Qwen-Image-2.1 是通义千问（Qwen）系列中的统一图像生成与图像编辑模型，采用开源方式发布。它的视觉生成部分仅约 70 亿（7B）参数，整体由 32 层单流 DiT（Diffusion Transformer）组成，目标是在画质、推理效率和多功能性之间取得平衡。

主要特点如下：

1. 轻量高效

  • 架构精简，采用混合粒度注意力（mixed-granularity attention）和前缀 KV 缓存复用（prefix KV cache reuse）。

  • 能在较低算力成本下保持较好的图像质量，更适合实际部署和批量推理。

2. 原生支持透明图，生成与编辑统一

  • 不仅可以根据文本生成普通 RGB 图像，还能直接生成透明背景的 RGBA 图像。

  • 支持对透明图层进行编辑，也能从实拍照片中抠出主体/对象，实现“生成—去背—再编辑”的一体化工作流。

3. 强通用图像编辑

  • 最多支持 10 张参考图，适合做风格迁移、一致性控制、产品/人物保真等任务。

  • 局部编辑方式灵活：可用圈选、手绘标注或独立掩码（mask）指定修改区域。

  • 对人物和商品可有效保持身份/外观一致性，减少“换图就变人”的问题。

4. 更真实的质感与更好审美

  • 改进了文字排版/图像内文字渲染，减少错字、变形。

  • 优化人像光照、皮肤/材质细节和整体美术感，输出更贴近摄影级或设计级效果。

简单说，它定位为一个“小参数、高效率、既能文生图又能做透明图和复杂修图”的通用视觉模型：如果你需要低成本部署、透明 PNG 素材生产、带参考图的人/物一致性编辑、或者高质量海报/人像/带文字图像生成，Qwen-Image-2.1 都比较合适。