，全 bf16 管线权重约 31.7GB（据 CyberQ 按 Comfy-Org 权重文件估算），商用还要逐家洽谈授权。

本文的判断是：防止套壳、保护 3.0-Pro 云端产品线，这些动机可以理解，但把收紧的成本转嫁给投入最早的社区并不厚道。与"开源"宣传相称的做法，是恢复 Apache 2.0，或至少同步释出一个可商用版本。在此之前，建议商用团队将 2.1 仅用于内部评估，产线上线前先落实授权；社区使用者也应留意自行训练的 LoRA 成果同样落在非商业边界之内。