# Qwen-Image-2.1 レビュー

> Qwen-Image-2.1 レビュー。ネイティブ2K・RGBA透過画像・画像編集・ベンチマーク・必要VRAM・ComfyUI導入・商用ライセンスを検証します。

- Canonical HTML: https://omniakey.com/ja/blog/qwen-image-2-1-review
- Markdown: https://omniakey.com/ja/blog/qwen-image-2-1-review.md
- Published: 2026-09-21 (updated 2026-09-21)
- Author: Kiki, COO at OmniaKey
- Language: ja
- Category: Guide
- Reading time: 14 min
- All posts: https://omniakey.com/blog/llms.txt

---

この **Qwen-Image-2.1 レビュー** の結論は明快です。ネイティブRGBA出力と、生成・編集を1本にまとめたパイプラインは珍しく実用的です。一方、公開ウェイトは非商用の研究ライセンスで、主要ファイルだけでも約33.1 GBあります。「7BだからRTX 3090で簡単に動く」とは言えません。

透過商品素材、ステッカー、被写体抽出、複数参照画像の合成を研究するなら有力です。商用画像サービスへそのまま採用する前には、別途ライセンスとハードウェア設計が必要です。

> **2026年9月21日に事実確認。** 公式発表、リポジトリ、Hugging Faceのファイル、ライセンス、Diffusers/ComfyUI手順、vLLM-Omniレシピ、Qwen公式ベンチマーク、独立系GenAI Image Showdownを確認し、公式サンプル4点の原本も調べました。公開Hugging Face Demoは混雑中で独自生成が完了しなかったため、本稿は証拠ベースの初期レビューであり、独自ベンチマークを名乗るものではありません。公式ギャラリーは選別済みのベンダーサンプルです。

## Qwen-Image-2.1 レビュー：要点

|質問|確認できた答え|
|-|-|
|何のモデルか|テキスト画像生成と画像編集を統合した `Qwen/Qwen-Image-2.1`|
|中核構成|7Bビジュアル生成器、32層Single-Stream DiT、Qwen3-VL 8Bエンコーダー|
|解像度|ネイティブ2K、公式Diffusers既定値は `2048x2048`|
|透過|4チャンネルRGBAの生成・編集にネイティブ対応|
|参照画像|公式パイプラインは最大10枚、現行vLLM-Omniは4枚|
|サンプリング|公式Diffusers例は40ステップ|
|ローカル容量|エンコーダー、Transformer、VAEで約33.1 GB（実行時オーバーヘッド前）|
|ライセンス|Qwen Research License、非商用の研究・評価のみ|
|OmniaKey|2026-09-21時点でカタログ未掲載|

試す最大の理由は順位ではなく、**本物のアルファ透過、最大10枚の参照、ローカル編集**の組み合わせです。すぐ本番採用しない理由も、ライセンス、メモリ、独立評価の少なさと具体的です。

## Qwen-Image-2.1とは

Qwen-Image-2.1は **2026年9月20日** に公開されました。テキスト画像生成、単一画像編集、複数画像合成、マスク、描画指示、透過切り抜きを同じパイプラインで処理します。

「7B」は画像生成部のみを指し、読み込む全体の規模ではありません。

- 画像生成器：7Bパラメータ、32層Single-Stream DiT。
- 条件エンコーダー：プロンプトと参照画像を読むQwen3-VL 8B。
- VAE：64チャンネル潜在表現、16倍空間圧縮、4チャンネル入出力。
- 統合タスク：RGB/RGBA、生成、編集を1モデルで扱う。

Diffusersの `QwenImage21Pipeline`、ComfyUI、vLLM-Omni、SGLang、LightX2Vが公開初日に対応しました。ただし上限はランタイムごとに異なります。Diffusersの公式構成は10参照を示しますが、現行vLLM-Omniは5枚目を拒否します。

Qwen 4 をお探しですか。Qwen の言語モデルの次世代で、Qwen-Image-2.1 とは別のモデルです。Alibaba は2026年9月22日、学習中だと発表しました。確認済みのことは [Qwen 4 のリリース日](https://omniakey.com/ja/blog/qwen-4-release-date)で追っています。

## 公式サンプルを実ファイルで確認

### 文字組み

ポスター例は指定された英語2行を正しく描き、字形、階層、間隔も最初の候補として十分でした。ただし、選別された英語1例から多言語タイポグラフィの安定性までは証明できません。

### 6コマのストーリーボード

出力は正確に6コマで、小型ロボットの見た目も各コマで認識できる程度に保たれました。コマ数と人物一貫性には良い兆候ですが、詳細な物語連続性には複数シードの試験が必要です。

