原始来源日期:2026-09-20。本文为研发价值回顾,不代表该资料于今日首次发布。
原文编译
Qwen团队把2.1版定位为紧凑、统一的图像创建模型。视觉生成部分包含32层Single-Stream DiT、约70亿参数,同一模型承担文生图与图像编辑,并能根据提示直接输出带透明通道的RGBA图像,不再要求单独切换透明图层模型。
推理优化采用混合粒度注意力:文本系统前缀和编辑指令使用token级因果掩码,图像生成使用chunk级掩码;输入图与指令可作为静态上下文复用KV缓存。官方称该设计尤其改善多参考图编辑的效率,但博客没有给出可直接跨硬件比较的统一延迟数字。
模型最多接受10张参考图,并支持圆圈、涂抹标记或独立mask指定局部区域。官方示例覆盖多人合成、虚拟试穿、室内布置、人物与商品一致性、全景图、信息图和分镜。透明图像还能继续编辑文字或表情,并从普通照片抽取主体。
这些能力说明模型在资产制作流程中尝试减少工具切换,但展示样例由发布方挑选。身份保持、文字准确率、遮挡处理和连续多轮编辑的误差仍需用业务数据复核。开源发布也不自动回答显存、量化、许可兼容和内容安全策略。
量仔观察
本站认为,原生透明通道对电商素材与设计管线比单纯画质提升更有工程价值,因为它能减少抠图和格式转换。测试时应检查alpha边缘、半透明像素与后续合成,而不是只看白底预览。
多参考图会放大身份与素材授权问题。团队应为每张输入保存来源和许可,并在复测中加入中文小字、品牌纹理和重复编辑。只有当一致性、显存和失败率都可量化,才能判断7B规模是否真的降低总制作成本。
