今日 AI 工具｜2026/09/21：Qwen-Image-2.1，一個模型同時生圖、局部修改、去背，還能一次吃 10 張參考圖｜文章

Qwen 9 月 20 日發布 Qwen-Image-2.1，把文字生圖、既有圖片編輯、透明背景 RGBA、照片主體抽取與最多 10 張 Reference Images 放進同一個模型。它的 Visual Generation Component 只有 7B Parameters，原生支援 2K，也能用圓圈、塗色或 Mask 指定局部修改。最實用的地方不是又多一個 AI 生圖模型，而是「人物、商品、服裝、場景各給一張」這種原本很難控制的工作，開始能用多張參考圖一起完成。不過官方目前使用 Qwen Research License，公開權重不等於可直接自由商用。

AI 生圖最常遇到一個很實際的問題：

第一張很漂亮。

但你想改一點東西之後，

整張圖又變了。

人物臉換掉。

商品形狀跑掉。

衣服變了。

背景也跟著重畫。

如果一次要參考：

人物、

衣服、

鞋子、

商品、

場景，

模型更容易混在一起。

Qwen 最新發布的 Qwen-Image-2.1，

想處理的正是這類問題。

Qwen-Image-2.1 是什麼？

它是 Qwen 最新的：

Image Generation＋Image Editing Model。

和過去常見的：

一個模型負責生圖，

另一個工具再負責：

去背、

Inpainting、

局部修改

不同，

Qwen-Image-2.1 把很多工作放進：

同一個模型。

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

所以它比較不像：

「一句 Prompt 幫我畫一張漂亮圖片。」

而開始比較接近：

完整的圖片製作工具。

第一個最實用的功能：最多 10 張 Reference Images

這可能是一般創作者最值得注意的地方。

Qwen-Image-2.1 最多可以一次使用：

10 張 Reference Images。

例如你想做一張品牌形象照。

可以分別提供：

第 1 張：

人物。

第 2 張：

上衣。

第 3 張：

褲子。

第 4 張：

鞋子。

第 5 張：

包包。

第 6 張：

帽子。

第 7 張：

拍攝場景。

再要求 AI：

把這些元素組合成一張完整照片。

官方展示的案例裡，

甚至直接把：

人物、

衣服、

鞋子、

包包、

帽子

從不同圖片組合成一個完整 Outfit。

這和以前：

只給一張參考圖，再用文字描述其他元素

很不一樣。

為什麼多 Reference 很重要？

因為文字描述不一定能精準保存：

商品比例。

人物特徵。

服裝細節。

品牌設計。

例如你跟 AI 說：

「黑色皮革手提包。」

它可能生成一個：

看起來合理的黑色皮包。

但你真正要的是：

這一個商品。

這時候圖片 Reference 的價值就比文字高很多。

所以真正實用的 Workflow 會慢慢變成：

人物 Reference

＋商品 Reference

＋服裝 Reference

＋場景 Reference

＋文字 Instruction。

而不是所有東西都靠 Prompt 猜。

第二個功能：不要整張重畫，只改指定區域

Qwen-Image-2.1 也支援：

Local Editing。

你可以用：

Circle、

Painted Annotation、

Mask

指出：

哪個地方要改。

例如一張人物照片裡：

圈住手錶。

要求：

「移除手錶。」

圈住頭髮。

要求：

「改成深棕色。」

選取衣服。

要求：

「換成米白色襯衫。」

真正的目的不是讓 AI：

再生一張「差不多的人」。

而是：

把修改範圍縮小。

這對：

商品圖、

人物形象照、

廣告素材、

社群圖片

都比較實用。

但「只圈這裡」不代表其他地方一定 Pixel-level 完全不變

這一點還是要保留現實。

Image Generation Model 本質上仍然是在重新推理圖片。

Local Edit 的目標是：

更精準控制修改範圍。

不是保證：

其他每一個 Pixel 都 Bit-for-bit 完全相同。

所以如果是：

Logo、

精確商品包裝、

法律文件、

醫療圖片、

需要完全固定的設計元素，

修改後仍然要：

重新比對。

不要只因為用了 Mask，

就認定其他地方一定沒有變。

第三個功能：直接生成透明背景

這個功能其實非常實用。

Qwen-Image-2.1 原生支援：

RGBA Transparent Image。

也就是圖片本身就可以有：

Alpha Channel。

簡單講：

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。

簡報插圖。

網站 Icon。

影片疊加元素。

以前常見流程可能是：

生成圖片

↓

再丟到另一個工具去背

↓

修邊

↓

輸出 PNG。

現在模型可以直接：

從生成階段處理 Transparency。

已經有照片，也能直接抽出主體

透明背景不只用在：

從零開始生成。

官方還特別列出：

Subject Extraction。

例如你有一張：

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，

輸出透明素材。

對：

電商、

廣告、

簡報、

社群設計

都很實際。

因為很多工作真正花時間的不是：

「創作一張藝術圖。」

而是：

把素材整理成能繼續使用的格式。

第四個功能：原生支援 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

等建議尺寸。

這對內容創作者很實用。

因為同一個 Model 就能直接處理：

Instagram Square。

Website 16:9。

Reels／Shorts 9:16。

直式海報。

橫式廣告。

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

