模型卡｜Qwen-Image-2.1

TL;DRQwen-Image-2.1（Alibaba Qwen）：2026-09-20 開源，視覺生成模組 7B（32 層 Single-Stream DiT）＋Qwen3-VL 8B 編碼器，維持前代 2.0 的 7B 量級但新增原生透明圖（64 通道 RGBA VAE）與最多 10 張參考圖多圖編輯；Qwen-Image-Bench 官方自測總分 60.28，高於 Nano Banana 2.0（59.82）與 GPT Image 1.5（59.65）⚠️ 自測未經第三方覆現；SGLang 團隊獨立驗證單樣本 RGBA PSNR 達 60.69 dB；採 Qwen Research License Agreement，僅限非商業用途，官方未提供托管 API 定價；對 Agent 開發的意義是可省去獨立去背/合成步驟，適合電商素材與多場景分鏡類工作流

#ai-agent #model-release #daily #qwen #model-family-qwen-image

系列: AI Model Tracker (27 / 30)

模型卡｜Jev（TypeSafe AI）模型卡｜Step 5 Preview

🌏 English version

模型資訊

項目	值
Model ID	`Qwen/Qwen-Image-2.1`
廠商	阿里巴巴通義千問（Alibaba Qwen，隸屬阿里雲）
參數量	視覺生成模組 7B（32 層 Single-Stream DiT）＋ Qwen3-VL 8B 文字／視覺編碼器（前代 Qwen-Image 1.0 為 20B）
Context Window	不適用（圖像生成模型；原生支援 2K 解析度即 2048×2048，最多可接收 10 張參考圖）
Input 定價 (USD/1M tokens)	未公開（開源權重，Qwen Research License Agreement 僅限非商業用途，官方未提供托管 API；商業授權需另洽，尚未公布費率）
Output 定價 (USD/1M tokens)	未公開（同上）
開源	是（Qwen Research License Agreement，僅限非商業用途；前代 Qwen-Image 1.0／2.0 為 Apache-2.0）
發布日	2026-09-20
官方公告	QwenLM/Qwen-Image-2.1（GitHub）
HuggingFace	Qwen/Qwen-Image-2.1
家族	Qwen-Image 系列（Qwen-Image 1.0 20B，2025-08 → Qwen-Image-2.0 7B，2026-02 → Qwen-Image-2.1 7B，本次）

能力亮點

原生透明圖（RGBA）生成與編輯：64 通道 RGBA VAE＋16 倍空間壓縮，讓透明度通道直接是潛空間的一部分，而不是生成後再跑一次去背；SGLang 團隊獨立驗證單樣本 RGBA PSNR 達 60.69 dB，透明 PNG 生成與 FP8 量化組態皆通過正確性測試
一次最多接收 10 張參考圖做多主體合成編輯，並提供圈選、塗抹、獨立遮罩三種方式標定局部編輯區域，同時強調人像與商品的保真度
混合粒度注意力架構：文字部分維持逐詞因果遮罩，圖像部分改用區塊級遮罩並搭配 Prefix KV Cache，參考圖與指令在第一個去噪步驟後即快取重複利用，多圖輸入時的推理效率提升最明顯
視覺生成模組維持前代 2.0 的 7B 量級沒有再擴大，但 Qwen-Image-Bench 官方自測總分 60.28，略高於 Nano Banana 2.0（59.82）與 GPT Image 1.5（59.65）⚠️

Benchmark 表現

Benchmark	分數	前代模型	競品最強
Qwen-Image-Bench 總分 ⚠️	60.28	未參與（2.1 為首次公布此榜成績，2.0 沒有對照數字）	Nano Banana 2.0 59.82／GPT Image 1.5 59.65
RGBA 透明圖正確性（SGLang 獨立驗證，單樣本 PSNR）	60.69 dB	不適用（2.0 沒有原生透明圖生成能力）	不適用（主流閉源競品的透明圖多半是後製 API 參數而非原生潛空間輸出，無法用同一指標比較）

