阿里开源 Qwen-Image-2.1 上手实测：生图修图抠透明底一个模型全包，3090 就能跑

做设计或运营的朋友大概率经历过这种工作流：生图开一个工具，精修切到另一个工具，要做透明底贴纸再开一个抠图软件，三个软件之间来回导出导入。闭源模型效果是好，按张计费的账单也真实。有没有可能一个模型把这些活全干了，还能在自己电脑上离线跑？

云栖大会上阿里开源的 Qwen-Image-2.1（https://qwen.ai/blog?id=qwen-image-2.1） 给了一个相当有诚意的答案。官方博客和权重都已放出，可在 Hugging Face 和 ModelScope 下载，模型架构与使用说明在官方 GitHub 仓库能查到。

规格先划重点

• 7B 参数：视觉生成部分采用 32 层 Single-Stream DiT，消费级显卡轻松部署，3090 就能跑；
• Arena 双榜开源第一：图像编辑 1367 分、文生图 1228 分，在 Arena 公开评测里超过所有开源竞品，也压过了不少闭源模型；
• 推理加速：混合粒度注意力加 KV Cache，文本走 Token 级掩码、图像走 Chunk 级掩码，输入图像和编辑指令第一步就预计算缓存。实测单卡 4090 出 1K 图约 18-22 秒，双 4090 出高清约 21 秒，原生 2K 大约两分钟；
• 三合一：生成、编辑、透明背景图由同一个模型原生学会，不是两套系统拼起来，透明能力整合了 Qwen-Image-Layered 的积累。

本地部署路径

在 Comfy 桌面端加载模型权重即可跑通全部案例。步骤不复杂：

1. 从 Hugging Face 或 ModelScope 下载 Qwen-Image-2.1 权重；
2. ComfyUI 桌面端安装并挂载模型；
3. 文生图直接写提示词；需要透明图时在提示词里说明"背景完全透明"，模型会自行判断输出普通图还是透明图；
4. 修图场景喂入原图加编辑指令，多图参考最高支持 10 张。

8GB 显存有用户跑通了生成与编辑，显存紧张的建议从量化版本入手。

四个真正好用的能力

原生透明输出。这是我认为它对开源社区最有价值的一点。以前做一张透明底贴纸，流程是先生成带背景的图再抠；现在提示词写清楚需求，直接输出透明底 PNG，带阴影、描边、半透明光效的多元素贴纸，每个元素的透明边缘都是干净的。透明图还能继续编辑——改表情、改图层文字，背景依旧透明。更实用的是能把 RGB 实拍照片直接转成 RGBA，发丝、玻璃杯这种难啃的边缘也能处理，等于省掉一款抠图工具。

多图参考最多 10 张。实测两个高频场景都成立：把几个人各自的单人照合成一张自然合照，面孔区分清晰；给电商做上身图，模特图加外套、衬衫、牛仔裤、皮包四张单品图，一句话让模特穿戴整齐，材质纹理和版型都忠实于单品图，直接能当详情页成片用。

局部编辑与保真。圈选或涂抹要改的区域，掩码之外无损保留；编辑后人像的脸保持一致，商品图的文字、纹理、形态不跑偏。连续编辑还能做出简单的逐帧动画。扩图效果同样在线，建筑透视和消失点都遵循原图。

中文文字渲染。这一代的文字渲染被官方总结为"字雅、人美"，实测海报场景里大标题汉字笔画结构完整、书法手写体不糊，信息图、三视图这类以前只有闭源模型能稳定做的事现在也能出。

用之前注意三件事

• 许可协议：Qwen Research License，公开权重默认只能做研究和评估，要放进商业产品需要另行申请授权，商用项目别直接上生产环境；
• 抽卡率：开源模型出图稳定性比闭源头部产品略差，重要项目多留几次生成的余量；
• 显存与速度：3090 是流畅基线，更低配置可用量化版但出图速度和精度会有折损。

我的看法

Qwen-Image-2.1 的价值不在某一张图多惊艳，而在把三件原本要三个工具的事压进了一个 7B 模型。对独立设计师和小团队来说，这是工作流的实质简化：本地离线、无按张计费、数据不出门。开源模型与闭源的差距在图像这条赛道已经缩到肉眼难辨的程度，Arena 上开源第一和闭源头部只差零点几分。

可以预期的是，本地跑起来的人多了，衍生模型、插件和成熟工作流会快速跟进——开源生态落到图像模型上，向来是这个剧本。趁现在上手把工作流搭起来，等生态起来时你已经在前排了。