Qwen-Image-2.1：輕量化視覺模型
對於開發者與創作者而言，要在影像品質與運算效率之間取得平衡並不容易。Qwen 團隊推出的 Qwen-Image-2.1 是一個統一的開源影像模型，將文字生成影像（Text-to-Image）與影像編輯（Image Editing）整合在同一架構中。其視覺生成元件為 70 億參數（7B），並支援透明背景與多參考圖編輯。
輕量化架構設計
Qwen-Image-2.1 採用 32 層單流 DiT（Single-Stream Diffusion Transformer）結構，並結合 Qwen3-VL 8B 作為文字與條件圖像編碼器，搭配 64 通道的 RGBA VAE（空間壓縮比 16x）。
該模型採用混合粒度注意力機制（Mixed-granularity Attention），實現高效的 Prefix KV Cache 重複使用。在執行影像編輯時，輸入圖像與指令經計算後會作為靜態背景快取，大幅降低後續去噪步驟的記憶體需求與計算延遲。開發者亦可啟用 enable_model_cpu_offload() 進行記憶體優化。
原生透明底圖與影像編輯
過去製作透明背景影像通常需要額外的後製去背。Qwen-Image-2.1 原生整合了 RGBA 透明度支援，使用者只需在提示詞中指定格式，模型即可直接輸出帶有 Alpha 通道的透明背景影像。
這項功能不僅限於全新生成，也支援透明圖層的即時編輯與主體提取。例如，你可以調整透明圖層中角色的表情而不影響背景透明度，或是從真實照片中提取特定主體轉換為透明圖層素材，顯著簡化設計工作流程。
多樣化的編輯工具與原生 2K 解析度
Qwen-Image-2.1 提供多種編輯手段以滿足精確控制需求：
- 多參考影像： 最多可同時支援 10 張參考圖，適合多角色合照、虛擬試穿與室內設計合成。
- 局部編輯： 支援圓形標註、手繪標註及獨立遮罩（Mask），確保區域修改時不影響其餘細節。
- 高保真度： 針對人臉肖像特徵與產品材質細節進行優化，在多輪編輯中維持高度辨識度。
- 原生 2K 解析度： 預設支援 2048 × 2048（1:1）原生 2K 解析度，並提供 16:9（2752 × 1536）、9:16、4:3 等多種長寬比。
體驗模型功能可前往官方展示頁面。
應用場景與提示詞改寫
除了基礎生成與修圖，Qwen-Image-2.1 在全景圖（Panorama）、資訊圖表（Infographics）與分鏡故事板（Storyboards）的製作上也具備應用彈性。
為了達到最佳生成效果，官方提供了專門的提示詞改寫模型（PE-T2I 與 PE-I2I，基於 Qwen3.5-VL 9B 微調），能將簡短描述自動擴充為詳細的英文指令與合適的長寬比。
常見問題解答 (FAQ)
Q：Qwen-Image-2.1 的預設推論參數為何？
A：官方預設採樣步數（num_inference_steps）為 40 步，預設解析度為 2048 × 2048。可直接透過 Hugging Face 的 diffusers 函式庫（QwenImage21Pipeline）執行。
Q：如何生成透明背景圖片？
A：建議使用官方推薦的提示詞格式：「This is an RGBA image with transparency. [你的描述]. The image has alpha channel and the background is transparent.」，引導模型輸出 RGBA 管道。
Q：模型是否支援中文輸入？ A：建議配合官方推薦的提示詞改寫模型（PE-T2I 或 PE-I2I），將中文敘事自動轉換為高品質的詳細英文指令，以獲得最佳的構圖與細節表現。
Q：可以整合至現有工作流嗎？
A：可以。除了 Python API，目前 ComfyUI 已經原生支援（Comfy-Org/Qwen-Image-2.1），亦可使用 vLLM-Omni、SGLang 或 LightX2V 等推理框架進行高效能服務部署。
Q：模型的授權條款為何？ A：採用 Qwen Research License Agreement 授權。
