Qwen-Image-2.1：打破透明背景壁垒的 7B 图像模型
在开源图像模型领域，生成带有透明背景（Alpha 通道）的图像往往需要额外的抠图工具或复杂的后处理流程。阿里巴巴 Qwen 团队于 2026 年 9 月 20 日发布的 Qwen-Image-2.1，旨在通过架构创新解决这一痛点，将图像生成与编辑能力高度统一，并原生支持 RGBA 输出。
核心突破：原生 RGBA 与统一架构
Qwen-Image-2.1 最显著的特性是其原生透明背景支持。不同于大多数开源模型仅输出 RGB 图像，Qwen-Image-2.1 能够根据提示词直接生成包含 Alpha 通道的 RGBA 图像。这意味着设计师可以直接生成用于 UI 设计、图标或产品 mockup 的素材，无需再经过单独的背景移除（Matting）步骤。
该模型采用“紧凑且统一”的设计理念，将原本需要两个独立模型完成的任务（生成 + 编辑）压缩进单一的 70 亿参数检查点（Checkpoint）中。
关键技术特性
- 原生透明生成与编辑：支持从文本生成透明图像，也能从 RGB 图像中提取主体为透明图层。这对于制作 Sprite、Logo 或产品切图至关重要。
- 多参考图编辑：单次编辑可接受多达 10 张参考图像，支持通过圆圈、画笔标注或掩码（Mask）指定编辑区域，并在修改中保持人物或产品身份的一致性。
- 本地化运行能力：基于 Diffusion-Transformer 架构，仅需 7B 参数，可在单张 RTX 3090/4090 级消费级显卡上流畅运行。
性能指标与架构细节
Qwen-Image-2.1 在保持高性能的同时，对硬件资源进行了极致优化。
| 指标 | 详情 |
|---|---|
| 模型规模 | 70 亿参数 (7B) |
| 输出分辨率 | 原生 2K (最高 2048x2048) |
| 推理速度 | RTX 4090 (24GB) 下，1024x1024 生成约 18.7 秒，编辑约 21.7 秒 |
| 显存占用 | 峰值约 22.7 GB |
| 架构组件 | 32 层单流 DiT + Qwen3-VL 8B 视觉语言编码器 + 64 通道 RGBA VAE |
在架构层面，模型采用了混合粒度注意力机制和前缀 KV-Cache 复用技术，进一步提升了推理效率。其视觉生成部分由 32 层单流 DiT 构成，配合 Qwen3-VL 8B 作为视觉语言编码器处理提示词，最终通过 64 通道 RGBA VAE 进行空间压缩与解码。
生态落地与使用方式
Qwen-Image-2.1 的权重已发布在 Hugging Face 和 ModelScope，代码托管于 GitHub。目前，ComfyUI、Diffusers 和 vLLM 均提供了 Day-0 支持，开发者可迅速将其集成到现有工作流中。
对于商业开发者而言，虽然该模型目前遵循“Qwen Research License”（仅限非商业用途），但其强大的功能使其成为构建本地化 AI 创意工具的理想基座。与依赖 API 的封闭模型不同，Qwen-Image-2.1 赋予了开发者完全的数据主权和部署灵活性。
"Qwen-Image-2.1 是 Qwen 系列中最平衡且最具成本效益的成员。它不仅仅是一个模型，更是将图像生成与编辑能力统一在单一检查点中的实用工具。"
随着独立第三方基准测试结果的出炉，Qwen-Image-2.1 有望在开源图像模型领域引发新的讨论，特别是在透明背景资产生成这一细分赛道上确立其领先地位。