### 商品素材と透過PNG

ガラス製品の例は屈折、ハイライト、表面分離が説得力のある仕上がりでした。透過サンプルの原本は **1664x2496のRGBA PNG** で、アルファ値は **0〜255**。チェッカーボードを描いただけのRGBではなく、完全透過と完全不透過の画素を持っています。

研究用途限定ライセンスのため、本ページでは公式画像を再配布せず、公式ギャラリーへリンクして検証可能な属性だけを記載します。

## Qwen-Image-2.1のベンチマーク

Qwenの公開チャートでは、Qwen-Image-Benchで **60.28** です。公式評価内での競争力は示しますが、ベンチマークと集計、評価系はいずれも公開元によるものなので、独立ランキングではありません。

独立系 **GenAI Image Showdown** は、編集・インペイントを禁止した15件の難しいプロンプト遵守課題を評価しています。

|モデル|合格タスク|Compliance|
|-|-:|-:|
|OpenAI GPT-Image 2|12 / 15|98%|
|Ideogram 4|8 / 15|63%|
|Qwen-Image-2.1|7 / 15|67%|
|初代Qwen-Image|4 / 15|68%|

2.1は合格数を4から7へ伸ばしましたが、別指標のcomplianceは68%から67%です。指標が違うので矛盾ではありません。この小規模試験では初代より改善したものの、複雑な指示追従で最上位のクローズドモデルには届いていない、と読むのが妥当です。

公式60.28と独立7 / 15は、課題も採点も違うため合算できません。

## ネイティブ2K、RGBA、画像編集

公式Diffusersの既定は `2048x2048`、40デノイズステップです。推奨サイズは1:1の `2048x2048`、4:3の `2400x1792`、3:4の `1792x2400`、16:9の `2752x1536`、9:16の `1536x2752` などです。

ネイティブ2Kは生成キャンバスを示すだけで、小さい文字、物体数、意味的な細部が必ず正しくなるという意味ではありません。解像度と指示追従は別に評価すべきです。

編集は最大10枚の参照、人物・商品の同一性保持、丸や塗りによる局所指示、別マスク、被写体抽出、透過レイヤー編集を対象にします。透過画像ではプロンプトにRGBA、アルファチャンネル、透明背景を明記し、PNGで保存します。JPEGはアルファを保持できません。

## Qwen-Image-2.1の必要VRAM

公式Hugging Faceの構成ファイルは次の規模です。

|コンポーネント|およその保存サイズ|
|-|-:|
|Qwen3-VLテキスト/視覚エンコーダー|17.5 GB|
|DiT Transformer|14.2 GB|
|RGBA VAE|1.4 GB|
|合計|33.1 GB|

保存サイズとピークVRAMは同じではありませんが、公式BF16 `.to("cuda")` を24 GBへ素直に載せる構成ではありません。vLLM-OmniがNVIDIA GB300 1基、`1024x1024`、40ステップで測った値は次の通りです。

|構成|ピークメモリ|1枚の時間|
|-|-:|-:|
|BF16|34.0 GB|3.28-4.49秒|
|DiT FP8、`img_mlp`はBF16|32.0-32.7 GB|3.36-4.71秒|
|テキストエンコーダーFP8|27.5-28.1 GB|3.43-4.77秒|

これは **GB300** の1024px測定で、RTX 3090/4090や既定2Kの測定ではありません。FP8は主にメモリを減らし、この試験では高速化していません。24 GBでも量子化、CPUオフロード、VAE tiling、ComfyUIのコミュニティ構成で動く可能性はありますが、手軽な標準構成とは扱えません。

## Diffusersでのローカル導入

公開初日の手順はDiffusersをGitから導入します。再現性のため、仮想環境と検証済みcommitの固定を推奨します。

```bash
python -m pip install "torch>=2.4.0" "transformers>=5.17" accelerate pillow
python -m pip install git+https://github.com/huggingface/diffusers
```

```python
import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1",
    torch_dtype=torch.bfloat16,
).to("cuda")

image = pipe(
    prompt='A museum poster that reads "NATIVE RGBA", precise typography',
    width=2048,
    height=2048,
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]

image.save("qwen-image-2-1.png")
```

複数参照編集は `image=[...]` を渡します。シード、完全なプロンプト、ランタイムcommit、精度、解像度、ステップ数を保存しない比較は再現できません。

### ComfyUI対応

ComfyUIには公開初日からネイティブ対応と公式の生成・編集workflow JSONがあります。視覚的な試行やオフロード系ワークフローには扱いやすく、制御したPython評価にはDiffusersが向きます。vLLM-Omni/SGLangはサービング、バッチ、キャッシュ、FP8向けです。40ステップを明示し、各ランタイムの参照上限を確認してください。

