Alibaba открыла Qwen-Image-2.1: рисует с прозрачным фоном и правит обведённое кружком

Alibaba открыла веса Qwen-Image-2.1 — модели, которая рисует картинки по тексту и правит готовые, не переключаясь между режимами. Главная новинка — прозрачность. Логотип или вырезанный объект получаются сразу на прозрачном фоне, без обводки по краям и без отдельного шага удаления фона в редакторе. Такую картинку она потом ещё и редактирует: например, меняет на ней надпись.

Правки задают не только словами. На изображении можно обвести нужные места кружками или закрасить их, а в запросе описать, что сделать с каждой областью. В примере команды Qwen модель за один заход выполнила три указания: убрала часы в синем круге, перекрасила волосы в красном и заменила одежду в зелёном на серую льняную пижаму. Ещё она принимает до десяти образцов-референсов: из шести отдельных портретов собирает групповое фото, из пяти снимков вещей — целый образ с обувью и сумкой.

В генеративной части 7 млрд параметров и 32 слоя архитектуры диффузионного трансформера. Текст и картинки-условия разбирает Qwen3-VL 8B, за прозрачность отвечает отдельный кодировщик изображений на 64 канала. Родное разрешение — 2K. Alibaba называет модель самой сбалансированной и выгодной по цене в линейке Qwen-Image и утверждает, что она обходит большинство закрытых моделей, но цифр тестов не приводит.

Запустить её можно почти везде уже в день выхода: поддержку добавили библиотека Diffusers, визуальный редактор процессов ComfyUI и серверные движки vLLM-Omni, SGLang и LightX2V. Заявлена работа на видеокартах AMD Radeon через ROCm и на восьми типах других ускорителей через открытый стек FlagOS. Для пользователей в материковом Китае все возможности модели бесплатно доступны на сервисе wuli.art, включая прозрачный фон.

Есть нюанс, о котором Alibaba в посте не пишет: веса выложены под исследовательской лицензией Qwen, а не под свободной Apache 2.0, под которой выходила часть моделей семейства. Для коммерческого применения нужна отдельная договорённость с компанией.