小黃老師嘿技術

1. Qwen-Image-2.1 是什麼？

Qwen-Image-2.1 是 Qwen 團隊在 2026 年 9 月推出的開放權重圖像生成與編輯模型。和只專注 Text-to-Image 的模型不同，它從一開始就把「生圖」與「圖片編輯」放進同一套架構，所以同一個模型不只能從文字生成新圖片，也能拿既有圖片來換衣服、修改局部、加入其他參考素材，甚至輸出具有 Alpha Channel 的透明圖片。

官方這次特別強調四件事：模型核心更精簡、原生透明圖層、更完整的多圖與局部編輯，以及更好的文字、人物光影與細節。如果你平常會用 Stable Diffusion、FLUX 或 ComfyUI，Qwen-Image-2.1 最值得注意的其實不是「又多了一套生圖模型」，而是它想把過去要串好幾個模型的工作流程，慢慢收進同一套 Pipeline 裡。

2. 官方說的 7B，到底代表什麼？

Qwen-Image-2.1 最吸睛的數字之一就是 7B Parameters。不過這裡有一個很容易誤會的地方：官方所說的 7B，是指負責主要圖像生成工作的視覺生成元件，不是整套模型載入後總共只有 70 億參數。

它的生成核心採用 32 層 Single-Stream DiT，另外還會搭配 Qwen3-VL 8B 作為文字與條件圖片 Encoder，以及支援 RGBA 的 VAE。因此如果你在評估顯示卡記憶體，不要看到「7B」就直接拿一般 7B 語言模型的 VRAM 經驗來估算。

3. 最大亮點之一：原生透明背景 RGBA

如果平常有在做網站素材、商品圖、貼圖或簡報，你應該很熟悉這個流程：先用 AI 生圖，再丟進去背工具，最後輸出透明 PNG。Qwen-Image-2.1 的不同之處，在於它本身就加入了透明圖片生成與編輯能力。

也就是說，你可以直接要求它產生一個帶有 Alpha Channel 的角色、商品或設計元素，也可以把一般 RGB 照片裡的主體擷取出來，變成透明 RGBA 圖層。甚至已經是透明背景的圖片，也能繼續修改人物表情或文字內容，而不必重新補背景。

This is an RGBA image with transparency.
A cute futuristic robot mascot holding a laptop,
clean 3D illustration, detailed materials, studio lighting.
The image has an alpha channel and the background is transparent.

對電商、UI 設計、遊戲素材、簡報插圖與社群圖卡來說，這個功能很實際，因為它有機會省掉傳統「生成 → 去背 → 修邊」的其中一段工作。

4. 最多 10 張參考圖，多圖合成變得更實用

Qwen-Image-2.1 最多支援 10 張 Reference Images。這個能力真正厲害的地方，不是單純把十張圖片拼成一張，而是讓模型可以同時理解不同圖片中各自代表的角色、商品或物件，再依照指令重新組成新的畫面。

官方展示的案例包括：把六張不同人物照片合成一張團體照；把模特兒、衣服、鞋子、包包與帽子共五張圖片組合成完整穿搭；也能以多張家具參考圖重新配置室內空間。

Use the person from <image1>.
Dress her in the jacket from <image2>,
the pants from <image3> and the shoes from <image4>.
Preserve the identity and facial features of <image1>.
Create a realistic fashion editorial photograph.

另外，局部修改也不一定只能靠傳統黑白 Mask。Qwen-Image-2.1 可以辨識你在圖片上畫出的圓圈或塗色區域，因此你可以直接圈出手錶、頭髮或衣服，再告訴模型各自要做什麼修改。對不想花時間做精細遮罩的人來說，操作門檻會低不少。

5. 文字、人物與商品細節也是這次重點

AI 生圖最常翻車的地方之一就是文字。Qwen-Image 系列本來就很重視圖片裡的文字生成，而 2.1 進一步強調 Typography，不只希望字打對，也會考慮字型風格、版面位置與整張圖片的視覺關係。

如果你要做海報，Prompt 最好直接指定真正要出現在畫面上的文字，而不是只說「幫我加一段標題」。例如：

A cinematic technology advertisement.
Large headline at the center reads "AI IS NOW LOCAL".
Smaller subtitle underneath reads "Powered by Qwen-Image-2.1".
Dark futuristic background, premium typography, minimalist composition.

