简介
Qwen-Image-2.1 (Hugging Face · ModelScope) 是阿里巴巴千问（Qwen）团队于 2026 年 9 月 20 日 发布的开源图像生成与编辑模型，该模型将文生图（Text-to-Image）与图像编辑（Image-to-Image）整合于统一模型中，支持原生 2K 分辨率生成、文字渲染、透明背景输出及多参考图编辑等能力。
同时，并配有专为 Image 2.1 设计的 PE Prompt Enhance 提示重写/增强模型，基于微调后的 Qwen3.5-VL 9B 模型，分别适用于文字生成图片 T2I，和 参考图生成图片 I2I：
-
Qwen-Image-2.1-PE-T2I（Hugging Face · ModelScope）：将任意语言的简短图像请求转换为详细的英文提示词及推荐的宽高比。
-
Qwen-Image-2.1-PE-I2I（Hugging Face · ModelScope）：接收模糊的编辑指令及输入图像，输出精确且可执行的提示，适用于下游图像编辑任务。
2026 年 10 月 12 日，发布了 Qwen-Image-2.1-Turbo 版本 (Hugging Face · ModelScope)，该版本是 Qwen-Image-2.1 的加速检查点，将原本需要 40 步去噪的图像生成过程，缩减为 8 步，同时保持了较高的生成质量。
该模型是当前极具竞争力和值得重点关注的开源图像生成方案，没有内置的安全检查器或内容过滤器，且图片生成质量足以在生产级别的应用中使用。
能力&实测
- 文生图与图像编辑：支持根据文本提示词生成图像，也可以结合已有图像进行内容修改、风格转换及多图融合。
- 原生 2K 分辨率：支持直接生成 2K 级别的图像，无需依赖额外的超分辨率模型。
- 透明背景（RGBA）：原生支持带 Alpha 通道的透明图像生成，无需额外使用抠图模型。
- 多参考图编辑：最多支持输入 10 张参考图像，可用于多主体组合、风格参考及复杂图像编辑。
- 文字渲染：支持在生成图像中呈现中英文文字，适用于海报、插画及包含文字的视觉设计。
- 内容安全机制：原生推理流程未集成独立的内容审查器（Safety Checker）。本地部署时，生成内容主要取决于模型自身的行为及应用层是否设置额外过滤机制。
模型权重与磁盘空间
Qwen-Image-2.1 系列包含 Image 2.1 、Image 2.1 Turbo，以及分别用于文生图（T2I）和图像编辑（I2I）的提示词增强模型（Prompt Enhance，简称 PE）。
若完全托管全部四个模型，磁盘空间约需 103.2 GB，但实际使用时无需全部下载，可以根据需求选择：
-
Image-2.1：支持文生图与图像编辑，可独立部署执行推理；
-
Image-2.1-Turbo：使用的是 2.1 的检查点，主要变化是降低了生成图像的步数，从 40 步缩减为 8 步，同时保持了较高的生成质量；
-
PE-T2I：可选组件，用于增强文生图提示词。
-
PE-I2I：可选组件，用于增强图像编辑提示词。
如果只需要图像生成与编辑能力，选择 2.1 或 2.1 Turbo 其中之一即可，磁盘空间约需 33–34 GB，若觉的提示词编写比较繁琐，可以选择 PE 模型对模糊的指令进行增强。
体积统计
| 模型 | 仓库体积 | 是否必需 |
|---|---|---|
| Image-2.1 | 33.1 GB | 基础版与 Turbo 二选一 |
| Image-2.1-Turbo | 32.5 GB | 基础版与 Turbo 二选一 |
| PE-T2I | 18.8 GB | 可选 |
| PE-I2I | 18.8 GB | 可选 |
| 全部合计 | 103.2 GB | — |
Image-2.1
基础模型由以下核心组件构成：
| 组件 | 作用 | 权重体积 |
|---|---|---|
| Diffusion Transformer | 图像生成核心，通过多步迭代生成图像潜在表示 | 14.2 GB（2 个分片） |
| Text Encoder | 基于 Qwen3-VL 8B，将文本指令和参考图像编码为多模态特征 | 17.5 GB（4 个分片） |
| VAE | 负责图像与潜在空间之间的编码和解码，降低计算成本 | 1.35 GB |
| Scheduler | 控制生成过程中的时间步和迭代更新 | - |
仓库文件总体积：约 33.1 GB。
Image-2.1-Turbo
Turbo 2.1 的加速检查点，从 40 步去噪缩减为 8 步，同时保持了较高的生成质量。
| 组件 | 作用 | 权重体积 |
|---|---|---|
| Diffusion Transformer | 图像生成核心 | 14.23 GB（2 个分片） |
| Text Encoder | 文本与参考图像的多模态特征编码 | 17.54 GB（4 个分片） |
| VAE | 图像与潜在空间的编码和解码 | 676 MB |
| Scheduler | 控制推理步骤与时间调度 |
仓库文件总体积：约 32.5 GB。
PE-T2I 与 PE-I2I
两个 PE 模型均为独立的提示词增强组件，不参与图像的直接生成。
| 模型 | 作用 | 权重体积 |
|---|---|---|
| PE-T2I | 对文生图提示词进行扩写与优化 | 18.82 GB（4 个分片） |
| PE-I2I | 对图像编辑指令进行理解、扩写与优化 | 18.82 GB（4 个分片） |
两个模型仓库的文件总体积均约为 18.8 GB。
PE 并非必需组件。如果已经能够提供清晰、完整的提示词，可以直接使用 Image-2.1 或 Turbo 进行生成，无需额外加载 PE 模型。
使用建议
- 基础使用：只下载 Image-2.1 或 Turbo，约需 33–34 GB 磁盘空间。
- 需要提示词增强：在基础模型之外，按需增加 PE-T2I 或 PE-I2I。
- 完整部署：下载全部四个仓库，约需 103.2 GB，适合需要测试不同版本和完整工作流的场景。
架构
-
其模型的视觉生成组件 ( Transformer ) 的参数为 7B（70 亿参数）；
-
Text Encoder 文本编码 采用 Qwen3-VL 8B 视觉语言模型（VLM）；