Alibaba's Qwen team open-sources Qwen-Image-2.1: a 7B unified image generation and editing model
The 7B / 32-layer Single-Stream DiT visual stack unifies text-to-image, editing, transparent RGBA, and up to 10 reference images; Day-0 support for Diffusers, ComfyUI, vLLM-Omni, and SGLang under the Qwen Research License.
阿里巴巴 Qwen 团队 9 月 20 日发布并开源 Qwen-Image-2.1，统一了文生图、图像编辑、透明 RGBA 输出与最多 10 张参考图合成等多类此前需要不同模型的视觉任务。视觉生成组件仅 7B 参数，分布在 32 层 Single-Stream DiT 上。
架构上模型采用混合粒度注意力：文本 token 使用 token 级因果掩码，图像生成使用 chunk 级掩码；prefix KV cache 复用使输入图像和编辑指令可作为静态上下文缓存一次，避免多图像编辑时的内存重复计算。
模型原生支持 2K 分辨率，覆盖 7 种纵横比（1:1、4:3、3:4、3:2、2:3、16:9、9:16），默认 40 步去噪 + bfloat16 精度。Day-0 即获得 Diffusers（QwenImage21Pipeline）、ComfyUI（Comfy-Org repackaged weights）、vLLM-Omni、SGLang 与 LightX2V 框架支持。
权重同步上传至 Hugging Face（Qwen/Qwen-Image-2.1）、ModelScope 与 Comfy-Org/Qwen-Image-2.1，许可采用 Qwen Research License，允许非商业与研究用途，商业用途需另行协商。同步提供两个 prompt rewriting 模型：Qwen/Qwen-Image-2.1-PE-T2I 与 Qwen/Qwen-Image-2.1-PE-I2I。