人物與商品也是 2.1 的改善方向。官方特別提到 Portrait Lighting、Fine Details 與 Fidelity Preservation，也就是希望在編輯照片時盡可能保留人物身分特徵，以及商品上的文字、材質和形狀，而不是一修改就整個重新畫成另一個東西。

6. 不太會寫 Prompt？官方還準備了 Prompt Enhancer

這次 Qwen 還另外釋出兩套 Prompt Rewriting 模型，分別用在 Text-to-Image 與 Image Editing。它們以 Qwen3.5-VL 9B 為基礎微調，功能不是直接生圖，而是先把你很簡短的指令改寫成更完整、更適合 Qwen-Image-2.1 理解的描述。

例如你可能只輸入「一個女生坐在台北咖啡廳」，Prompt Enhancer 可以補足人物、場景、構圖、光線、材質與畫面比例等資訊。官方 Text-to-Image Prompt Enhancer 的輸出甚至包含建議比例，例如 {"rewritten_prompt":"...","wh_ratio":"16:9"}。

因此如果你覺得自己每次都要研究 Prompt 很累，一個很合理的流程會是：簡短想法 → Prompt Enhancer → Qwen-Image-2.1 生圖。對一般使用者反而比較接近聊天式創作。

7. 用 Diffusers 跑 Qwen-Image-2.1

如果習慣 Python，官方已經提供 Diffusers 的 Day-0 支援，可以直接使用 QwenImage21Pipeline。

pip install "torch>=2.4.0"
pip install "transformers>=5.17"
pip install git+https://github.com/huggingface/diffusers
pip install accelerate pillow

import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1",
    torch_dtype=torch.bfloat16
).to("cuda")

image = pipe(
    prompt="A neon shop sign that reads QWEN IMAGE 2.1, rainy night, reflections on wet pavement",
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]

image.save("qwen-image-2.1.png")

官方 Quick Start 使用 40 Steps。第一次測試時，建議先照官方參數跑出正常結果，再慢慢改解析度、Steps 與量化方式，不然一次改太多，很難判斷到底是哪個設定造成品質下降或爆顯示卡記憶體。

8. 不想寫程式？ComfyUI 反而更方便

對一般本地生圖玩家而言，ComfyUI 可能是更直覺的選擇。Qwen-Image-2.1 發布時就獲得 ComfyUI 原生支援，Comfy-Org 也提供重新封裝好的模型檔案與 Text-to-Image、Image Edit Workflow。

基本資料夾結構如下：

ComfyUI/
└── models/
    ├── diffusion_models/
    │   └── qwen_image_2.1_*.safetensors
    ├── text_encoders/
    │   └── qwen3vl_8b_*.safetensors
    └── vae/
        └── qwen_image_2.1_vae_bf16.safetensors

Comfy-Org 目前提供不同精度檔案，例如 BF16 與 INT8 的 Diffusion Model，以及 BF16、INT8、W4A8 的 Qwen3-VL Text Encoder。這代表硬體有限時，不一定要硬塞完整 BF16 組合。

另外看到 Hugging Face 上整個 Comfy-Org Repository 有數十 GB，也不用嚇到，因為裡面同時放了不同精度、不同用途與 Prompt Enhancer 的模型，不代表全部都必須下載。

9. Qwen-Image-2.1 的 Prompt 怎麼寫比較好？

它不是 Stable Diffusion 早期那種一定要塞滿「masterpiece、best quality、8K、ultra detailed」關鍵字才會動的模型。與其一直堆形容詞，不如直接把你真正想看到的畫面講清楚。

A realistic editorial photograph of a young woman sitting inside a modern Taipei coffee shop at night.
She wears a black oversized jacket and silver headphones.
The woman is positioned on the left side of the frame, looking through a rain-covered window.
Taipei city lights appear softly blurred in the background.
Warm tungsten light illuminates her face while cool blue light comes from outside.
Natural skin texture, shallow depth of field, 35mm photography, cinematic composition.

做圖片編輯時則可以記住另一個公式：要改什麼＋哪些東西一定要保留。例如「把白色 T-shirt 換成黑色皮衣」，後面再補「保留臉、髮型、姿勢、背景與原本光線」，通常會比一句「幫她換衣服」更容易控制結果。

10. 想拿來賺錢？先看懂授權

這是我覺得下載之前最不能漏看的一件事。Qwen-Image-2.1 目前使用的是 Qwen Research License Agreement，並不是常見的 Apache 2.0 或 MIT。

依目前官方條款，所授予的模型材料使用權限定於非商業用途，條款中將 Non-Commercial 定義為研究或評估用途。若要將相關模型材料用於商業用途，需要另外取得商業授權。

11. Qwen-Image-2.1 到底適合誰？

如果你的需求只是「偶爾輸入一句話生一張漂亮圖片」，市場上其實有很多更省事的線上服務。但如果你在意的是本地部署、ComfyUI 工作流、多張圖片參考、商品或人物修改、透明素材與更細的創作控制，Qwen-Image-2.1 就變得很有意思。

它真正吸引人的地方，不是單純用 7B 核心模型去追求排行榜，而是嘗試讓同一套模型同時處理「生成、修改、局部編輯、多圖融合、透明圖層」。過去可能要生圖模型、IP Adapter、Inpainting、去背工具輪流上場，現在開始有機會收斂成更一致的創作流程。