# Qwen-Image-2.1 测评

> Qwen-Image-2.1 测评：核对原生 2K 生图、RGBA 透明图、图像编辑、跑分、显存需求、ComfyUI 安装与商用许可限制。

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

---

这篇 **Qwen-Image-2.1 测评** 的结论很明确：它是一款技术上很有意思的开放权重 7B 生图模型，原生 RGBA 透明图和统一的生成/编辑管线是最突出的优势；但它不是可以无条件商用的“开源模型”，完整权重约 33.1 GB，也不能简单说成“RTX 3090 轻松运行”。

如果你要研究透明商品素材、贴纸、抠图或多参考图合成，它值得测试。如果你要直接放进收费产品，则应先解决独立商用许可和部署硬件问题。

> **事实核查于 2026 年 9 月 21 日。** 我们核对了官方发布文章、仓库、Hugging Face 文件、许可证、Diffusers/ComfyUI 文档、vLLM-Omni 实测、Qwen 官方基准图和独立 GenAI Image Showdown；还下载检查了 4 个官方原始样例。公开 Hugging Face Demo 当时繁忙，自定义生成没有完成，因此本文是基于证据的首发评测，不冒充第一手大样本实测。官方画廊属于厂商精选样例。

## Qwen-Image-2.1 测评：先看结论

|问题|核实结果|
|-|-|
|模型是什么|文生图与图像编辑统一模型，ID 为 `Qwen/Qwen-Image-2.1`|
|核心架构|7B 视觉生成器、32 层 Single-Stream DiT、Qwen3-VL 8B 编码器|
|分辨率|原生 2K；官方 Diffusers 默认 `2048x2048`|
|透明图|原生四通道 RGBA 生成与编辑|
|参考图数量|官方管线最多 10 张；当前 vLLM-Omni 实现最多 4 张|
|默认采样|官方 Diffusers 示例为 40 步|
|本地体积|编码器、Transformer 与 VAE 权重约 33.1 GB，尚未计运行开销|
|商用许可|Qwen Research License，仅授予非商业研究/评估用途|
|OmniaKey 可用性|截至 2026-09-21 未进入 OmniaKey 模型目录|

最值得测的不是榜单名次，而是 **真 Alpha 透明通道 + 10 张参考图 + 局部编辑** 这一组能力。最不能忽略的也不是画质，而是许可证、显存和目前仍有限的独立评测。

## Qwen-Image-2.1 是什么模型？

Qwen 于 **2026 年 9 月 20 日**发布 Qwen-Image-2.1。它用同一套管线完成文生图、单图编辑、多图合成、遮罩编辑和透明素材提取，不需要另载一个编辑模型。

“7B”只指视觉生成部分，并不代表整个推理管线只有 7B：

- 视觉生成器有 7B 参数和 32 层 Single-Stream DiT；
- 提示词与参考图由 Qwen3-VL 8B 文本/视觉编码器共同处理；
- VAE 使用 64 通道潜空间、16 倍空间压缩和四通道输入输出；
- RGBA、普通 RGB、生成和编辑共用一套模型。

首发当天，Diffusers 的 `QwenImage21Pipeline`、ComfyUI、vLLM-Omni、SGLang 和 LightX2V 都给出了支持。不过“模型最多 10 张参考图”不等于每个运行时都支持 10 张：当前 vLLM-Omni 会拒绝第 5 张条件图。

如果你在找 Qwen 4：它是千问下一代语言模型，和 Qwen-Image-2.1 不是一回事。阿里 2026 年 9 月 22 日说它正在训练，官方确认了什么见我们的 [Qwen 4 发布时间](https://omniakey.com/zh/blog/qwen-4-release-date)。

## 官方样例实际说明了什么

我们直接检查了官方原始文件，而不是只看网页缩略图。

### 英文排版

官方海报样例正确生成了提示词要求的两行英文，字形、层级和间距足以成为可继续修改的候选图。但一个精选英文海报不能证明多语言文字在不同种子下都稳定。

### 六格分镜

分镜图恰好有 6 格，小机器人在各格中保持了可辨认的一致性。它说明模型能处理“固定格数 + 角色连续性”，但仍需要用重复种子和真实剧本检验细节连贯性。

### 商品材质

玻璃商品样例的折射、高光和材质分层很有说服力，符合官方对真实纹理的描述。它仍然是厂商挑选的发布图，不是盲测。

### 不是棋盘格伪装的真透明 PNG

下载的透明样例是一张 **1664x2496 的 RGBA PNG**，Alpha 通道最小值为 **0**、最大值为 **255**，确实同时包含全透明和不透明像素。这是 2.1 最清晰的差异化能力。

