Qwen-Image-2.1 samler bilde og redigering i én 7B-modell, men bare til forskning

Vektene kom ut 20. september på Hugging Face og ModelScope. Genereringsdelen består av 32 Single-Stream DiT-lag, og Qwen oppgir blandet granularitet i oppmerksomheten og gjenbruk av prefiks-KV-cache som grunnen til at kvaliteten holder seg ved lav regnekostnad. Modellen kjører nativt i 2K, med 2048 x 2048 som standard og 40 denoising-steg.

To ting skiller den fra forrige generasjon i praksis. Den genererer gjennomsiktige RGBA-bilder direkte, redigerer gjennomsiktige lag og trekker motiver ut av fotografier uten et eget maskeverktøy. Og den tar opptil ti referansebilder samtidig, der du kan peke ut lokale endringer med sirkler, påmalte markeringer eller separate masker. Qwen leverer i tillegg to finjusterte Qwen3.5-VL 9B-sjekkpunkter som skriver om korte prompter til lange, ett for generering og ett for redigering.

Økosystemstøtten kom på dag 0: diffusers med QwenImage21Pipeline, ComfyUI med ferdige arbeidsflyter for både generering og redigering, vLLM-Omni med FP8-kvantisering og CUDA Graph-dekoding, SGLang med prefiks-caching og Cache-DiT, og LightX2V med akselerasjon. Du trenger torch 2.4.0 eller nyere, transformers 5.17 og diffusers fra git.

Haken ligger i lisensfila. Qwen-Image-2.1 er ikke sluppet under Apache 2.0 slik flere andre Qwen-modeller er, men under Qwen RESEARCH LICENSE AGREEMENT, datert 20. september 2026.

«Ikke-kommersiell skal bety utelukkende forsknings- eller evalueringsformål» > — Qwen RESEARCH LICENSE AGREEMENT, punkt 1i

Avtalen gir en ikke-eksklusiv, vederlagsfri lisens utelukkende til ikke-kommersielle formål, og krever en separat avtale med Hangzhou Tongyi Laboratory for alt annet.

Hva bør du gjøre?

1. Sjekk lisensen mot bruken din før du laster ned 7B vekter. Et internt verktøy i en bedrift er ikke automatisk forskning eller evaluering, og grensa går ved kommersielt formål, ikke ved om du selger bildene.
2. Skal du teste kvaliteten raskt, kjør ComfyUI-arbeidsflytene fra Comfy-Org sitt speil av vektene heller enn å bygge en diffusers-pipeline fra bunn. Begge veier er støttet fra dag 0.
3. Bruk de offisielle omskrivingsmodellene hvis promptene dine er korte. Qwen oppgir at modellen er trent på lange, detaljerte beskrivelser, og for gjennomsiktige bilder må prompten eksplisitt si at bildet har alfakanal.