Alibaba Qwen lanza Qwen-Image-2.1: un modelo de peso abierto 7B para generación y edición de imágenes

El equipo Qwen de Alibaba ha lanzado Qwen-Image-2.1, un modelo unificado de generación de texto a imagen y edición de imágenes. Su componente de generación visual tiene parámetros 7B en 32 capas DiT de flujo único. Un punto de control cubre texto a imagen, edición de referencias múltiples, ediciones locales y salida RGBA transparente.

¿Es desplegable? Sí, para investigación y evaluación. El soporte del día 0 cubre Difusores, ComfyUI, vLLM-Omni, SGLang y LightX2V. La implementación comercial necesita una licencia independiente de Qwen.

Del 20B al 7B

El Qwen-Image original se envió en agosto de 2025 como modelo 20B bajo Apache 2.0. La edición se realizaba en un punto de control separado de Qwen-Image-Edit. Qwen-Image-2.1 pliega ambos trabajos en un solo modelo de aproximadamente un tercio del tamaño. El equipo de Qwen lo considera el modelo más equilibrado y rentable de la serie Qwen-Image. Una cosa importante a tener en cuenta aquí para la planificación de capacidad: la cifra 7B cubre únicamente el transformador de difusión. La tubería también carga un codificador 8B Qwen3-VL.

Arquitectura

El GitHub Repo enumera 4 componentes:

Transformador: 32 capas, parámetros 7B, diseño de flujo único con atención causal en bloque. Codificador de texto: Qwen3-VL 8B, que codifica instrucciones de texto e imágenes condicionadas en una sola representación. VAE: codificador automático RGBA de 64 canales con compresión espacial 16x y transparencia nativa. Programador: Coincidencia de flujo con programación discreta y cambios dinámicos de Euler.

La máscara de atención es de donde proviene la velocidad. Los tokens de texto utilizan una máscara causal a nivel de token. Los tokens de imagen utilizan una máscara bidireccional a nivel de fragmento dentro de cada imagen. Qwen llama atención a esta granularidad mixta. El prefijo de condición se sitúa delante del latente ruidoso, por lo que nunca le presta atención. Por lo tanto, sus claves y valores permanecen fijos en los pasos de eliminación de ruido. El modelo calcula el texto y las imágenes de entrada una vez, en el primer paso. Reutiliza ese prefijo de caché KV para cada paso restante. Los ahorros crecen con la cantidad de imágenes de referencia, lo que explica la afirmación de velocidad de múltiples imágenes.

Qué puede hacer

Transparencia nativa: genera imágenes RGBA a partir de texto, edita capas transparentes y extrae sujetos de fotografías. Qwen recomienda una plantilla de aviso fija para una salida transparente. Edición multireferencia: Acepta hasta 10 imágenes de referencia. Los ejemplos README incluyen una foto de grupo de 6 retratos y un atuendo de 5 referencias. Control local: las ediciones pueden apuntar a regiones usando círculos, anotaciones pintadas o máscaras separadas. Se preserva la identidad de las personas y los productos. 2K nativo: el valor predeterminado es 2048 x 2048, con 7 relaciones de aspecto admitidas hasta 2752 x 1536. Estética: tipografía mejorada, iluminación de retrato y detalles finos. Qwen destaca panoramas, infografías, guiones gráficos y pruebas virtuales.

Punto de referencia: gráfico propio de Qwen

El equipo de investigación compara modelos en Qwen-Image-Bench, el punto de referencia interno de Qwen. En ese gráfico, Qwen-Image-2.1 obtiene una puntuación general de 60,28. Eso lo coloca por encima de Nano Banana 2.0 con 59,82 y de todos los modelos de peso abierto enumerados. FLUX 2 Max, un modelo abierto de 32B, tiene un precio de 55,33. Seis modelos cerrados obtienen una puntuación más alta, liderados por GPT Image 2.5 Sunburst con 67,01.

Explicador interactivo