阿里开源 Qwen-Image 2.1：原生透明图层与许可证收紧
电商主图、表情包及 App 图标制作常面临繁琐的后期抠图流程。9 月 20 日，阿里 Qwen 团队开源 Qwen-Image 2.1，将透明通道生成直接内置于模型推理阶段，实现生成即带 Alpha 通道的 PNG 图像。然而，在部署与商用前，需厘清关于该模型的三个关键误区。
一、纠正三个常见误读
误读一："这是 Qwen-Image 2.0 的迭代开源"
事实：2.0 从未开源。Qwen-Image 2.0 于 2026 年 2 月发布，仅提供 API 或 Chat 服务，未公开权重。此外，性能更强的 Qwen-Image 3.0 系列（2026 年 7 月上线）同样闭源。准确定位是：2.1 是该系列首个开源权重版本，属于“次旗舰开源、旗舰闭源”策略下的产物。
误读二："透明输出目前无其他主流开源模型能做到"
事实：技术并非独有，优势在于“原生集成”。LayerDiffuse 早在 2024 年已实现隐空间透明度生成，通义 Qwen-Image-Layered 及 Stability 的 Stable Layers 也支持多图层输出。Qwen-Image 2.1 的核心突破在于将“文本直出 RGBA"与“生成 + 编辑”能力整合进同一套 7B 开源权重，无需串联额外去背节点或后处理模型。
误读三："7B 参数可轻松塞进消费级显卡"
事实：真实门槛为 7B 主干 + 8B 文本编码器。完整运行需加载视觉生成主干、文本编码器及 VAE。实测体积如下：
| 组件 | 规格 | 体积（实测） |
|---|---|---|
| 视觉生成主干 | 32 层单流 DiT，7.1B 参数 | bf16 13.25 GB / int8 6.76 GB |
| 文本编码器 | Qwen3-VL 8B | bf16 16.33 GB / int8 8.71 GB / w4a8 5.88 GB |
| VAE | RGBA 自编码器 | 0.63 GB |
| 提示词改写（建议） | Qwen3.5-VL 9B 微调 | 另计 |
典型组合显存占用：
- 最小量化组合（int8 主干 + w4a8 编码器 + VAE）：约 13.3 GB
- ComfyUI 默认组合（int8 主干 + bf16 编码器 + VAE）：约 23.7 GB
- 全 bf16 组合：约 30.2 GB
官方文档未明确标注显存需求，仅建议开启 CPU offload，因此"7B 上消费卡”的说法具有误导性。
二、核心技术：将 Alpha 通道植入 VAE
Qwen-Image 2.1 的技术价值在于架构创新，其核心差异体现在 VAE 设计：
| 组件 | 官方规格 | 直白解释 |
|---|---|---|
| 主干 | 32 层单流 DiT，7.1B 参数，block-causal 注意力 | 文本与图像 token 同流处理 |
| 文本编码器 | Qwen3-VL 8B 视觉语言模型 | 统一编码文字指令与参考图 |
| VAE | 输入/输出均为 4 通道，隐空间 64 通道 | 透明能力的根源 |
| 调度器 | Flow Matching + Euler 离散调度 + 动态偏移 | 采样策略优化 |
绝大多数图像模型 VAE 仅编码 RGB 三通道，而该模型自编码器原生支持 4 通道（RGBA）。这意味着 Alpha 通道是在去噪每一步中同步预测的，而非生成后贴图。此外，采用 single-stream DiT（单流）架构，配合 block-causal 注意力与 prefix KV 缓存复用，显著降低了多参考图编辑的算力消耗。
三、四大官方升级特性
1. 原生透明与生成编辑统一
单一模型支持从文本生成 RGBA 图像、编辑现有透明图层及照片主体提取。需注意提示词格式，必须明确包含透明意图描述，否则可能输出白底图：
2. 多参考图编辑
官方宣称支持最多 10 张参考图，ComfyUI 节点实际开放 16 个槽位（image_1 至 image_16）。支持圈选、手绘标注及独立掩码图三种局部修改方式，强调保持人物与产品身份一致性。
3. 紧凑高效
通过 7.1B 主干、混合粒度注意力机制及 prefix KV 缓存复用，优化显存占用与计算效率。
4. 质感与美学提升
重点改进排版、人像光照及细节渲染，延续 Qwen-Image 系列在文字渲染方面的优势。
四、规格参数与依赖环境
官方默认分辨率为 2048×2048（原生 2K 生成），推荐采样步数为 40 步。支持多种宽高比：
| 比例 | 分辨率 |
|---|---|
| 1:1 | 2048 × 2048（默认） |
