登录
阿里千问团队推出 Qwen-Image-2.1。这次没有在参数体量上继续堆，视觉生成部分 7B，重点解决两个一直在折腾设计工作流的问题，一是把生图和改图合成一套流程，二是让模型直接输出背景透明的图。
01
PART
模型概览｜7B 参数里的“全家桶”
过去做 AI 创作往往要挂一串插件。生图一个模型，局部重绘再挂一个 ControlNet，要抠图还得单独接一个 RemBG。Qwen-Image-2.1 把这些功能收进了一套权重里。
先说一个容易估错的地方。官方宣传里的 7B 指的是画面那部分，实际加载还要算上 8B 的文本编码器和 VAE，整套流程加起来约 161 亿参数。按 7B 去估显存会踩坑。
功能上它给的东西不少。
生成修改一套权重
不用切模型，纯文本生成、涂抹修改、指令换背景都走同一条流程。
直接出透明 PNG
带 alpha 通道，不用事后抠边。
单次最多 10 张参考图
可以做角色分镜、多商品组合、风格迁移。
预设 2048 × 2048
中英文排版做了强化。
有一点必须单独说。它用的是 Qwen 研究许可，授权范围写的是非商业，非商业被定义成只做研究或评估，商用要单独发邮件申请。官方博客用的是 open-source 的说法，模型卡上挂的却是这份限制性协议，两处口径对不上。
02
PART
核心功能实测
先说条件。这批图都是本机跑的，分辨率走 896×1184 和 768×1376 两种竖版。
1. 原生 RGBA 透明背景
这一项跑通了，中间踩过一个坑，值得先说。
我第一轮是按常理写的，在提示词末尾加了一句「透明背景，只保留人物头部与头发」。生成出来是普通 PNG，背景是灰白格子。当时以为成了，截图存了下来。后来写脚本读文件的 alpha 通道才发现，那两张图的 alpha 全是 255，一个透明像素都没有。
后来翻官方文档才知道，透明背景不是靠描述里写四个字触发的，它有一套固定句式。
...ｐｒｏｍｐｔ
这是一张带有透明度的RGBA图像。<中间写画面描述>该图像具有alpha通道，背景是透明的。
首句必须在最前面，尾句必须在最后面，中间那段才是画面描述。官方给的判断标准是，少了这套句式通常就出一张普通 RGB 图。中文版官方示例写的是「这是一张带有透明度的 RGBA 格式图像」，多一个「格式」，两种都能用，我跑的是不带「格式」那版，一样出。
换上句式之后就成了。一共跑了五张，在 Ps 中打开五张全部带 alpha 通道。
— 左，玻璃高脚杯，16.60% 的像素完全透明。右，长发侧影，发丝缝隙里透出背景
描述段也有讲究。只写「半透明」不够，它描述的是结果，模型不知道该把哪块压进 alpha。要写「透过某处可以看到背景」，把透明发生的区域点出来。玻璃杯那条写的是「透过杯身可以看到背景」，发丝那条写的是「发丝之间能透出后面的背景」，不会写可以交给 AI 完成。
2. 多图参考与局部编辑
先说多图参考。
据说参考图一多，一致性就往下掉，超过 3 张就开始出现不同程度的走样，这是早鸟测试者的独立反馈。
我们直接把 5 张全传了进去。第 1 张是模特，后面 4 张分别是上衣、裤子、鞋子、帽子，要求同一位模特在纯色影棚背景前把这四件穿戴齐。
跑下来的效果还可以。脸、发型、发色、身材全部保住，上衣、裤子、鞋子、帽子四件都替换到位，布料纹理、鞋面材质、帽子上的大 logo 跟各自的参考图对得上。
官方对多图指代的规则只有一句，按输入顺序来指代每一张图，顺序本身就是指令的一部分。提示词里列了几件，上传就得是几张，顺序也不能调。这一条错了，模型只能靠猜哪张对哪件。
还有一个设置特别容易忽略。ComfyUI 编辑模板里的「参考图分辨率」默认是 0，含义是保持每张参考图原尺寸。这项留 0 别动，一旦设成 1024，每张单品图会被压到约 1024×1024，衣服上的 logo 和小字在进模型之前就糊了，之后怎么调提示词都救不回来。
— 人物参考图
— 单品槽位截图
— 融合输出效果
再说局部编辑。
输入图里圈了一只红色马克杯，提示词写「把这只杯子换成一只白色陶瓷杯，圈外的人物、桌面、背景和光线保持完全不变」。
输出是一只白杯，圈外的手指、书页、背景、光线完全没动。这个干净程度超出我预期，也说明「圈哪改哪」这个能力不错。