本文不直接转载这些图片。权重和发布资产采用研究用途许可，因此我们链接官方画廊并报告可复查的文件属性。

## Qwen-Image-2.1 跑分怎么看

Qwen 官方发布图给 Qwen-Image-2.1 的 **Qwen-Image-Bench 总分为 60.28**。这个成绩说明它在官方评测框架内竞争力很强，但基准、聚合方式与评测流程都来自模型发布方，不能当成独立排名。

独立的 **GenAI Image Showdown** 给出了更小、也更克制的结果。它包含 15 个高难度提示词遵循任务，允许针对模型调提示词，但禁止补绘与二次编辑。

|模型|通过任务|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 的通过数从 4 提升到 7，而单独计算的 compliance 从 68% 变成 67%。两项指标衡量方式不同，并不矛盾。合理结论是：2.1 在这个小样本里明显优于初代，但复杂指令遵循仍落后于最强闭源模型。

官方 60.28 和第三方 7 / 15 不能合并成一张总榜，它们不是同一批任务，也不是同一种计分方法。

## 原生 2K、RGBA 与多参考图编辑

官方 Diffusers 默认分辨率为 `2048x2048`，默认去噪 40 步。推荐尺寸包括：

|比例|推荐尺寸|
|-|-:|
|1:1|`2048x2048`|
|4:3 / 3:4|`2400x1792` / `1792x2400`|
|3:2 / 2:3|`2528x1696` / `1696x2528`|
|16:9 / 9:16|`2752x1536` / `1536x2752`|

“原生 2K”只说明目标画布，并不自动保证小字正确、物体数量准确或语义细节翻倍。分辨率和提示词遵循是两项不同测试。

编辑侧支持最多 10 张参考图、人物/商品身份保持、圈选或涂画指示、独立 Mask、主体提取和透明图层编辑。生成透明图时，官方建议在提示词中明确写出 RGBA、Alpha 通道和透明背景，并保存为 PNG；JPEG 无法保存透明通道。

## Qwen-Image-2.1 显存需求

官方 Hugging Face 文件能解释为什么“7B 等于 24 GB 随便跑”并不成立：

|组件|序列化体积约为|
|-|-:|
|Qwen3-VL 文本/视觉编码器|17.5 GB|
|DiT Transformer|14.2 GB|
|RGBA VAE|1.4 GB|
|合计|33.1 GB|

文件体积不等于峰值显存，但官方 BF16 `.to("cuda")` 示例显然不是舒适的 24 GB 配置。vLLM-Omni 在单张 NVIDIA GB300、`1024x1024`、40 步上的首发实测如下：

|配置|峰值显存|单图时间|
|-|-:|-:|
|BF16|34.0 GB|3.28-4.49 秒|
|DiT FP8，敏感 `img_mlp` 保留 BF16|32.0-32.7 GB|3.36-4.71 秒|
|文本编码器 FP8|27.5-28.1 GB|3.43-4.77 秒|

这些是 **GB300** 数据，不是 RTX 3090/4090 数据，而且输出只有 1024px，不是默认 2048px。FP8 在该测试里主要节省显存，并没有提速。24 GB 显卡可能通过量化、CPU offload、VAE tiling 或社区 ComfyUI 工作流运行，但这是一项优化工程，不能承诺原生 2K 的速度和稳定性。

## Diffusers 本地安装

首发文档从 Git 安装 Diffusers。生产评估应使用虚拟环境，并固定已验证的 commit：

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

最小生成示例沿用官方 `QwenImage21Pipeline`：

```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")
```

多参考图编辑可传入 `image=[...]`。评测时记录种子、完整提示词、运行时 commit、精度、分辨率和步数，否则不同文章的“画质更好”无法复现。

### ComfyUI 支持

ComfyUI 已在首发日提供原生支持以及官方文生图、编辑工作流 JSON，适合可视化试验和社区 offload 方案。Diffusers 更适合可控 Python 评测；vLLM-Omni 和 SGLang 更偏向服务、批处理、缓存与 FP8。不同运行时默认值不一定相同，应显式发送 40 步并核对参考图上限。

## Qwen-Image-2.1 可以商用吗？

**公开许可证没有授予商用权。** Qwen Research License 把 Non-Commercial 定义为仅用于研究或评估，并只允许在非商业目的下使用、修改和分发材料。

|用途|公开许可证结论|
|-|-|
|内部研究或评估|按协议条件允许|
|再分发权重或衍生版本|受非商业边界和署名等条件约束|
|收费产品或商业服务|需要另行获得商用许可|
|商用联系邮箱|`model-business@notice.qwencloud.com`|

