Qwen-Image 2.1：ComfyUI 中的 7B 文生图与编辑模型

Qwen-Image 2.1 是阿里巴巴推出的 Qwen-Image 开放权重继任者：一个 7B 单流扩散 transformer，用同一套权重完成生成与编辑，写入真正的 RGBA 透明度通道，最多接受 10 张引用图像，并在发布首日提供 ComfyUI 支持 和三个官方工作流模板。

来自官方 Qwen-Image 2.1 模型卡的示例。

Qwen-Image 2.1 有哪些新变化

此前的 Qwen-Image 生成使用 20B MMDiT 主干，搭配 Qwen2.5-VL-7B 文本编码器。Qwen-Image 2.1 将视觉生成部分替换为由 32 层单流 DiT 组成的 7B 组件，四项主要变化如下：

紧凑高效。 混合粒度注意力加上前缀 KV 缓存复用，在保持高质量的同时，算力成本远低于 20B 系列。
原生透明度，生成与编辑统一。 同一个模型既能根据文本写出普通或透明（RGBA）图像、编辑透明图层，也能从照片中提取主体。
多样化的编辑能力。 单次请求最多支持 10 张引用图像，可用圆形、手绘标注或独立遮罩指定局部编辑，并为人像与商品保持身份一致性。
逼真的纹理与更精致的美学。 更出色的文字排版、人像布光与精细细节。

原生输出尺寸比旧版工作流使用的 1024 级别正方形更宽：1:1 为 2048x2048，4:3 为 2400x1792，3:2 为 2528x1696，16:9 为 2752x1536，并有对应的竖版比例。

带真实透明度通道的透明图像

最引人注目的特性是透明度能够保留到文件之中。Qwen-Image 2.1 不再先在平面背景上生成、再用单独的抠图模型切出主体，而是自己写入透明度，因此贴纸、产品渲染图或 UI 素材生成后即可直接用于合成。模型卡推荐使用明确的提示词格式来触发这一能力：

This is an RGBA image with transparency. <your subject description>.
The image has alpha channel and the background is transparent.

原生透明图像生成，直接取自官方展示。这些文件带有透明度通道，而不是画上去的棋盘格。

基于最多十张引用图像进行编辑

编辑场景最能体现引用图像数量的价值。Qwen-Image 2.1 单次可接受最多十张图像，因此无需把多次生成拼接起来，就能完成群组构图、多商品场景和角色设定表。局部编辑可以用圆形、手绘标注或遮罩节点来指定。

由六张人像引用图像生成的一张合影。

来自模型卡的排版与布局示例。

发布首日支持 ComfyUI

ComfyUI 已在 Comfy-Org/ComfyUI #16400 中合并 Qwen-Image 2.1 支持（CORE-423，由 Kijai 提交），下面三个官方模板需要 ComfyUI 0.37.0 或更新版本。后续提交为该模型加入了 transformer 块编译并改进了 KV 缓存放置。

重新打包的单文件权重位于 Comfy-Org/Qwen-Image-2.1，这些模板属于内置工作流图库的一部分，因此也可以直接从模板浏览器打开，而不必拖入 JSON。

模板	功能
文本生成图像	以 25 个采样步生成一张 1024x1024 图像，支持原生 2K 输出、排版与透明度
图像编辑	通过同一个生成与编辑 checkpoint 处理两张引用图像，适用于角色一致的编辑和商品抠图
移除背景	输入一张图像，输出一张透明结果，使用模型原生的 RGBA 输出

模型文件

Comfy-Org 重新打包的版本按常规文件夹划分：

📂 ComfyUI/
└── 📂 models/
    ├── 📂 diffusion_models/
    │   ├── qwen_image_2.1_bf16.safetensors
    │   └── qwen_image_2.1_int8_convrot.safetensors
    ├── 📂 text_encoders/
    │   ├── qwen3vl_8b_bf16.safetensors
    │   ├── qwen3vl_8b_int8_convrot.safetensors
    │   └── qwen3vl_8b_w4a8.safetensors
    └── 📂 vae/
        └── qwen_image_2.1_vae_bf16.safetensors

除此之外，该重新打包版本还包含提示词增强器文本编码器，即 INT8 convrot 形式的 qwen3.5_9b_qwen_image_2.1_pe_t2i 和 qwen3.5_9b_qwen_image_2.1_pe_i2i。这些是 Qwen 微调后的 LLM，用于把简短请求扩展成图像模型偏好的模板格式，它们是可选的：任何能力足够的 LLM 都能填充同样的提示词模板，图像模型本身不依赖它们也能运行。

早期用户的反馈

该模型自发布当天起就已在用户手中使用，反复出现的实用经验大致有以下几点：

原生尺寸很重要。 大幅超过 2048 级别的训练分辨率会让曝光不稳定，而过大的输入引用图像会显著拖慢生成速度。在加载前先缩放引用图像，比让采样器硬啃更划算。
CFG 低于 1 不可用。 1 附近的引导值与上一代 Qwen-Image 系列表现相似，当图像中的文字需要更清晰时，人们会采用较小的 CFG 搭配注重质量的负面提示词。
风格迁移仍不稳定。 通过文本指令改变风格是可靠的，而通过引用图像提供的风格则没那么稳定，这与用户在更早的 Qwen-Image Editing 模型上遇到的情况一致。

可用性

权重已发布在 Hugging Face 和 ModelScope 上，发布帖见 Qwen 博客。除 ComfyUI 之外，发布首日提供的集成还包括通过 QwenImage21Pipeline 使用的 Diffusers、vLLM-Omni、SGLang 和 LightX2V。