Qwen-Image-2.1

Что это за модель

Qwen-Image-2.1 — модель Alibaba, которая и рисует картинки по описанию, и редактирует готовые изображения, причём делает это в одном режиме. Qwen называет её своей самой сильной открытой моделью для генерации изображений. Рисует диффузионная часть на 7 млрд параметров: это 32 слоя трансформера, через которые текст и изображение проходят одним общим потоком. Запрос и картинки-образцы читает мультимодальная модель Qwen3-VL на 8 млрд параметров.

Главное нововведение — встроенная прозрачность. Модель сразу выдаёт картинку с прозрачным фоном, может править прозрачные слои и вырезать объект из фотографии. Для этого лаборатория сделала автокодировщик, который хранит прозрачность как отдельный канал. Автокодировщик — это часть модели, которая сжимает картинку перед обработкой и потом восстанавливает её. Ещё модель принимает до 10 картинок-образцов: из них можно собрать новую сцену, сохранив внешность человека или вид товара. Правку можно ограничить областью, если обвести её кружком, подписать или закрыть маской. По словам Qwen, по сравнению с прошлыми версиями модель лучше пишет текст на картинках, точнее передаёт свет на портретах и мелкие детали.

Модель выбирают, когда нужно делать и править картинки на своём оборудовании: для товарных фото, логотипов и наклеек на прозрачном фоне, коллажей из нескольких образцов, точечной правки. Благодаря небольшому размеру она запускается на игровых видеокартах уровня RTX 3090 и 4090. Её с первого дня поддерживают Diffusers, ComfyUI, vLLM-Omni и SGLang. К ней прилагаются две модели-подсказчика. Они превращают короткую или расплывчатую просьбу в подробный запрос.

Компания заявляет, что на собственном бенчмарке модель обходит большинство закрытых моделей, но независимых проверок пока нет. Веса выложены под лицензией Qwen Research License: она разрешает исследования, а для коммерческого применения нужно отдельно получить разрешение у Qwen.

Источники: Карточка модели на Hugging Face, Репозиторий и документация на GitHub