今日 AI 工具｜2026/09/21：Qwen-Image-2.1，一个模型同时生图、局部修改、去背，还能一次吃 10 张参考图｜文章

Qwen 9 月 20 日发布 Qwen-Image-2.1，把文字生图、既有图片编辑、透明背景 RGBA、照片主体抽取与最多 10 张 Reference Images 放进同一个模型。它的 Visual Generation Component 只有 7B Parameters，原生支持 2K，也能用圆圈、涂色或 Mask 指定局部修改。最实用的地方不是又多一个 AI 生图模型，而是「人物、商品、服装、场景各给一张」这种原本很难控制的工作，开始能用多张参考图一起完成。不过官方目前使用 Qwen Research License，公开权重不等于可直接自由商用。

AI 生图最常遇到一个很实际的问题：

第一张很漂亮。

但你想改一点东西之后，

整张图又变了。

人物脸换掉。

商品形状跑掉。

衣服变了。

背景也跟着重画。

如果一次要参考：

人物、

衣服、

鞋子、

商品、

场景，

模型更容易混在一起。

Qwen 最新发布的 Qwen-Image-2.1，

想处理的正是这类问题。

Qwen-Image-2.1 是什么？

它是 Qwen 最新的：

Image Generation＋Image Editing Model。

和过去常见的：

一个模型负责生图，

另一个工具再负责：

去背、

Inpainting、

局部修改

不同，

Qwen-Image-2.1 把很多任务作放进：

同一个模型。

目前官方列出的核心能力包括：

Text-to-Image
Existing Image Editing
Multi-reference Editing
Local Editing
Transparent Image Generation
Subject Extraction
Text Rendering
Portrait／Product Fidelity

