Обзор Qwen-Image-2.1

Этот обзор Qwen-Image-2.1 показывает интересную модель с открытыми весами и двумя редкими преимуществами: нативным RGBA и единым пайплайном для генерации и редактирования. Но есть и два жестких ограничения: публичные веса распространяются по некоммерческой исследовательской лицензии, а основные файлы занимают около 33.1 ГБ еще до накладных расходов инференса.

Модель стоит оценить для прозрачных товарных изображений, стикеров, выделения объектов и композиций по нескольким референсам. Для коммерческого сервиса или простой установки на 24 ГБ она пока не является очевидным выбором.

Qwen-Image-2.1: краткий вывод обзора

Главная причина протестировать модель — не место в рейтинге, а сочетание настоящего альфа-канала, десяти референсов и локального редактирования. Лицензия, память и малое число независимых проверок не позволяют безоговорочно отправлять ее в продакшен.

Что такое Qwen-Image-2.1

Qwen выпустила Qwen-Image-2.1 20 сентября 2026 года. Генерация по тексту, редактирование одного изображения, композиция по нескольким референсам, маски, нарисованные указания и прозрачное выделение объекта используют один пайплайн.

Обозначение 7B относится только к визуальному генератору, а не ко всему загружаемому стеку:

• визуальный генератор 7B и 32 слоя Single-Stream DiT;
• Qwen3-VL 8B для текста и изображений-референсов;
• VAE с 64 латентными каналами, сжатием пространства 16x и четырьмя каналами ввода/вывода;
• RGB, RGBA, генерация и редактирование в одной модели.

В день релиза поддержку объявили Diffusers QwenImage21Pipeline, ComfyUI, vLLM-Omni, SGLang и LightX2V. Ограничения зависят от среды: официальный Diffusers допускает десять референсов, а текущий vLLM-Omni отклоняет пятое изображение.

Что видно в официальных примерах

Мы проверили оригинальные файлы, а не только миниатюры. Постер правильно воспроизвел обе заданные строки на английском и сохранил понятную типографическую иерархию. Сториборд содержал ровно шесть кадров и узнаваемого маленького робота. На товарном изображении убедительно выглядели преломление стекла и блики.

Прозрачный пример — RGBA PNG размером 1664x2496 с альфа-значениями от 0 до 255. Это реальные прозрачные и непрозрачные пиксели, а не нарисованная шахматная подложка внутри RGB. Именно эта возможность сильнее всего отличает релиз.

Все это отобранные официальные примеры, а не слепой тест. Из-за исследовательской лицензии мы не перепубликуем их, а даем ссылку на галерею и фиксируем проверяемые свойства.

Бенчмарки Qwen-Image-2.1

На графике Qwen модель набрала 60.28 в Qwen-Image-Bench. Это полезное свидетельство поставщика, но не независимый рейтинг: сам бенчмарк, агрегация и оценка принадлежат издателю модели.

Независимый GenAI Image Showdown использует 15 сложных заданий на следование промпту, разрешает адаптировать промпт под модель и запрещает редактирование и inpainting.

Версия 2.1 поднялась с 4 до 7 пройденных задач, хотя отдельная метрика compliance изменилась с 68% до 67%. Противоречия нет: показатели измеряют разное. В этой небольшой проверке 2.1 лучше исходной модели, но не лидирует в сложном следовании инструкциям.

Официальные 60.28 и независимые 7 / 15 нельзя объединить в одну таблицу: наборы заданий и методы оценки различаются.

Нативные 2K, RGBA и редактирование

Diffusers по умолчанию использует 2048x2048 и 40 шагов. Qwen также рекомендует 2400x1792 для 4:3, 1792x2400 для 3:4, 2752x1536 для 16:9 и 1536x2752 для 9:16.

«Нативные 2K» описывают рабочий холст, но не гарантируют идеальный мелкий текст, точное количество объектов или больше смысловых деталей. Разрешение и следование промпту нужно проверять отдельно.

Редактирование поддерживает до десяти референсов в Diffusers, сохранение идентичности людей и товаров, круги и нарисованные подсказки, отдельные маски, выделение объектов и прозрачные слои. Для RGBA Qwen советует явно запросить альфа-канал и прозрачный фон и сохранять PNG. JPEG альфа-канал не сохраняет.

Требования Qwen-Image-2.1 к VRAM

Размер файлов не равен пиковой VRAM, но официальный BF16-путь .to("cuda") не является комфортной конфигурацией на 24 ГБ. vLLM-Omni измерил на одной NVIDIA GB300 при 1024x1024 и 40 шагах:

Это измерения GB300 при 1024px, а не RTX 3090/4090 и не стандартные 2K. FP8 в этом тесте экономил память, но не ускорял генерацию. 24 ГБ могут работать с квантизацией, CPU offload, VAE tiling или сообществом ComfyUI, но это проект оптимизации, а не гарантированная базовая установка.

