快科技 9 月 21 日消息，阿里千问正式开源新一代图像模型 Qwen-Image-2.1，将文生图与图像编辑整合在同一模型中。

视觉生成部分仅 7B 参数，却在 Qwen-Image-Bench 公开评测中拿下 60.28 总分登顶开源第一，甚至超过闭源的 Nano Banana 2.0（59.82）和 GPT Image 1.5（59.65），官方将其定位为千问图像系列当前 " 最平衡、性价比最高 " 的开源生图模型。

视觉生成部分采用 32 层 Single-Stream DiT，原生支持 2K 分辨率输出，整个管线（含 Qwen3-VL 8B 文本编码器）总参数量约 16.22B。

推理侧引入混合粒度注意力结构：文本部分（系统前缀、编辑指令）走 Token 级因果掩码，图像生成部分走 Chunk 级掩码，配合 KV Cache 复用机制将输入图像与编辑指令作为静态上下文在首步预计算缓存。

多图输入场景下的效率提升尤为明显，兼顾了推理速度与显存开销。

原生 RGBA 透明图是本次更新最具实用价值的能力，模型可根据提示词自动决定输出普通图像还是带透明通道的图像，无需额外的抠图环节。

这项能力吸收了 2025 年 12 月发布的 Qwen-Image-Layered 专用模型，并进一步扩展——不仅能生成单个主体的透明素材，也能生成多元素组合的复杂结构图像；透明图层中的文字、人物表情均可直接编辑。

输入一张 RGB 真实照片，模型可提取主体输出带 Alpha 通道的 RGBA 图层，毛发边缘这类传统抠图痛点从根源上被绕开。

编辑能力有四个维度升级，参考图上限提升到 10 张，可将多张人像合成合照，也可输入模特 + 衣服 + 鞋子 + 包包 + 帽子共 5 张图生成完整穿搭，还能参考 10 张家装图输出室内布置方案；局部编辑支持圈选、涂抹和独立掩码三种方式，一次指定多个区域分别修改，掩码方式可完整保留原图信息。

人像与商品保真增强，修图前后面部特征保持高度一致，商品在新场景中文字、纹理与形态不走样；同时覆盖全景图、信息图、分镜图等多种任务类型。

文字生成除内容准确外，更注重字体、排版与画面的整体协调；人物表现上强化光影与细节刻画，让生成结果更接近真实质感。

【本文结束】如需转载请务必注明出处：快科技

责任编辑：建嘉