阿里千问开源 Qwen-Image-2.1：7B 参数拿下开源生图第一

Qwen-Image-2.1 最反直觉的地方在于体量与成绩的错位。据机器之心报道，其视觉生成部分参数量仅为 7B，采用 20 层 Single-Stream DiT，原生支持 2K 分辨率，却在公开评测中拿到总分 60.28，位列开源模型第一。作为对比，同一评测中 Nano Banana 2.0 为 59.82，GPT Image 1.5 为 59.65。

需要说明的是，这些分数来自报道转述的公开评测结果，属于 source_claim，并非第三方独立复现。但即便只看结构，7B 的生成模块同时容纳生图、透明素材生成与多图编辑，意味着开发者部署和定制图像工具的起点更轻。

更值得关注的是推理优化思路。模型使用混合粒度注意力：文本部分遵循传统 Token 级因果掩码，逐词计算以保证语义连贯；图像生成部分采用 Chunk 级掩码，并通过 KV Cache 在首步计算后缓存静态上下文供后续复用。在多图输入场景下，这种减少重复计算的设计效果更明显，但具体节省多少时间和显存，报道也承认需结合硬件、精度、分辨率与输入数量判断。

设计工作流里最耗时的往往不是从零生成，而是抠图、改字、换素材。Qwen-Image-2.1 的原生透明图生成直接针对这一环节：它可依据提示词自动决定生成普通图片还是透明图，用户描述素材时即可提出透明背景要求。展示样例包括节庆插画、人物素材、装饰元素以及多对象复杂组合。

透明素材生成后还能继续修改，比如调整同一插画人物的表情，或修改图片中的文字。官方还给出从真实照片中提取所需内容、得到 RGBA 透明图的案例，其中 A 代表透明度通道。这意味着该能力既服务于从零生成，也覆盖已有图片的再利用。

多图编辑则把复杂度推高一层。模型最高支持 10 张参考图输入，考验的不只是能接收多少张图，还包括参考对象能否在最终画面中各就其位，比例、位置和整体风格是否协调。报道中的实测用 7 张图片组合出两人对坐场景，也提到可将不同单人照组合成多人合照、快速试穿不同衣饰。

组合出整体画面后，通常还有局部调整。Qwen-Image-2.1 提供圈选、涂抹和独立掩码等方式，让用户更明确地表达编辑位置。例如用几种颜色标出不同区域，要求一次修改同时去掉人物部分穿戴并把头发改色。

直接在原图上圈选或涂抹会遮住一部分画面，因此模型还支持通过额外掩码图片指定编辑区域，让原图信息完整输入。对于包含人物和商品的设计，这种保留能力尤为关键。

保真度方面，报道重点介绍人像与商品两类场景：换了发型或场景，人像仍应保有原来的身份特征；商品换了摆放环境，包装文字、纹理和形状也需尽可能一致。报道称模型进一步增强了光影与细节表现，并改善了文字密集页面的准确性与排版。这些效果描述来自报道与官方展示，属于 source_claim，实际返工能减少到什么程度，仍有待后续实测。

Qwen-Image-2.1 的开放权重已发布至 Hugging Face 与 ModelScope，技术报告上传至 GitHub。对开发者而言，7B 的生成模块加上生成与编辑统一管线，为构建设计工具、应用和定制工作流提供了更轻量的基础。

从产品定位看，它被描述为千问图像系列当前最平衡、性价比最高的开源生图模型。此前 Qwen-Image 系列曾推出独立的 Qwen-Image-Layered 探索透明图能力，此次则将原生透明图生成与编辑整合进通用图像模型。

报道还提到模型具备更好的全景图、信息图、三视图、分镜图生成能力，拓展了静态图像生成与编辑的应用范围。这些能力组合起来，覆盖了从多图组织画面到区域调整、再到保留人物与商品特征的较完整链条。

Qwen-Image-2.1 的核心叙事是：小体量开源模型正在把生成与编辑能力推进到设计工作流的细化环节。7B 参数、60.28 分、10 张参考图、原生透明图，这些数字共同指向一个判断——AI 生图进入实际生产流程的门槛在降低。

但需要区分事实与预期。评测分数、效果样例和用户好评均来自报道转述或提前体验者，属于 source_claim；推理优化节省的具体资源、保真度在真实商业场景中的稳定性，报道本身也未给出确定结论。

可以确认的是发布动作与开放渠道：模型已开源，权重可获取。至于它能否真正减少返工、成为日常软件中随手可用的功能，报道用「或许」「值得关注」来表述，这仍是需要实测验证的开放问题。