Qwen-Image-2.1 全新開源圖片模型：文生圖、透明背景、局部修改與中文字生成一次看懂

想像一個很常見的場景：你要替小店做一張活動海報，得先用 AI 生一張圖，再找去背工具把主角摳出來，最後還要換另一個修圖工具，把手上多出來的東西擦掉。三個工具、三次匯出，每轉一手，畫質和耐心都會掉一點。Qwen-Image-2.1 想解決的，就是這種來回折騰。這次 Qwen 團隊把生圖、修圖和去背放進同一個開源模型，方向很明確。

根據官網的介紹（Qwen 官方部落格），Qwen-Image-2.1 把文生圖與圖片編輯整合在同一個模型裡，視覺生成部分只有 7B 參數，還原生支援透明圖片的生成與編輯。這篇文章會先整理官方公開的功能，再把很多人最在意的「圖片裡能不能生出繁體、簡體中文字」講清楚。最後加碼介紹社群釋出的 GGUF 版本，讓顯示卡沒那麼強的人，也有機會在自己的電腦上試試看。要先說一聲，中文字這一段，官方並沒有給出明確保證，我會把能查到的資料都攤開來。

Qwen-Image-2.1 是什麼？

Qwen-Image-2.1 是 Qwen 團隊在 2026 年 9 月 20 日開源的圖片模型，把文生圖與圖片編輯整合在同一個模型裡。官方模型卡說明，它的視覺生成部分是 7B 參數、32 層 Single-Stream DiT，目標是在畫質、推論效率與成本之間取得平衡。實際上，7B 對現在的開源圖片模型來說算是輕量，門檻比動輒更大的模型低一些。對一般玩家來說，這點比跑分好看更重要。

官方把這次更新歸納成四個方向：輕量高效、原生透明加上生成編輯一體化、支援最多 10 張參考圖的靈活編輯，還有更好的字體排版與人像質感。另外，模型用 Qwen3-VL 8B 同時讀懂文字指令和參考圖，再搭配一個支援透明度的 RGBA VAE。這些名詞看起來很硬，簡單講就是：它一次看得懂你的話，也看得懂你給的圖。

官方還提到，透過混合粒度注意力（Mixed-granularity Attention）與前綴 KV Cache 重複使用，多張圖片輸入時的效率提升特別明顯。白話一點，就是你丟進去的參考圖越多，它越不需要每一步都重新讀一遍。我的看法是，這種不炫技、但省時間的改動，最能看出團隊是想讓人天天用，而不是只拿來發新聞稿。

原生透明背景與照片去背有什麼用？

原生透明背景，是指模型直接生成帶有透明度資訊的 RGBA 圖片，不用事後再去背。過去 AI 生圖之後，只要想拿去做貼圖、簡報或商品圖，通常得再跑一次去背工具，邊緣還常常有毛邊。Qwen-Image-2.1 讓你在提示詞裡直接要求透明背景，出來的圖就是可以直接疊在別的畫面上的素材。這對做內容的人來說，省下的不只是時間，還有一堆邊緣修補的火氣。

官方建議的提示詞格式，是先寫「This is an RGBA image with transparency.」，接著放你的畫面描述，最後補上「The image has alpha channel and the background is transparent.」。官方範例是一張卡通小龍貼紙。除了生成，透明圖層也能繼續編輯，一般照片也能直接抽出指定主體，變成透明素材。

舉個例子，如果你經營一個小型電商，可以先請模型生出透明背景的商品圖示，直接放進自己的版型，或是拿一張實拍照抽出主體來去背。我的看法是，去背最能看出統一模型的價值：生成、抽取、修改都在同一個地方完成，圖層之間不用來回匯出。不過官方展示的畢竟是挑選過的範例，實際邊緣品質，還是要用你自己的圖去試。

多張參考圖與局部修改可以做到什麼程度？

多參考圖編輯，是讓模型同時參考多張素材圖，再依照你的文字指令組合成新畫面。官方說 Qwen-Image-2.1 最多支援 10 張參考圖，GitHub 上展示了兩個很直覺的例子：用六張個人肖像組成一張團體照，以及用模特兒、衣服、鞋子、包包與帽子共五張參考圖，組出完整穿搭。這種玩法很適合虛擬試穿、活動大合照，或需要固定角色的內容創作。想像你要替小品牌做型錄，過去得請人拍、修、合成，現在有機會先用這個方式做出概念稿。

局部修改則是另一個亮點。官方說明可以直接在圖上用圈選、塗抹標註，或另外提供一張 Mask，指定要改的位置。官方展示的例子是用圈選同時處理三件事：拿掉手錶、改變髮色、換掉衣服。官方也強調會保留人物與商品的辨識特徵，這對電商與人像類的用途特別重要。

官方 GitHub 還展示了兩種延伸用法：用一張自拍生成全景圖，以及從角色三視圖做出故事分鏡。這兩個範例看起來已經不只是修一張圖，而是在做視覺敘事的前置作業。對做角色設計、廣告分鏡或漫畫草稿的人來說，這是比較有想像空間的方向。不過分鏡的連貫程度，還是要看你實際丟多少參考圖、下什麼指令。

