單一模型原生支援 RGBA，但先看授權：Qwen-Image-2.1 帶著 7B DiT 與但書登場

阿里巴巴的 Qwen 團隊再次悄悄改寫了開源圖像生成領域的格局。9 月 20 日，團隊將 Qwen-Image-2.1 推上 Hugging Face 與 ModelScope——這是一個統一的文生圖與圖像編輯模型，視覺生成組件僅 70 億參數、由 32 層單流 DiT（Diffusion Transformer）構成。這次發布在技術上令人印象深刻，但伴隨的授權變更，將實際決定誰能真正基於它來打造產品。

這次發布了什麼

基礎模型早在 9 月 14 日前後就已低調上傳至 Hugging Face，今天則是搭配一系列週邊檢查點的完整上線。核心賣點是：一個緊湊的模型同時支援生成、編輯，而且——很少見地——原生透明（RGBA）圖像生成，全部整合在單一架構內。

根據官方模型卡，這次發布有四大改進：

1. 緊湊且高效。 採用混合粒度注意力（mixed-granularity attention）與前綴 KV 快取重用（prefix KV cache reuse）的輕量架構，以低運算成本交付強勁的圖像品質。這是明確的「效率」路線：不靠堆疊越來越大的 transformer，而是把 DiT 控制在 32 層、讓每一層都更便宜。
2. 原生透明、生成編輯一體。 模型可以直接從文字生成普通或透明 RGBA 圖像、編輯既有透明圖層、從照片中摳出主體——不需要外掛摳圖模型或額外的 alpha 預測步驟。
3. 多樣的編輯能力。 單次編輯請求最多支援 10 張參考圖，局部編輯可透過圈選、塗抹標註或獨立遮罩指定。人物與商品的身分保持（identity preservation）被明確點名為重點功能——官方展示中用六張人像參考圖合成團體照，就是招牌示範。
4. 更真實的紋理與美感。 改進了排版文字渲染、人像打光與細節呈現。

在底層配置上，這條 pipeline 由 7B DiT 搭配 Qwen3-VL 8B 文字編碼器（負責理解提示詞的視覺語言模型）與 64 通道 RGBA VAE 組成，原生輸出 2048×2048、40 步取樣。開箱即支援七種長寬比，從 1:1（2048×2048）到 16:9（2752×1536）與 9:16 直式。

與基礎模型一同發布的，還有兩個 9B 的提示詞改寫檢查點——PE-T2I 與 PE-I2I，都在今天上線。它們位於生成器之前，把使用者提示詞改寫成模型更容易理解的形式，這是 Qwen 一貫用來在有限參數量下榨出更高保真度的手法。

但書：授權變了

社群最快注意到的，就是這一點。先前版本的 Qwen-Image 系列——包括下載量驚人的基礎版與 Edit 編輯版——都採用 Apache 2.0 完全開源授權。Qwen-Image-2.1 則改採 Qwen Research License Agreement，這是一份禁止商業使用的授權：允許研究用途，商業使用者需要另外簽訂協議。

這個轉變之所以重要，是因為 Qwen-Image 早已成為開源圖像生成的事實標準：它在 AI Arena 上同時拿下文生圖與圖像編輯第一名，其檢查點支撐著無數 ComfyUI 工作流、LoRA 微調與下游產品。2.1 版的研究限縮條款，讓商業業者面臨三選一：與阿里巴巴談判授權、繼續使用舊的 Apache 授權版本，或者遷移到 FLUX、SD3.5 等維持寬鬆授權的競爭對手。

值得一提的是，這個方向其實早有跡可循——六個月前社群就曾討論過 Qwen-Image-2.0 可能不再以 Apache 條款開源的跡象。2.1 的發布證實了戰略方向：阿里巴巴樂於把世界級模型送給研究者，但「商業上隨便用」的時代顯然正在畫下句點。

生態系反應極快

無論授權怎麼寫，工具生態系沒有等待。上線數小時內：

• Comfy-Org 發布了 ComfyUI（多數本機使用者依賴的節點式生成工具）的封裝版本。
• 多位維護者（leejet、AlperKTS、Abiray）推出了 GGUF 量化版本，把模型壓進消費級 GPU。
• FlagRelease 發布了針對五個中國晶片平台——NVIDIA、MetaX、海光（Hygon）、昇騰（Ascend）、摩爾線程（Moore Threads）——的 BF16 版本，生動展示了如今中國重大模型發布必然伴隨的國產加速器相容佈局。
• Hugging Face 上當天就出現了多個提供線上 demo 的社群 Space。

這個速度本身就是重點。即使在限制性授權之下，一個能靠單張 16GB 級 GPU 搭配 CPU offload（官方支援 enable_model_cpu_offload）舒適運行的 7B 模型，本週就會被數千名研究者拆解、微調、跑分。發布當天，模型樹上的微調與量化版本就已經開始累積。

為什麼重要

這次發布凸顯了開源權重圖像生成的兩條分歧路線。一邊是：把每參數的效能做到極致、原生支援 RGBA 這類多模態特性、把生成與編輯統一進單一檢查點——Qwen-Image-2.1 可以說是迄今公開發布過最強的緊湊型圖像模型。另一邊是：不斷收緊的授權，把「開源」變成「開放研究」，從寬鬆授權時代建立起來的生態系中回收商業價值。

對研究者與愛好者來說，這是一份大禮：最先進的 7B DiT，支援透明圖像生成、多參考圖編輯、遮罩式局部控制，而且遊戲筆電就能跑。對那些把產品路線圖建立在「Qwen-Image 會永遠維持 Apache 授權」假設上的公司來說，今天是一記警鐘：「開放」是有等級之分的——而且等級可能在版本之間毫無預警地改變。

技術報告與完整跑分將在未來幾週揭曉更多細節，但眼前的結論很簡單：最好的小型圖像模型變得更強了，而你能使用它的條件變得更窄了。這兩個事實都將形塑未來一年的圖像生成工具生態。