AI资讯|7B 小模型拿下开源生图第一:Qwen-Image-2.1 开源,抠图、改字、拼素材这三件烦事一次解决

大家好，我是小智。

你有没有过这种体验：让 AI 生成一张图，图确实挺好看，但离能交稿还差三步——人得抠出来、字得改掉、商品得重新摆一遍。

这三步，正是设计师、电商运营、还有每天给公众号找封面的小编们，最烦、也最费时间的地方。

在千问自己的公开评测 Qwen-Image-Bench 上，它拿到60.28 分，超过闭源的 Nano Banana 2.0（59.82）和 GPT Image 1.5（59.65）。

📌 本文看点

先把参数这件事说清楚，因为它最容易被误读。

注意“视觉生成部分”这几个字——7B 指的是图像生成这块主干，文本编码器等组件另算。所以看到“7B 打败 20B”这类说法，别理解成整个模型只有 7B。

对比一下它的上一代就好懂了：

主干从 20B 砍到 7B，能力反而更全了，这背后有两个工程上的关键动作：

一是换了“注意力”的算账方式

模型用的是混合粒度注意力结构：文本部分（系统前缀、编辑指令）按Token 级因果掩码逐词算，保证语义理解连贯；图像生成部分按Chunk 级掩码分块算。

二是 KV Cache 复用

在一次改图任务里，你给的参考图和编辑指令其实从头到尾没变——每一步去噪都重新算一遍纯属浪费。所以模型把这些“静态内容”在第一步就预计算并缓存下来，后面每一步直接复用。

打个比方：以前的模型像每画一笔，都把参考照片从头看一遍；现在的模型是先看懂、记下来，再动笔。参考图越多（这次最多能给 10 张），这个优化省下的时间和显存就越明显。

输出方面，它原生支持2048×2048（2K），并支持多种宽高比。

发布稿里写了四个亮点，但站在“用得上”的角度，真正改变工作方式的是这三个。

① 原生透明图：直接给你“能贴的素材”

我们平时说的图片，基本都是带背景的。想把一个主体贴到海报或详情页上，得先抠图——处理轮廓、发丝、缝隙，边缘还常常留一圈白边。

透明图多了一个“透明度通道”，能记录画面每一处的透明程度，背景自然就透出来了，叠放到任何底图上都干净。

Qwen-Image-2.1 的做法更省事：它根据提示词自动决定输出普通图还是透明图。你只要在描述里说清楚，就能直接拿到带透明通道的素材——贴纸、节庆插画、装饰元素、人物素材，甚至由多个对象组成的复杂组合。

而且这些透明素材还能接着改。同一个插画人物可以改表情；素材里的文字可以直接改内容（官方示例是把 “BLOOM” 改成 “Qwen-Image”）。这非常贴近真实需求——活动名称换了，图案得留着；表情要轻松点，人还得是那个人。

它甚至能处理真实照片：输入一张普通照片，让模型提取你要的主体，直接输出带透明通道的图层。老照片、库存图，都能变成可复用的素材。

② 最多 10 张参考图：从“拼凑”到“调度”

以前的改图，大多是“一张图 + 一句话”。现在最多能塞进去 10 张参考图，难度完全不一样——模型得区分哪个是人、哪个是商品，把它们摆到合理的位置，还得各自保留特征。

官方给了几个很直观的例子：

机器之心的实测更夸张：他们用7 张参考图（两个人对峙的照片、背景房间、单人沙发、咖啡杯、落地灯、电壁炉、矮桌）生成了一张完整的场景图。

③ 圈哪改哪：三种指定修改位置的方式

改图最怕的是“我说东它改西”。这次给了三种把位置说清楚的办法：

2

涂抹：直接在想加东西的位置刷一笔白色，模型就在这块区域里补内容（示例是在鲨鱼右侧加一名潜水员）。

对人像和商品来说，“不丢”是最关键的——换了发型和场景，人还得是那个人；商品换了摆放环境，包装上的字、纹理和形状不能跟着变。这次官方专门强化了这两类的一致性。

另外它还支持全景图、信息图、三视图转分镜等任务，等于把静态图像的生产链条又拉长了一截。

能力很热闹，但落到你身上，得看你是哪一类。

① 设计师 / 美工

最大的变化是少工序。透明素材直接出，意味着“生成 → 抠图 → 修边 → 合成”能压缩成“生成 → 合成”。真正省时间的是那句“改字不改图”——活动名、Slogan、价格标签变了，不用重画整张。

