AlibabaのQwen、画像生成・編集モデル「Qwen-Image-2.1」をオープンウェイト公開 — 7Bで透過PNG生成と最大10枚参照編集に対応

AlibabaのQwenチームは2026年9月20日、テキストからの画像生成（text-to-image）と画像編集を1つのモデルに統合した**「Qwen-Image-2.1」を公開した。公式リポジトリのNews欄に同日付で「We released Qwen-Image-2.1!」と記載され、重みはHugging FaceとModelScopeでダウンロードできる。画像生成を担う部分のパラメータ数は70億（7B）**と比較的軽量で、生成品質と推論効率の両立を狙った設計と説明されている。

モデルの概要 — 7B生成部・透過対応・2K解像度

• アーキテクチャ: 画像生成コンポーネントは70億パラメータ、32層のSingle-Stream DiT。混合粒度アテンション（mixed-granularity attention）とprefix KVキャッシュの再利用で、低い計算コストでの高画質化を図るとしている。
• 統合モデル: 通常の画像生成に加え、透過（RGBA）画像のテキストからの生成、透過レイヤーの編集、写真からの被写体抽出を1モデルで扱える。透過生成時はプロンプトに「This is an RGBA image with transparency. …」と付ける形式が推奨されている。
• 解像度: ネイティブ2K解像度に対応し、1:1（2048×2048）から16:9（2752×1536）など7種類のアスペクト比の推奨サイズが示されている。既定の推論ステップ数は40。
• プロンプト書き換え: 短いプロンプトを詳細化するための公式モデルとして、Qwen3.5-VL 9Bを fine-tune した2種（テキスト→画像用 Qwen-Image-2.1-PE-T2I、編集用 Qwen-Image-2.1-PE-I2I）もHugging Faceで公開されている。

編集機能 — 最大10枚参照と局所指定

• 多参照編集: 最大10枚の参照画像を使った多主体の合成に対応する。複数キャラクターを同じ場面に配置するような用途を想定している。
• 局所編集の指定方法: 円での丸囲み、ペイント注釈、別マスクの3方式で編集箇所を指定できる。人物や商品のアイデンティティ保持にも対応するとしている。
• 質感の改善点: タイポグラフィ（文字描画）、ポートレートのライティング、細部のディテールの改善をうたっている。
• 注意: 性能比較の数値表や他モデルとのベンチマーク対照表は、GitHubリポジトリ・Hugging Faceモデルカードの一次情報には掲載されていない（比較画像なし）。一部二次情報が他モデルとの優劣に触れているが、一次情報で裏が取れないため本稿では断定しない。

公開形態と初日対応のエコシステム

• ライセンス: リポジトリは Qwen Research License Agreement の下で提供される。利用条件の詳細はリポジトリ同梱のLICENSEを参照する必要がある。
• 入手先: 重みは Hugging Face とModelScopeで公開。Hugging Face Spacesにデモも用意されている。中国本土向けにはwuli.artで無料利用できると案内されている。
• 初日対応: Diffusers（QwenImage21Pipeline、PR #14804）、ComfyUI（ネイティブ対応＋サンプルワークフロー）、vLLM-Omni（FP8量子化・prefix KVキャッシュ・並列化）、SGLang（PR #39983）、LightX2Vがリリース当日から対応を表明している。
• API利用の入り口: Diffusers経由で Qwen/Qwen-Image-2.1 を指定してパイプラインを構築する使い方がクイックスタートとして示されている（torch.bfloat16、CUDA実行が前提の例）。

出典

• QwenLM/Qwen-Image-2.1 — GitHub
• Qwen-Image-2.1: Compact, Efficient, and Unified Image Creation — Qwen Blog
• Qwen/Qwen-Image-2.1 — Hugging Face