| 4:3 / 3:4 | 2400 × 1792 / 1792 × 2400 |
| 3:2 / 2:3 | 2528 × 1696 / 1696 × 2528 |
| 16:9 / 9:16 | 2752 × 1536 / 1536 × 2752 |
环境依赖：
五、ComfyUI 部署指南
ComfyUI 模板已内置支持，需下载以下三个核心文件至对应目录：
| 目录 | 文件名 | 体积 |
|---|---|---|
models/diffusion_models/ |
qwen_image_2.1_int8_convrot.safetensors |
6.76 GB |
models/text_encoders/ |
qwen3vl_8b_int8_convrot.safetensors |
8.71 GB |
models/vae/ |
qwen_image_2.1_vae_bf16.safetensors |
0.63 GB |
注意：ComfyUI 模板默认参数为 25 步、CFG 1、Euler 调度器。分辨率选择器以“百万像素”为单位，设置 2048×2048 需将目标设为约 4.0 MP。
六、关键依赖：提示词改写模型
官方明确指出，不使用提示词改写可能导致编辑结果不稳定。为此发布了两个基于 Qwen3.5-VL 9B 微调的专用模型：
- 文生图：
Qwen/Qwen-Image-2.1-PE-T2I - 图像编辑：
Qwen/Qwen-Image-2.1-PE-I2I
建议在 ComfyUI 工作流中接入改写模型，而非直接使用简短提示词，以获得最佳效果。
七、许可证变更：从 Apache-2.0 到限制商用
本次开源采用Qwen Research License Agreement，相较于初代版本的 Apache-2.0 协议，权限大幅收紧：
- 仅限非商业用途：定义为仅用于研究或评估（research or evaluation purposes only）。
- 商用需单独授权：商业使用必须向官方申请。
- 衍生模型标注义务：若利用其输出训练或微调新模型，需在文档显著位置标注"Built with Qwen"或"Improved using Qwen"。
- 法律管辖：适用中国法律，管辖法院为杭州市法院。
风险提示：协议约束的是“使用模型”的行为，利用 2.1 生成的图片进行商业物料制作同样受限。此外，ComfyUI 社区仓库（Comfy-Org）标注的 apache-2.0 许可证与上游不一致，不可作为商用依据。
八、客观评测与局限
- 榜单参考性：官方自评榜得分 60.28，暂未进入主流第三方竞技场榜单，缺乏独立横向评测。
- 多参考图边界：实测显示参考图超过 2 张易出现角色串味、特征污染等问题。建议作为"2 张主参考 + 若干氛围参考”使用。
- 速度数据缺失：官方未公布延迟数据，社区粗略预估文生图 10–15 秒/张，仅供参考。
- 低显存适配：12GB 显存显卡需开启 CPU offload，速度将明显下降。
- 稳定性：模型发布时间短，潜在 Bug 尚未完全暴露。
九、模型获取与部署
以下为 ComfyUI 可直接使用的最小可用组合（约 22 GB），文件目录结构已与官方模板对齐：
| 目录 | 文件名 | 体积 |
|---|---|---|
models/diffusion_models/ |
qwen_image_2.1_int8_convrot.safetensors |
6.76 GB |
models/text_encoders/ |
qwen3vl_8b_int8_convrot.safetensors |
8.71 GB |
models/text_encoders/ |
qwen3vl_8b_w4a8.safetensors（省显存备选） |
5.88 GB |
models/vae/ |
qwen_image_2.1_vae_bf16.safetensors |
0.63 GB |
高质量 bf16 版本正在补传中。国内用户建议通过魔搭（ModelScope）下载，速度更优：
- ComfyUI 打包版：
Comfy-Org/Qwen-Image-2.1 - 原始仓（diffusers 格式）：
Qwen/Qwen-Image-2.1
结语
图像生成竞争已进入“直接产出可用素材”的第三阶段。Qwen-Image 2.1 通过原生透明通道、多参考图编辑及提示词改写模型，有效削减了后期手工环节。然而，其也反映了国产大模型的新常态：最强能力保留在闭源端，开源版本多为次旗舰且许可证日益严格。对于使用者而言，下载前仔细研读 LICENSE 条款比关注跑分更为重要。