官方很強調：

7B Parameters。

不過這裡要看完整說法。

7B 指的是：

Visual Generation Component。

也就是核心圖像生成 Transformer。

Qwen-Image-2.1 另外使用：

Qwen3-VL 8B

作為 Text Encoder，

負責理解：

文字 Instruction

和：

Reference Images。

所以不要把：

「7B Visual Generation Component」

簡化成：

整套系統總共只有 7B。

比較準確的說法是：

Qwen 希望把主要圖像生成部分做得更 Compact，

同時保留多 Reference 與 Editing 能力。

為什麼它要做得比較小？

Image Model 很容易遇到一個現實問題：

越強，GPU 越吃。

如果每一次：

生成、

改圖、

多 Reference

都需要非常大的 Compute，

實際部署成本會很高。

Qwen-Image-2.1 使用：

Mixed-granularity Attention

和：

Prefix KV Cache Reuse。

尤其多圖 Editing 時，

Reference Images 與文字 Context 不需要每一個 Denoising Step 全部重新計算。

簡單理解就是：

已經看過的 Reference，不要一直重新讀。

目的是減少重複運算。

Prompt 太短，官方甚至另外準備 AI 幫你重寫

另一個很有意思的功能是：

Qwen 這次還另外釋出兩個：

Prompt Rewriting Models。

一個專門處理：

Text-to-Image。

另一個處理：

Image Editing。

例如你只寫：

「把天空改成夕陽。」

Prompt Rewriter 可以先幫你展開成更完整的描述：

哪些地方要改。

夕陽的光線如何。

哪些主體應保持。

輸出比例如何處理。

也就是：

先讓一個 AI 把你的需求整理好，再交給圖片 AI。

這個方向很值得注意。

因為一般使用者不一定需要自己背：

幾十種 Prompt 技巧。

模型前面可以再加一層：

Instruction Translator。

那現在要去哪裡用？

目前最直接的方式主要有幾種。

如果只是想體驗：

官方 Repository 提供 Hugging Face Demo 入口。

ModelScope 也支援：

Online Generation。

如果自己有 GPU，

可以使用：

Diffusers。

Qwen-Image-2.1 在發布當天就取得 Day-0 Support。

如果平常習慣視覺化 Workflow，

也可以使用：

ComfyUI。

ComfyUI 同樣在發布當天就原生支援：

Text-to-Image

和：

Image Editing。

所以它不是只有：

「Weights 放出來，大家自己想辦法。」

相關生態工具已經同步接上。

一般使用者需要自己裝嗎？

不一定。

如果只是：

測試效果、

偶爾生圖，

先使用 Online Demo 比較簡單。

Local Deployment 比較適合：

想控制 Workflow、

大量生成、

研究 Model、

需要自己管理素材、

或本來就會用 ComfyUI／Diffusers

的人。

因為自己跑還涉及：

GPU VRAM、

Python Environment、

Model Weights、

Storage、

Inference Settings。

所以「公開權重」不等於：

下載一個 App 就能直接跑。

最大的提醒：公開權重，不等於自由商用

這是今天最不能忽略的一點。

Qwen 官方把 Qwen-Image-2.1 稱為：

Open-source Image Generation Model。

模型 Weights 也確實公開下載。

但它目前不是一般常見的：

Apache 2.0

License。

而是：

Qwen Research License Agreement。

這份 License 明確寫出：

目前授權是：

Non-commercial Research／Evaluation。

如果要把 Qwen-Image-2.1 Materials 用於：

Commercial Purpose，

需要另外取得：

Commercial License。

所以：

可以下載模型，

不等於：

可以直接拿來替客戶做商業產品。

這兩件事一定要分開。

那生成出來的圖片也完全不能商用嗎？

這裡不要過度簡化。

官方 License 的主要限制，

明確針對的是：

Qwen Materials

以及利用這套 Materials 的 Commercial Use。

但實際商用一張生成圖片時，

還可能同時涉及：

你是透過哪個 Service 使用、

該服務自己的 Terms、

Reference Image 權利、

人物肖像、

Trademark、

等問題。

所以最安全的做法不是看到：

「Open-source」

就直接下結論：

所有 Output 隨便商用。

如果你準備把它放進：

收費服務、

客戶專案、

商業產品、

大量 API Workflow，

先確認：

你使用的模型／平台到底適用哪份 License。

Qwen-Image-2.1 真正值得看的不是 Benchmark

今天這個工具最實用的地方，

其實可以濃縮成四件事：

多張 Reference

讓 AI 不必只靠文字猜人物、商品與風格。

Local Editing

讓修改範圍變得更明確。

Native Transparency

少掉額外去背流程。

Unified Model

不用每做一個步驟就換一個不同 Model。

這意味著 AI 圖像工具正在從：

「幫我生成一張漂亮的圖。」

往：

「幫我完成一段圖片製作流程。」

移動。

對真正做內容的人來說，

後者才更有價值。

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。