— 圈选原图
— 换成白杯
3. 中英文文本渲染
文本排版一直是扩散模型的弱项，我拿两个难度不同的场景测。
书法
米黄色宣纸，竖排「春风得意」四个字，行楷书体，落款盖一枚红色方印，印章里是篆书「闲人」。四字按竖排从上到下排对，连笔和飞白自然，没有错字也没有字形解体，印章里的篆书笔画咬得住，画面没混进多余文字。
— 书法全对
菜单海报
浅木色背景，主标题英文 MORNING BREW 居中大字，副标题中文「每日现磨手冲咖啡」在主标题下方，再往下是三行中英对照的饮品名与价格，左对齐，中英基线对齐。
主标题和副标题全对，字号层级、居中位置、两种语言的基线都正确。但下面三行的小字全部变成了不存在的字，价格里的 ¥42 变成了 1.0g。
— 菜单小字崩坏
有一条比字号更基础。提示词里只说「这里有一段文字」而不写明内容，模型不会自动理解并补全，出来的基本是乱码。
—写明具体文字后
03
PART
实战对比｜Qwen-Image-2.1 对 GPT Image 2
我用 GPT Image 2 的提示词直接跑 Qwen-Image-2.1，同一批提示词跑了五组，题材覆盖中式书法、日系写真、花田风动、复古旅行海报和未来城市海报。每组两张，标注了出图的模型。
CASE 01中式书法
CHINESE CALLIGRAPHY
看不出差距，两边都写对了，笔法和印章都站得住。
— 东方美学，Qwen-Image-2.1
— 东方美学，GPT Image 2
CASE 02日系写真
JAPANESE PORTRAIT
各有胜处。本机出图的人脸更像真人，皮肤质感更自然。对照那张画面里的小字招牌更工整，摆放位置也更像真实街景。
— 夏日人像，Qwen-Image-2.1
— 夏日人像，GPT Image 2
CASE 03花田风动
WIND IN FLOWER FIELD
风格差异。对照把风的拖影铺满了整个画面，动感更足。本机只在前景局部做了拖影，整体更克制。
— 花田风动，Qwen-Image-2.1
— 花田风动，GPT Image 2
CASE 04复古旅行海报
RETRO TRAVEL POSTER
对照多给了一步。对照主动补了一个标题 AMALFI COAST / ITALY，本机一个字没加，画面全靠图像本身撑住。
— 复古旅行海报，Qwen-Image-2.1
— 复古旅行海报，GPT Image 2
CASE 05未来城市海报
FUTURE CITY POSTER
— 未来城市海报，Qwen-Image-2.1
— 未来城市海报，GPT Image 2
评测小结
在指令理解深度和画面美感上，对照的商业闭源模型依然更细腻，对复杂现实逻辑和艺术风格的把控更稳。
落到具体生产流程上，Qwen-Image-2.1 的优势在三处。遮罩重绘干净，圈外不动，避免了全局重画的随机性。多图参考能直接拼装素材。整套跑在本机，素材不出本机。
速度这一项我没测，不作判断。第三方在 RTX 4090 上配 CPU 卸载的参考值是 1024×1024 出图 18.7 秒、改图 21.7 秒，峰值显存 22.7 GiB。这个数字来自别人的测试，只能当量级参考，不代表我的机器。
///
LAST
总结
阿里千问这次的思路很务实，没有去追十几 B 几十 B 的参数，而是用 7B 的体量加统一架构，把可控性和效率放在第一位。
谁适合用。
1
电商与平面设计师。 透明通道和多图参考能省掉大量素材组装与变体制作的时间。但要注意授权边界，它目前是非商用研究许可，用来做内部素材和方案没问题，直接交付客户或者上架商品要先解决授权。
2
本地创作玩家和 ComfyUI 用户。 权重可下载，显存友好，一张消费级显卡就能跑通。
3
在意数据不出本机的团队。 生成和编辑都能部署在自有环境里。
如果你要的是极高的艺术天花板和不用动脑的提示词理解，云端商业模型依然更稳。如果你要的是一套可控、能嵌进自己流程、素材不出本机的本地工具，Qwen-Image-2.1 值得拉下来跑一次。
作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～
