Qwen-Image-2.1 能生成透明图像，编辑最多可参考 10 张图

透明度解决的问题

设想一个小团队，在做贴纸生成器、带生成精灵图的游戏，或者需要商品抠图的网店。他们已经生成了几个月的图，每张图在流水线末端都有同一个问题：背景。模型把一个人、一条龙或一双运动鞋画在背景上，然后得有人把它抠出来。这一步要么是第二个模型，要么靠手工，而且恰恰在最难看的地方出错，比如头发、玻璃和柔和的阴影。这是一个用来说明的设想，并不指任何真实的公司，但做过这类流水线的人都会认出它。

Qwen-Image-2.1 在 9 月中旬发布到 Hugging Face，直指这条接缝。它的模型卡介绍说，这是一个统一的文生图和图像编辑模型，视觉生成部分有 7B 参数，由 32 层单流 DiT 构成。作者列出的四项改进里，第二项是会改变流水线的：原生透明度。据模型卡说，你可以用文字生成普通图像或透明（RGBA）图像，编辑透明图层，并从照片中提取主体，全部在一个模型里完成。

模型卡里怎么要透明度

页面上最有用的一句话是一个提示词模板，没有一点营销味。模型卡的透明图像示例写的是：“This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent.” 卡里把它描述为透明图像的推荐提示词格式，示例要求输出 2048×2048，推理 40 步。实际使用时，这告诉你模型没有开关可拨。你用文字来请求透明度，提示词开头的那句话和结尾关于 alpha 通道的说明，都是约定的一部分。

这个设计带来的后果很明确。用提示词做开关很灵活，同一条流水线可以生成两种图像；它也有提示词一贯的脆弱之处：如果团队会改写用户的提示词、追加风格后缀或者做翻译，透明度的请求可能在没人察觉时就被破坏了。如果你采用这个模型，请把这个模板当作固定的前缀和后缀，并测试用户自己的措辞挤进来时会怎样。

编辑：参考图、蒙版和标注

宣传的后半部分是编辑。模型卡说模型最多支持 10 张参考图，局部编辑可以用圆圈、手绘标注或单独的蒙版来指定，并能保持人物和商品的身份一致。它的展示里有一张由六张人像参考图生成的合影，以及一张原生透明图像；编辑示例则刻意做得很简单：传入一张输入图，提示词是“Change the background to a sunset beach”，40 步。

身份保持是我们最想重点测试的说法，而模型卡没有给出这方面的任何测量。说一个模型能让人脸或商品保持一致很容易，要在十张输入、三种姿势和不同背景下做到却很难。如果你的用途是商品图，要找的失败都很细小：漂移的标志、改了拼写的标签、针脚花纹稍有偏差。这些错误，顾客看得出来，展示图里却看不到。

输入的处理方式，也关系到编辑在哪里完成这个实际问题。模型卡的编辑代码把输入转成图像，与提示词一起传入，用的是处理生成的同一条流水线，不需要另外加载编辑模型。对小团队来说，这是实打实的简化：一个检查点、一个流水线类、一份内存预算。

周边的数字

有几个具体数字值得留意。支持的宽高比以预设形式列出：1:1 为 2048×2048，4:3 为 2400×1792，3:4 为 1792×2400，3:2 为 2528×1696，2:3 为 1696×2528，16:9 为 2752×1536，9:16 为 1536×2752。按此前开放模型的标准，这些图像很大，模型卡在内存预算紧张时建议使用 enable_model_cpu_offload。卡里没有给出显存数字，所以稳妥的做法是在你打算部署的显卡上实测，不要从参数量去推断。检查点以 BF16 存储。

安装说明和它那个更快的兄弟有同样的尖锐之处。模型卡要求 torch 2.4.0 或更高版本、transformers 5.17 或更高版本、accelerate 和 pillow，并从源码仓库安装 Diffusers。如果你在搭建服务，这意味着要锁定某个 Diffusers 提交，并留意这项改动何时进入正式发布。更快的 Turbo 检查点，我们在关于它八步调度的文章里谈过，有同样的依赖。

关于使用情况，页面显示有 100 个 Spaces 在使用这个模型，大致能看出有多少人试过，却看不出他们用起来效果如何。

怎样看那些展示图

模型卡的展示部分恰好有两张带说明的图：原生透明图像生成，以及由六张人像参考图生成的合影。两者都是为了展示最醒目的功能而挑的，展示本来就是这个用途，而且都只是单次结果，不是成功率。由六张参考图生成合影，是对多参考图合成的有力演示，因为它要求在一个画面里同时保持六个人的身份，但它完全看不出模型把六个人都做对的频率。把这些图片当成功能至少成功过一次的证据，然后用你自己的测试集去弄清它有多常成功。“能做到”和“通常做得到”之间的差别，就是演示和依赖之间的全部区别。

再说许可证

这个模型采用 Qwen Research License Agreement。我们没有概括这份协议，因为我们没有解析它对商业使用的条款；实际建议和任何研究许可的模型一样：在出售任何依赖它的东西之前，先读协议。“权重可以下载”和“你可以把它用在付费产品里”，是两回事。

信任之前我们会测什么

一份简短的清单，按每一项出问题的可能性排序。第一，边缘：在透明背景上渲染一组带有头发、皮毛、玻璃和半透明材质的主体，并把它们放在深色、浅色和饱和的彩色背景上查看；毛边马上就会显现。第二，跨编辑的身份保持：取一张商品或人像照片，做五种不同的编辑，对比细节。第三，提示词的稳健性：把透明度模板套进你的产品会添加的各种前缀和后缀里，看 alpha 通道能否保留。第四，在你实际的硬件和实际分辨率上，开启和关闭 CPU 卸载，测内存和耗时。这些测试在模型卡里一个都没有，每一项回答的都是模型卡回答不了的问题。

我们的看法

如果你在做设计工具，原生 alpha 加上基于蒙版的编辑是最有意思的组合，因为它把多个工具的步骤合并成了一步。目录里思路最接近的条目，是先搭好构图再由模型渲染的工具，例如 ArtCraft，以及处在素材下游使用环节的设计工具，如 Figma。不过模型卡只是一份承诺，称不上测试。更快的检查点用步数换速度，基础模型用速度换保真度。你要哪一个，取决于你的用户是在等一张图，还是从很多张里挑选。

这个图像模型旁边的语言模型产品线，写在 Qwen 模型发布时间线 上。

继续阅读

全部文章按时间倒序排列在 Front 博客首页。

• Qwen Image 2.1 Turbo 的八步去噪: Qwen Image 2.1 Turbo 如何把步数降到八步。
• Blender 与 Spline: 面向浏览器内 3D 的一对一比较。
• Humanizer 12B：它的说法有多可信: 关于 Humanizer 12B 本地模型的说法，哪些经得起来源的检验。
• Meta Muse Spark Open 时间线: Meta Muse Spark Open 发布的带日期时间线。
• Qwen 模型发布时间线: Qwen 从 Qwen-7B 到 Qwen3-Coder，含许可与上下文。

常见问题

来源

• Qwen/Qwen-Image-2.1 model card
• Qwen/Qwen-Image-2.1-Turbo model card