9月21日，通义千问团队正式开源新一代图像模型 Qwen-Image-2.1。该模型以仅7B 参数的轻量视觉生成模块，将文生图、透明图像生成与多种图像编辑能力整合于同一框架，在生成效果、推理效率与使用成本之间取得了新的平衡。
据官方介绍，Qwen-Image-2.1的视觉生成部分采用32层 Single-Stream DiT 结构，参数量仅为7B。通过混合粒度注意力结构与 KV Cache 复用机制，模型在多图输入场景下的推理效率显著提升，显存开销也得到有效控制。
透明图像生成是本次更新的核心亮点之一。模型能够根据提示词自动判断输出普通图像或带透明通道的 RGBA 图像，并支持在保留透明背景的前提下进行主体表情修改、文字编辑等操作。用户还可输入真实照片，由模型自动提取主体并输出透明图层，方便后续设计与合成。
可以在保留透明背景的同时修改主体表情
透明图层中的文字同样可以进行编辑，如下面的示例将文字“BLOOM”修改为“Qwen-Image”:
在图像编辑方面，Qwen-Image-2.1支持最多10张参考图输入，可综合多个主体与素材生成协调画面。局部编辑支持圈选、涂抹和独立掩码三种方式，编辑区域指定更加灵活。模型还重点提升了人像与商品的一致性——修图后人物面部特征、商品文字与形态均能保持高度还原。
此外，模型在文字渲染、人物光影与细节刻画上也有明显提升，覆盖全景图、信息图、分镜图等多种任务场景。目前，Qwen-Image-2.1已同步在 GitHub、ModelScope 和 Hugging Face 等平台开源，供开发者与创作者免费使用。
