编辑｜泽南 AI 写代码的能力经常能让开发者「双手离开键盘」，但对于设计师而言，AI 生成的图片距离能交稿总是差了好几步。 在图像设计的工作流中，人物需要抠图、素材需要改字、各种商品的摆放要时不时调整，但包装上的字、瓶身的形状不能跟着变。如果需求不停调整，还得继续修改局部，让整张图保持协调。 这些细节决定了 AI 生图能否进入真正的创作流程。对设计师、电商运营和内容创作者来说，如今图像模型的瓶颈，在于每一次提出的修改指令能否准确完成。 本周日，阿里千问 正式开源图片生成模型 Qwen-Image-2.1 ，以小模型的体量解决了大部分生产力难题：它实现了文生图与图像编辑一体化，原生支持透明图生成，最高可以接收 10 张参考图，还进一步强化了局部编辑、人像与商品保真。 它成为了千问图像系列当前最平衡、性价比最高开源生图模型。公开评测结果显示，Qwen-Image-2.1 取得开源模型第一，得分甚至超过了 Nano Banana 2.0。要知道，这个模型的视觉生成部分参数量仅为 7B。 在 X 等平台上，已经有提前获得体验资格的用户放出了生成结果，大家一阵好评。有包含大量文字内容的效果图： 生成出真实照片质感图片的： 也有尝试各种不同滤镜、打光风格的： 人们认为 Qwen-Image-2.1 在指令遵循、抽卡成功率以及实际效果上都令人印象深刻。基于新模型的能力，我们已经可以串起素材生成、组合与修改的工作流，用 AI 来解决很多复杂的修图问题。 能力与效率 据介绍， Qwen-Image-2.1 的视觉生成部分采用 20 层 Single-Stream DiT，参数量为 7B，原生支持 2K 。该模型在评测基准中实现了超越体量的水平：Qwen-Image-2.1 的总分为 60.28。相比之下，Nano Banana 2.0 为 59.82，GPT Image 1.5 为 59.65。它已经能够与多款闭源图像模型同场竞争。 Qwen-Image-Bench 评测图表。 视觉生成部分仅有 7B 参数，也让这样的能力水平更值得关注：其在较小的生成模块中同时容纳了生图、透明素材生成与多图编辑能力（生成和编辑统一管线），为开发者部署和定制图像工具提供了更轻量的起点。 性能不错的同时，Qwen-Image-2.1 还对模型的推理过程进行了优化，核心思路是减少不必要的重复计算。 在一次图像编辑中，输入的参考图和编辑指令不会随着每一步生成而改变。因此，新模型使用混合粒度注意力结构，文本部分（系统前缀、编辑指令）遵循传统 Token 级因果掩码，逐词进行严格的序列计算以保证语义逻辑理解的连贯性，图像生成部分则采用 Chunk 级掩码，并通过 KV Cache 的机制在首步计算后缓存这些静态上下文，供后续生成步骤复用。 这意味着 AI 现在会先处理好参考材料，在逐步生成目标图片时重复利用已有结果，这种优化在多图片输入时效果更为明显，有助于提升推理效率、降低显存开销。 因为现在 Qwen-Image-2.1 最多支持 10 张参考图了，这项优化就显得至关重要。输入内容越丰富，如何处理参考信息、控制重复计算就越值得关注。至于具体能节省多少时间和显存，还需要结合硬件、精度、分辨率与输入数量来判断。 直接生成可用透明素材 要说新版本 Qwen-Image 最贴近设计需求的能力，那就是透明图生成了。 常规的图片素材通常带有完整背景。要把其中的主体用到海报、商品详情页或另一张图片里，往往需要先抠图，处理轮廓、缝隙和边缘。透明图片则包含额外的透明度信息，能让背景从主体周围或部分区域透出来，方便后续叠放和组合。 Qwen-Image-2.1 原生支持透明图生成 ，可以依据提示词自动决定生成的是普通图片还是透明图，用户在描述素材时就能提出透明背景的要求。目前展示的样例包括节庆插画、人物素材、装饰元素，以及由多个对象构成的复杂组合，对应的都是设计工作里常见的素材需求。我们也尝试了一下： 对于创作者来说这是个好消息，现在我们可以得到直接可用的素材了，工作直接少了几道工序。 当然，这些透明素材生成之后也能继续修改。比如同一个插画人物可以调整表情，图片中的文字可以修改内容。编辑对象既可以是人物的视觉细节，也可以是素材中的文字。 这与设计时的真实修改需求很接近：活动名称换了，图案仍然需要保留；表情要更轻松一些，人物仍然要能被识别为同一个角色。生成与编辑被放进同一模型后，这些后续要求也有了统一的处理入口。 当然，Qwen-Image-2.1 支持对已有照片进行处理。 官方给出了从真实照片中提取所需内容、得到 RGBA 透明图的案例。其中的 A 代表透明度通道，用来描述图片各处的透明程度。 可见，这项能力既服务于从零开始生成，也覆盖了已有图片的再利用。创作者可以先提供照片，再要求模型