② 电商运营

商品一致性是直接对口的。同一个商品换场景、换摆放、换搭配，包装文字和纹理能保住，这才是能上架的图。多参考图组合也很适合做“搭配效果”和“场景图”。

③ 自媒体 / 内容创作者

封面图、信息图、分镜图这条线最实用。尤其是公众号封面、小红书图文这类“字比画多”的场景，文字渲染一直是开源模型的弱项，这次是官方重点提升的方向之一。

④ 开发者 / 有显卡的玩家

这次的生态配套相当完整——ComfyUI 发布当天就支持（Comfy-Org 提供了权重）、Diffusers 已合并对应支持、SGLang 与 vLLM-Omni 也在首日可用，适合做服务化部署和批量生成。

如果你是普通人（没显卡、不写代码）：先别急

目前官方放出的是模型权重和技术报告（GitHub、Hugging Face、魔搭），尚未公告线上体验入口。按以往节奏，权重开源到平台接入通常还要几天到几周。这期间你可以：

如果你有显卡、想本地跑：先看清门槛

这是本次最容易被“7B”两个字骗到的地方。据第三方实测（Mushroom Research Blog，2026-09-21），官方 H100 基准下：

56.5 GB 意味着什么？A100/H100（80GB）可以全精度跑；RTX 4090（24GB）只能靠 CPU offload，把峰值压到约 12–14 GB，代价是速度大幅下降，基本不实用。而且首日没有官方量化版本（无 GGUF / FP8 / INT8）。

热度之下，有三件事我觉得必须说清楚。

第一，也是最重要的：开源 ≠ 可以免费商用

多个第三方仓库与社区信息显示，Qwen-Image-2.1 的许可证是Qwen Research License（研究用途），与上一代 Qwen-Image 的 Apache 2.0 不同，商用需要单独向阿里云获取授权。

再次强调：具体条款请以 GitHub / Hugging Face 仓库中的 LICENSE 文件为准，别只看新闻标题里的“开源”两个字。

第二，“7B”说的是主干，不是显存

前面说过，7B 是视觉生成部分；把文本编码器等算上，整体规模要大得多。再叠加56.5 GB 的峰值显存，结论很清楚：小模型不等于小门槛。对绝大多数个人用户来说，本地跑这件事短期内不现实——这跟“模型多强”是两回事，得分开看。

第三，60.28 分该怎么看

这个分数来自千问自己的 Qwen-Image-Bench，不是第三方独立榜单；官方目前也未公布 FID、CLIP score 这类可复核的量化指标。所以更稳妥的读法是：它在自家口径下超过了 Nano Banana 2.0 和 GPT Image 1.5，说明开源模型第一次在这个量级上摸到了闭源模型的后背，但别把它当成“碾压闭源”的结论。

社区早期反馈里还有两个值得留意的点：

另外，首日没有任何社区 LoRA 或 ControlNet可用，微调生态也还是空白。这些都会随时间改善，但今天就是这个状态。

聊完技术，说三个我自己的判断。

第一，AI 生图的竞争，正在从“能不能生成”转向“能不能改到能用”

过去两年大家比的是“第一眼惊艳度”；现在比的是“第七稿能不能改对”。透明图、多参考图、圈哪改哪——这三件事指向同一个方向：让 AI 的产物能直接进工作流，而不是只能发朋友圈。

第二，对普通人来说，“等”是最省力的策略

模型权重已经开源了，但离你在手机上随手用上，中间还隔着“量化”和“平台接入”两步。这两步通常由社区和平台在几周内补齐。你要做的不是抢着装环境，而是先把自己的需求想清楚。

第三，给你三条今天就能做的准备

技术的进步从来不是先问你愿不愿意，而是先悄悄出现在你同事的电脑上。

你平时做图最烦的是哪一步——抠图、改字，还是拼素材？如果这些都能一句话解决，你最想先交给 AI 哪件活？评论区聊聊。

资料来源（核验日期 2026-09-21）

小智科技

分享 AI 观察与干货，用得上、看得懂

长按识别二维码 · 关注不迷路

关注