## ライセンスと商用利用

**公開ライセンスのままでは商用利用できません。** Qwen Research LicenseはNon-Commercialを研究・評価のみに定義し、素材の利用、改変、配布を非商用目的に限定して許諾します。

|用途|公開ライセンス上の扱い|
|-|-|
|社内研究・評価|契約条件に従い許可|
|ウェイトや派生物の再配布|非商用範囲と表示条件に従う|
|有料製品・商用サービス|別の商用ライセンスが必要|
|問い合わせ|`model-business@notice.qwencloud.com`|

ダウンロード可能であることはApache-2.0や自由な商用利用を意味しません。販売用アセットや有料サービスで使う場合は、公開記事の「open-source」という表現から権利を推測せず、書面の商用条件と法的助言を得るべきです。

## 使うべき人、待つべき人

透過工程を省きたい研究、複数の人物・商品・スタイル参照、生成と編集を1モデルで試したい場合、32 GB以上のGPUまたは量子化/オフロードを受け入れられる場合に向きます。

商用許諾前、有効な24 GB・2K構成が必須、厳密な指示追従が最優先、多言語文字の成熟データが必要、または今すぐOmniaKey管理APIが必要なら待つべきです。

現在カタログにある画像APIを比較する場合は、[Nano Banana 2とProの比較](https://omniakey.com/ja/blog/nano-banana-2-vs-pro-review)を参照してください。実際の提供状況は[モデルカタログ](https://omniakey.com/ja/models)が正本です。ローカルでモデルを動かしたくない場合は、[AI 画像ジェネレーター](https://omniakey.com/ja/ai-image-generator)でホストされているQwen Image 3を利用できます。

新しい Qwen Image 3 Pro は、GPT Image 2 との[5つのプロンプトでの比較](https://omniakey.com/ja/blog/qwen-image-3-pro-vs-gpt-image-2)で結果と1枚あたりのコストまで扱っています。

## このレビューの限界

独自生成は公開Demo混雑で完了していません。視覚所見は4つの公式選別サンプルです。独立比較は15件のテキスト画像生成だけで、編集・透過を測りません。性能値はGB200/GB300由来で、消費者向けRTXではありません。また、本稿は技術分析であり法律助言ではありません。

## よくある質問

### Qwen-Image-2.1はオープンソースですか？

コードとウェイトは公開され、Qwenもopen-sourceと呼んでいます。ただしウェイトは商用を制限するQwen Research Licenseです。「自由なオープンソース」より「公開ウェイトの研究ライセンス」と表現する方が正確です。

### Qwen-Image-2.1に必要なVRAMは？

主要ファイルは約33.1 GBです。GB300のvLLM-Omni測定はBF16で34.0 GB、テキストエンコーダーFP8で27.5-28.1 GBでした。解像度、精度、オフロード、ランタイム、GPUで変わります。

### RTX 3090や4090で動きますか？

公式の完全BF16 `.to("cuda")` は24 GBに収まりません。量子化やオフロードで動く可能性はありますが、公開時点の公式証拠は消費者GPUの速度やネイティブ2K安定性を保証しません。

### ComfyUIに対応していますか？

はい。公開初日にネイティブ対応と公式のテキスト画像生成・画像編集ワークフローが提供されました。

### 参照画像は何枚までですか？

公式Diffusersは最大10枚、現行vLLM-Omniは4枚です。実際に使うランタイムの上限を確認してください。

### 商用利用できますか？

公開Qwen Research Licenseは商用利用を許諾しません。`model-business@notice.qwencloud.com` へ別途ライセンスを問い合わせ、用途に応じた法的確認を行ってください。

### OmniaKeyで利用できますか？

2026年9月21日時点では利用できません。OmniaKeyにはQwen Image 3系が掲載されていますが、`Qwen/Qwen-Image-2.1` はありません。本稿は提供開始の告知ではありません。

## 一次情報

- [Qwen公式発表](https://qwen.ai/blog?id=qwen-image-2.1)
- [公式リポジトリとQuick Start](https://github.com/QwenLM/Qwen-Image-2.1)
- [Qwen Research License](https://github.com/QwenLM/Qwen-Image-2.1/blob/main/LICENSE)
- [Hugging Faceモデルファイル](https://huggingface.co/Qwen/Qwen-Image-2.1)
- [ComfyUIテキスト画像生成workflow](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_qwen_image_2_1_t2i.json)
- [ComfyUI画像編集workflow](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_qwen_image_2_1_image_edit.json)
- [vLLM-Omniレシピ](https://recipes.vllm.ai/Qwen/Qwen-Image-2.1)
- [Qwen-Image-Bench](https://github.com/QwenLM/Qwen-Image-Bench)
- [独立GenAI Image Showdown](https://genai-showdown.specr.net/)

_証拠は2026-09-21に確認しました。ランタイム、上限、ライセンス選択肢は変わるため、本番判断前に一次情報を再確認してください。_