所以它比较不像：

「一句 Prompt 帮我画一张漂亮图片。」

而开始比较接近：

完整的图片制作工具。

第一个最实用的功能：最多 10 张 Reference Images

这可能是一般创作者最值得注意的地方。

Qwen-Image-2.1 最多可以一次使用：

10 张 Reference Images。

例如你想做一张品牌形象照。

可以分别提供：

第 1 张：

人物。

第 2 张：

上衣。

第 3 张：

裤子。

第 4 张：

鞋子。

第 5 张：

包包。

第 6 张：

帽子。

第 7 张：

拍摄场景。

再要求 AI：

把这些元素组合成一张完整照片。

官方展示的案例里，

甚至直接把：

人物、

衣服、

鞋子、

包包、

帽子

从不同图片组合成一个完整 Outfit。

这和以前：

只给一张参考图，再用文字描述其他元素

很不一样。

为什么多 Reference 很重要？

因为文字描述不一定能精准保存：

商品比例。

人物特征。

服装细节。

品牌设计。

例如你跟 AI 说：

「黑色皮革手提包。」

它可能生成一个：

看起来合理的黑色皮包。

但你真正要的是：

这一个商品。

这时候图片 Reference 的价值就比文字高很多。

所以真正实用的 Workflow 会慢慢变成：

人物 Reference

＋商品 Reference

＋服装 Reference

＋场景 Reference

＋文字 Instruction。

而不是所有东西都靠 Prompt 猜。

第二个功能：不要整张重画，只改指定区域

Qwen-Image-2.1 也支持：

Local Editing。

你可以用：

Circle、

Painted Annotation、

Mask

指出：

哪个地方要改。

例如一张人物照片里：

圈住手表。

要求：

「移除手表。」

圈住头发。

要求：

「改成深棕色。」

选取衣服。

要求：

「换成米白色衬衫。」

真正的目的不是让 AI：

再生一张「差不多的人」。

而是：

把修改范围缩小。

这对：

商品图、

人物形象照、

广告素材、

社区图片

都比较实用。

但「只圈这里」不代表其他地方一定 Pixel-level 完全不变

这一点还是要保留现实。

Image Generation Model 本质上仍然是在重新推理图片。

Local Edit 的目标是：

更精准控制修改范围。

不是保证：

其他每一个 Pixel 都 Bit-for-bit 完全相同。

所以如果是：

Logo、

精确商品包装、

法律文档、

医疗图片、

需要完全固定的设计元素，

修改后仍然要：

重新比对。

不要只因为用了 Mask，

就认定其他地方一定没有变。

第三个功能：直接生成透明背景

这个功能其实非常实用。

Qwen-Image-2.1 原生支持：

RGBA Transparent Image。

也就是图片本身就可以有：

Alpha Channel。

简单讲：

背景可以直接是透明的。

例如你可以生成：

Sticker。

商品素材。

人物 Cutout。

演示文稿插图。

网站 Icon。

视频叠加元素。

以前常见流程可能是：

生成图片

↓

再丢到另一个工具去背

↓

修边

↓

输出 PNG。

现在模型可以直接：

从生成阶段处理 Transparency。

已经有照片，也能直接抽出主体

透明背景不只用在：

从零开始生成。

官方还特别列出：

Subject Extraction。

例如你有一张：

咖啡杯放在桌上的照片。

可以要求模型：

留下咖啡杯，

把其他背景移除，

输出透明素材。

对：

电商、

广告、

演示文稿、

社区设计

都很实际。

因为很多任务作真正花时间的不是：

「创作一张艺术图。」

而是：

把素材整理成能继续使用的格式。

第四个功能：原生支持 2K

官方目前列出的 Native Resolution 是：

2K。

例如 1:1：

2048 × 2048。

也提供：

4:3、

3:4、

3:2、

2:3、

16:9、

9:16

等建议尺寸。

这对内容创作者很实用。

因为同一个 Model 就能直接处理：

Instagram Square。

Website 16:9。

Reels／Shorts 9:16。

直式海报。

横式广告。

不用每次先生成正方形，

再另外裁切。

但 7B 不代表整套模型只有 7B

官方很强调：

7B Parameters。

不过这里要看完整说法。

7B 指的是：

Visual Generation Component。

也就是内核图像生成 Transformer。

Qwen-Image-2.1 另外使用：

Qwen3-VL 8B

作为 Text Encoder，

负责理解：

文字 Instruction

和：

Reference Images。

所以不要把：

「7B Visual Generation Component」

简化成：

整套系统总共只有 7B。

比较准确的说法是：

Qwen 希望把主要图像生成部分做得更 Compact，

同时保留多 Reference 与 Editing 能力。

为什么它要做得比较小？

Image Model 很容易遇到一个现实问题：

越强，GPU 越吃。

如果每一次：

生成、

改图、

多 Reference

都需要非常大的 Compute，

实际部署成本会很高。

Qwen-Image-2.1 使用：

Mixed-granularity Attention

和：

Prefix KV Cache Reuse。

尤其多图 Editing 时，

Reference Images 与文字 Context 不需要每一个 Denoising Step 全部重新计算。

简单理解就是：

已经看过的 Reference，不要一直重新读。

目的是减少重复运算。

Prompt 太短，官方甚至另外准备 AI 帮你重写

另一个很有意思的功能是：

Qwen 这次还另外发布两个：

Prompt Rewriting Models。

一个专门处理：

Text-to-Image。

另一个处理：

Image Editing。

例如你只写：

「把天空改成夕阳。」

Prompt Rewriter 可以先帮你展开成更完整的描述：

哪些地方要改。

夕阳的光线如何。

哪些主体应保持。

输出比例如何处理。

也就是：

先让一个 AI 把你的需求整理好，再交给图片 AI。

这个方向很值得注意。

因为一般用户不一定需要自己背：

几十种 Prompt 技巧。

模型前面可以再加一层：

Instruction Translator。

那现在要去哪里用？

目前最直接的方式主要有几种。

如果只是想体验：

官方 Repository 提供 Hugging Face Demo 入口。

ModelScope 也支持：

Online Generation。

如果自己有 GPU，

可以使用：

Diffusers。

Qwen-Image-2.1 在发布当天就取得 Day-0 Support。

如果平常习惯可视化 Workflow，

也可以使用：

ComfyUI。

ComfyUI 同样在发布当天就原生支持：

Text-to-Image

和：

Image Editing。

所以它不是只有：

「Weights 放出来，大家自己想办法。」

一般用户需要自己装吗？

不一定。

如果只是：

测试效果、

偶尔生图，

先使用 Online Demo 比较简单。

Local Deployment 比较适合：

想控制 Workflow、

大量生成、

研究 Model、

需要自己管理素材、

或本来就会用 ComfyUI／Diffusers

的人。

因为自己跑还涉及：

GPU VRAM、

Python Environment、

Model Weights、

Storage、

Inference Settings。

所以「公开权重」不等于：

下载一个 App 就能直接跑。

最大的提醒：公开权重，不等于自由商用

这是今天最不能忽略的一点。

Qwen 官方把 Qwen-Image-2.1 称为：

Open-source Image Generation Model。

模型 Weights 也确实公开下载。

但它目前不是一般常见的：

Apache 2.0

License。

而是：

Qwen Research License Agreement。

这份 License 明确写出：

目前授权是：

Non-commercial Research／Evaluation。

如果要把 Qwen-Image-2.1 Materials 用于：

Commercial Purpose，

需要另外取得：

Commercial License。

所以：

可以下载模型，

不等于：

可以直接拿来替客户做商业产品。

这两件事一定要分开。

那生成出来的图片也完全不能商用吗？

这里不要过度简化。

官方 License 的主要限制，

明确针对的是：

Qwen Materials

以及利用这套 Materials 的 Commercial Use。

但实际商用一张生成图片时，

还可能同时涉及：

你是透过哪个 Service 使用、

该服务自己的 Terms、

Reference Image 权利、

人物肖像、

Trademark、

等问题。

所以最安全的做法不是看到：

「Open-source」

就直接下结论：

所有 Output 随便商用。

如果你准备把它放进：

收费服务、

客户项目、

商业产品、

大量 API Workflow，

先确认：

你使用的模型／平台到底适用哪份 License。

Qwen-Image-2.1 真正值得看的不是 Benchmark

今天这个工具最实用的地方，

其实可以浓缩成四件事：

多张 Reference

让 AI 不必只靠文字猜人物、商品与风格。

Local Editing

让修改范围变得更明确。

Native Transparency

少掉额外去背流程。

Unified Model

不用每做一个步骤就换一个不同 Model。

这意味着 AI 图像工具正在从：

「帮我生成一张漂亮的图。」

往：

「帮我完成一段图片制作流程。」

移动。

对真正做内容的人来说，

后者才更有价值。

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。