Qwen-Image-2.1 的权重放出来了，视觉生成组件只有 7B 参数，却把文生图和图像编辑塞进了同一个模型，还原生支持透明图像的生成与编辑。这三件事单拎哪一件都不算新鲜，凑在一起就不一样了——它意味着过去那种"先生成、再抠图、再换模型修"的流水线，有希望塌缩成一步。对做设计工具、电商素材、游戏美术的人来说，这个变化比排行榜上多两个点更值得看。
生成和编辑合流，7B 是个分量很足的数字
两个模型并成一个，省下来的不只是显存
以前这两件事是两条产线。文生图模型负责从噪声里画画，图像编辑模型则常见于在生成模型外面挂一个条件分支，或者干脆另起炉灶训一个。合到一起的难点在于监督信号打架：一边要求模型学会"无中生有"，一边要求它"只动指定区域、其余分毫不变"。Qwen-Image-2.1 把两者统一后，编辑不必再依赖一个外挂的生成器提供底图，风格漂移和边缘断层这类老毛病，从架构层面就少了一半。
7B 卡在哪个档位
这个尺寸放在今天的开源阵营里属于"跑得动"的一档。单张消费级显卡能推理，微调和 LoRA 训练的门槛也不高。更关键的是它留出了私有化部署的空间——一家做电商素材的公司，可以把它塞进自己的机房，用自家商品图做微调，不必把素材上传到别人服务器。参数小不是为了省算力，是为了让"可控"这件事变成可能。
透明通道：最不起眼，可能最省事
原生输出带 alpha 通道的图像，翻译成人话就是：模型直接吐出抠好的图，不用再跑一遍分割模型。设计流程里最烦的环节之一就是"把主体摘出来"，而半透明边缘、发丝、玻璃杯、烟雾这些地方，后处理抠图基本补不回来，抠完一圈白边。反过来，编辑一张已经带透明通道的图更难——你不能先把 alpha 丢掉再改，改完再贴回去。这一步原生做进模型里，省的是一个团队两三个月的工程活。
编辑的颗粒度，才是真正的分水岭
十张参考图，麻烦的不是数量，是"记得住"
把十张图塞进上下文不难，难的是模型别把它们搅成一锅粥。参考图多了，最容易出的问题就是串味：人物脸型漂移、服装配色互相污染、风格往某一张上过度收敛。Qwen-Image-2.1 用混合粒度注意力来处理这件事，本质上是让模型按需抽取——粗粒度抓整体风格，细粒度抓具体特征，而不是把所有参考信息平摊进注意力里做一次平均。这个设计值不值得，得看成图里被参考的物件有没有"走样"。
圆形、涂鸦、独立蒙版，对应三种不同的人
三种指定局部的方式，其实是把"精确控制"分了三层。涂鸦是给不会做蒙版的人用的，随手画两笔就够；圆形或框选是给快速试错的人用的，几秒钟出一个方案；独立蒙版是给流水线准备的，可以批处理，可以接在设计软件后面自动跑。这个分层思路比单纯吹"支持区域编辑"实在得多——它承认了不同用户手上能提供的输入精度是不一样的。
KV cache 复用省下的是等待时间
编辑场景有个特点：同一张底图，用户会来回改十几次。如果每次推理都重新编码一遍底图，纯属浪费。复用 KV cache 就是把重复计算砍掉，让每次改动只算新加的条件。这项优化听上去很工程，但它直接决定了交互体验——改一版要等半分钟，和改一版等三秒，是两种完全不同的产品。做编辑功能的人都知道，延迟过了一条线，用户就不愿意连续迭代了。
文字、光照、保真度——三个最容易露馅的地方
文字渲染还是硬骨头
官方提到改进了文字渲染。这件事在任何图像模型上都是老大难，中文尤其难：笔画密、字形多、长句容易糊成一片。改进和解决之间差着很远。实际检验的标准很朴素——生成一张带五行小字的海报，看看标点对不对、字距乱不乱、多行排版是不是歪的。多数模型在四个字的标题上表现良好，一到正文就原形毕露。
人像光照与产品保真，指向的是电商
换背景这件事，电商场景里天天在做。要求也很明确：人脸换了环境不能变形，产品换了场景不能改材质、不能动 logo、不能把金属质感渲染成塑料感。人像光照要跟新背景的光位对上，否则整个画面像贴图。这两项能力放在一起说，说明目标场景很可能就是商品图和模特图的批量生产——那里对"保真"的容忍度极低。
全景、信息图、分镜，三张难度陡增的考卷
这三类任务比"画一只猫"难得多。全景图考验空间连贯性，接缝处一断就废；信息图考验文字与版式的协同，图好看字排崩了等于没用；分镜考验多图之间的一致性，同一个角色在六个格子里得像同一个人。把它们列为覆盖任务，说明模型想在专业流程里占位置，而不只是当个玩具。
开源之后，真实的边界在哪
权重开放加上 ComfyUI 支持，意味着什么
ComfyUI 支持这件事的意义被低估了。它意味着大量已有的工作流可以直接接进来——现成的节点、现成的批处理脚本、现成的团队习惯。一个新模型能不能进入生产，往往不取决于它多强，而取决于把它接进现有管线要改多少东西。这条路铺平了，试用成本就低到几乎可以忽略。
拿去评估之前，先想清楚你的场景
如果你的需求是"批量出商品图，主体必须一模一样"，重点测保真度和透明通道；如果是"做概念草图，快速试十版"，重点测涂鸦编辑和推理延迟；如果是"做带字的海报模板"，那就先把文字渲染按在地上摩擦一遍。同一个模型在不同场景下的可用性差距，可能比两个模型之间的差距还大。
这一轮竞争的看点不在分数
统一架构、小参数、原生透明、多参考图、编辑优化——这些能力组合起来指向一个明确方向：图像模型正在从"能画"转向"能改、能控、能进流水线"。谁先让设计师敢把模型生成的东西直接交付，谁就赢了这一轮。剩下的问题只有一个：7B 的这个版本，够不够格。