⚠️ Qwen-Image-Bench 總分為 Qwen 官方自測結果，計分方式與比較對象未經第三方覆現；截至發稿，Qwen-Image-2.1 尚未出現在任何獨立圖像模型排行榜上。RGBA PSNR 數字來自 SGLang 團隊為驗證推理框架整合正確性所做的單樣本測試，該團隊本身也強調這只是正確性檢查、不是通用品質評測。由於本次是發布不到 24 小時內成文，可驗證的量化數據就只有這兩組，比一般模型卡少；這個資訊落差本身也是今天最值得記下的一點。

與前代/競品比較

Qwen-Image-2.0 在 2026 年 2 月已經把視覺生成模組從初代 Qwen-Image 1.0 的 20B 砍到 7B，主打原生 2K 解析度；根據科技媒體 WaveSpeed 整理的資訊，Qwen 官方當時宣稱 2.0 在 DPG-Bench 上贏過參數量更大的 FLUX.1-dev（12B）。2.1 沒有再往上加參數，而是把同一個 7B 量級的模型改造成「生成＋編輯＋透明圖」三合一：原本要靠外部去背服務才能拿到的 RGBA 素材，現在是模型潛空間原生輸出的一部分。

跟閉源競品比，這次的透明圖能力恰好構成一個有意思的對照。GPT Image 2 在 2026 年 8 月新增 background: "transparent" 這個 API 參數才拿到透明輸出，屬於「請服務端幫你去背」；Qwen-Image-2.1 則是把 Alpha 通道直接塞進 64 通道 VAE 的潛空間裡去噪，屬於「模型本身就懂透明」。兩條路線在一個月內先後補齊同一項能力，但穩定性與可控性未必相同——目前只有 SGLang 的單樣本正確性測試可以佐證 Qwen-Image-2.1 的透明輸出是「真的」，還沒有大規模品質評測。

定價策略上兩者也走完全不同的路：GPT Image 2 是按 token 計費（image input $8.00／1M tokens、image output $30.00／1M tokens），Qwen-Image-2.1 則是免費下載本地跑，但代價是 Qwen Research License Agreement 明確排除商業用途——這點跟過去 Qwen-Image 1.0／2.0 一路用 Apache-2.0 開源完全不同，對想直接商用的團隊反而是授權上的倒退，需要另洽官方取得商業條款。

對 Agent 開發的意義

原生透明圖生成對做視覺素材自動化的 Agent 是實質的管線簡化：過去「生成圖片 → 呼叫去背模型 → 邊緣清理」三段式流程，現在理論上可以收斂成一次模型呼叫，減少中間服務的維護成本與延遲。混合粒度注意力＋Prefix KV Cache 的設計也代表，在「先給一批參考圖、再多輪局部修改」這種互動式編輯場景裡，重複推理的成本會比每次都重新編碼整批參考圖更低。

如果你在做電商素材生成 Agent：原生透明圖可以直接輸出疊圖用的商品 PNG，省掉一個獨立的去背/合成微服務，也適合搭配既有的商品攝影素材做局部替換（換背景、換配件）
如果你在做角色一致性要求高的內容生產（漫畫分鏡、廣告分鏡、故事板）：10 張參考圖的多圖合成編輯，比起多數只吃 1-2 張參考圖的競品更適合串成「角色設定 → 多場景分鏡」的長流程 pipeline
不適合：需要商業交付結果的場景——Qwen Research License Agreement 明確排除商業用途，貿然把產出用在商業專案有法遵風險，應改用有明確商業授權的閉源 API；也不適合對輸出品質要求「有獨立驗證背書」的正式生產環境，因為目前只有廠商自測分數，尚無第三方覆現的品質評測

今日收穫

圖像模型的競賽正從「單張圖多漂亮」轉向「工作流內建了多少步驟」——Qwen-Image-2.1 跟 GPT Image 2 用兩種完全不同的技術路線（原生潛空間 Alpha vs. API 後製參數），在一個月內先後補齊透明圖這項能力，說明「原生」與「參數包裝」在使用者看到的結果上可能殊途同歸，但背後的穩定性、可控性與維護成本差異其實很大。比起單純比參數量或跑分，這種「同一能力、不同實作路線」的對照，更值得在評估要不要導入新模型時多想一步。