Локальная установка через Diffusers

Официальный quick start устанавливает Diffusers из Git. Для воспроизводимости используйте виртуальное окружение и закрепите проверенный commit.

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

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")

Несколько референсов передаются как image=[...]. Записывайте seed, полный промпт, commit среды, точность, разрешение и число шагов — иначе сравнение качества невоспроизводимо.

ComfyUI и серверные среды

ComfyUI получил нативную поддержку и официальные JSON-workflow для генерации и редактирования. Он удобен для визуальных экспериментов и offload-схем сообщества. Diffusers прозрачнее для контролируемой Python-оценки; vLLM-Omni и SGLang рассчитаны на serving, batching, cache и FP8. Явно задавайте 40 шагов и проверяйте лимит референсов конкретной среды.

Лицензия и коммерческое использование

Публичная лицензия не предоставляет коммерческих прав. Qwen Research License определяет Non-Commercial как исследования или оценку и разрешает использование, изменение и распространение материалов только для некоммерческих целей.

Возможность скачать веса не означает Apache-2.0 или свободный коммерческий open source. Если планируется продажа изображений или платный сервис, получите письменные условия и юридическую консультацию, а не выводите права из слова «open-source» в анонсе.

Кому модель подходит

Оценка оправдана, если нативная прозрачность убирает этап удаления фона, нужны несколько людей или товаров-референсов, одна локальная модель должна генерировать и редактировать, доступно больше 32 ГБ либо приемлемы квантизация/offload, а задача действительно некоммерческая.

Лучше подождать без коммерческой лицензии, при обязательном plug-and-play 2K на 24 ГБ, при высшем приоритете точного следования промпту, необходимости зрелых данных по многоязычной типографике или управляемого Qwen-Image-2.1 API в OmniaKey уже сегодня.

Для доступного сейчас API изображений изучите сравнение Nano Banana 2 и Pro. Актуальность маршрутов OmniaKey определяет каталог моделей.

Ограничения обзора

Собственная генерация не завершилась из-за загрузки Demo. Визуальные наблюдения основаны на четырех отобранных официальных примерах. Независимый тест содержит лишь 15 задач text-to-image и не измеряет редактирование или прозрачность. Данные оборудования относятся к GB200/GB300, а не потребительским RTX. Это технический анализ, не юридическая консультация.

Частые вопросы

Qwen-Image-2.1 — open source?

Код и веса доступны публично, а Qwen использует термин open-source. Однако веса распространяются по исследовательской лицензии с ограничением коммерции. Точнее говорить «открытые веса с исследовательской лицензией».

Сколько VRAM требуется Qwen-Image-2.1?

Основные файлы занимают около 33.1 ГБ. vLLM-Omni измерил 34.0 ГБ в BF16 и 27.5-28.1 ГБ с FP8 для текстового энкодера на GB300. Результат зависит от разрешения, точности, offload, runtime и GPU.

Работает ли модель на RTX 3090 или 4090?

Не по полному официальному BF16-пути .to("cuda"). Квантизация и offload могут позволить 24 ГБ, но официальные данные релиза не подтверждают скорость или стабильность нативных 2K на этих картах.

Есть ли поддержка ComfyUI?

Да. В день релиза появились нативная поддержка и официальные workflow генерации и редактирования.

Сколько референсов поддерживается?

Официальный Diffusers — до 10, текущий vLLM-Omni — 4. Проверяйте контракт фактически развернутой среды.

Разрешено ли коммерческое использование?

Опубликованная Qwen Research License его не разрешает. Запросите отдельную лицензию по адресу model-business@notice.qwencloud.com и проверьте свой сценарий с юристом.

Доступен ли Qwen-Image-2.1 в OmniaKey?

Нет на 21 сентября 2026 года. В каталоге есть маршруты Qwen Image 3, но нет Qwen/Qwen-Image-2.1. Этот обзор не является анонсом доступности.

Первичные источники

• Официальный анонс Qwen
• Репозиторий и quick start
• Qwen Research License
• Файлы Hugging Face
• ComfyUI text-to-image workflow
• ComfyUI workflow редактирования
• Рецепт vLLM-Omni
• Qwen-Image-Bench
• Независимый GenAI Image Showdown

Данные проверены 2026-09-21. Среды, лимиты и варианты лицензирования могут измениться; перед production-решением снова откройте первичные источники.