“可以下载权重”不等于 Apache-2.0，也不等于可自由商用。官方文章使用了“open-source”表述，但真正有法律效力的是受限研究许可。计划销售生成素材或把模型接入付费服务的团队，应先取得书面许可和法律意见。

## 谁适合用，谁应该等等

适合评估的场景：原生透明素材能省掉抠图步骤；需要多个人物/商品/风格参考；希望一个本地模型同时完成生成与编辑；有 32 GB 以上显卡或愿意投入量化/offload；用途确实是非商业研究评估。

应该暂缓的场景：尚未拿到商用许可；需要开箱即用的 24 GB 原生 2K 部署；复杂指令遵循比 Alpha 通道更重要；需要成熟的独立可靠性或多语言排版数据；或者今天就需要 OmniaKey 托管的 Qwen-Image-2.1 API。

如果需要当前已上线的图片 API，可以参考 [Nano Banana 2 与 Pro 实测对比](https://omniakey.com/zh/blog/nano-banana-2-vs-pro-review)。[OmniaKey 模型目录](https://omniakey.com/zh/models)才是平台实时可用性的唯一依据。如果不想在本地运行模型，可以在[AI 图片生成器](https://omniakey.com/zh/ai-image-generator)中使用托管运行的 Qwen Image 3。

较新的 Qwen Image 3 Pro 收录在我们与 GPT Image 2 的[同提示词对比](https://omniakey.com/zh/blog/qwen-image-3-pro-vs-gpt-image-2)里，结果和每张图的成本都有。

## 本次测评的限制

1. 公开 Demo 繁忙，自定义生成没有完成。
2. 4 个视觉观察来自官方精选样例，不是盲测或随机种子测试。
3. 独立对比只有 15 个文生图任务，不测编辑和透明图。
4. 显存/速度数据来自 GB200/GB300，不是消费级 RTX。
5. 首发日运行时更新很快，默认值和上限可能变化。
6. 本文是技术分析，不是法律意见。

## 常见问题

### Qwen-Image-2.1 是开源模型吗？

代码和权重可公开下载，官方也称其为 open-source；但权重使用限制商用的 Qwen Research License。更准确的说法是“开放权重、研究用途许可”，而不是“可自由商用的开源模型”。

### Qwen-Image-2.1 需要多少显存？

官方核心文件约 33.1 GB。vLLM-Omni 在 GB300 上测得 BF16 峰值 34.0 GB，文本编码器 FP8 为 27.5-28.1 GB。分辨率、精度、offload、运行时和显卡架构都会改变结果。

### RTX 3090 或 4090 能跑 Qwen-Image-2.1 吗？

官方完整 BF16 `.to("cuda")` 路径放不进 24 GB。通过量化与 offload 可能可以运行，但首发官方证据不能证明消费卡上的速度或原生 2K 稳定性。

### Qwen-Image-2.1 支持 ComfyUI 吗？

支持。ComfyUI 在发布当天提供了原生节点以及官方文生图、图像编辑工作流。

### 最多能用几张参考图？

官方 Diffusers 管线最多 10 张；当前 vLLM-Omni 最多 4 张。部署时应以实际运行时合同为准。

### Qwen-Image-2.1 能商用吗？

公开的研究许可证不授予商业使用。商用许可需联系 `model-business@notice.qwencloud.com`，并针对实际用途咨询法律意见。

### OmniaKey 支持 Qwen-Image-2.1 吗？

截至 2026 年 9 月 21 日不支持。OmniaKey 当前图片目录列出 Qwen Image 3 路线，没有 `Qwen/Qwen-Image-2.1`。本文不构成上线公告。

## 主要来源

- [Qwen 官方发布文章](https://qwen.ai/blog?id=qwen-image-2.1)
- [Qwen-Image-2.1 官方仓库与快速开始](https://github.com/QwenLM/Qwen-Image-2.1)
- [Qwen Research License 原文](https://github.com/QwenLM/Qwen-Image-2.1/blob/main/LICENSE)
- [Hugging Face 模型文件](https://huggingface.co/Qwen/Qwen-Image-2.1)
- [ComfyUI 文生图工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_qwen_image_2_1_t2i.json)
- [ComfyUI 图像编辑工作流](https://github.com/Comfy-Org/workflow_templates/blob/main/templates/image_qwen_image_2_1_image_edit.json)
- [vLLM-Omni Qwen-Image-2.1 实测](https://recipes.vllm.ai/Qwen/Qwen-Image-2.1)
- [Qwen-Image-Bench 仓库](https://github.com/QwenLM/Qwen-Image-Bench)
- [独立 GenAI Image Showdown](https://genai-showdown.specr.net/)

_证据核查时间为 2026-09-21。运行时、限制和许可选项可能变化，生产决策前请重新打开一手来源。_