不過，有一位設計師在知乎發表了 13 組實驗、196 張圖的實測，除了稱讚中文排版、原生透明與多圖身份保持，也點出短板：「替換」有時會變成「新增」，而且編輯時整張圖可能被輕微重繪。這是個人測試，但正好提醒我們別把局部修改想成 Photoshop 的圖層蒙版。我的建議是，重要的圖改完之後，一定要拿原圖比對一次。

圖片裡的中文字（繁體、簡體）到底能不能生成？

圖片裡的中文字生成，指的是模型能不能在畫面中把你指定的漢字正確寫出來，而 Qwen-Image-2.1 官方目前沒有明確保證繁體或簡體。官方部落格提到，這次文字生成除了內容本身，也會考慮字體樣式、版面，以及它和整體構圖的關係。但我在官方部落格、GitHub 與模型卡的內容裡，都沒有看到明確寫出支援繁體中文或簡體中文。所以「能不能生中文字」的答案是：多半可以，但官方沒有背書。

初代 Qwen-Image 在 2025 年釋出時，官方明確主打中文字生成，並說在中文文字生成上明顯領先當時的模型。這讓大家對 2.1 期待很高，但要小心，那是上一代的說法，不能直接套用。下面把我查到的資料整理成表格，讓你看每個說法的來源和分量。

從表格來看，短句、大字的中文成功率比較有把握，這點有幾個獨立來源可以互相印證。至於繁體，目前只有初代的實測和零星樣本，大致的結論是單行多半能過關，多行長文還是容易出錯。簡體的資料比較多，我猜主要是因為測試者的語境不同，不代表模型真的偏愛簡體。商業用途我會更保守：畫面交給模型，文字自己用設計軟體疊上去。

如果你打算用它做含中文的海報或封面，有幾個做法可以降低翻車機率。第一，把要出現的文字用引號清楚寫在提示詞裡，字數盡量短。第二，一次只放一兩行，避開小字與長段落。第三，出圖後一定要逐字檢查，尤其是筆畫多的字和繁體字形。最保險的方式，是直接用官方 Demo 拿你自己的繁體文案測一輪，再決定要不要用它出正式稿。

Qwen-Image-2.1 怎麼開始用？

Qwen-Image-2.1 的使用方式有兩條路：直接開官方 Demo 體驗，或是把開源權重載到自己的電腦上跑。官方模型卡附有 Hugging Face 的 官方 Demo，不用安裝任何東西就能先測提示詞與效果。想確認繁體中文字表現的人，我建議先從這裡開始。要在自己的電腦跑的話，官方範例是以 NVIDIA 顯示卡（CUDA）示範，需要照著步驟準備環境。

第一步，安裝環境。官方需求是 PyTorch 2.4.0 以上、Transformers 5.17 以上、從 GitHub 安裝的最新版 Diffusers，再加上 accelerate 與 pillow。這裡要注意 Transformers 的版本比較新，舊環境可能要先升級。

第二步，載入模型。用 Diffusers 的 QwenImage21Pipeline 載入 Qwen/Qwen-Image-2.1，官方範例使用 bfloat16 精度。文生圖預設是 40 個推論步數、2048 x 2048 的解析度，官方說這款原生支援 2K。

第三步，選擇圖片比例。官方建議直接從下表挑尺寸，不要隨便改寬高，以免影響構圖與顯示記憶體用量。

第四步，編輯圖片。把原圖傳給 pipeline 就能做單張編輯，多張參考圖則傳入圖片清單。要做透明圖，記得使用前面提到的官方提示詞格式。如果想讓短提示詞更穩，官方另外提供 Qwen-Image-2.1-PE-T2I 與 Qwen-Image-2.1-PE-I2I 兩個提示詞改寫模型。有社群測試者的比較就認為，沒有使用官方提示詞改寫器，是實測和宣傳落差的最大來源。

第五步，處理 VRAM 不足。官方的建議是啟用 enable_model_cpu_offload，讓部分模型暫時放到 CPU 端，代價是速度通常會慢一些。另外 ComfyUI 從第一天就原生支援，也提供文生圖與圖片編輯的範例工作流程。授權方面，模型採用 Qwen Research License，要商用的人，請先自己讀過條款。

社群 Qwen-Image-2.1 Uncensored GGUF 是什麼？

Qwen-Image-2.1 Uncensored GGUF 是社群成員把官方 Qwen-Image-2.1 權重轉成 GGUF 量化格式的版本，方便在 ComfyUI 本機執行。這個版本放在 Hugging Face 的社群模型頁面上，由帳號 abenzerps 發布，並不是 Qwen 官方推出的。模型頁面寫明，它是用原始上游權重做的量化，來源模型就是 Qwen/Qwen-Image-2.1。所以它的能力來自官方模型，只是換成比較容易載入、也壓縮過的檔案格式。

這裡的「無內建過濾」要這樣理解：模型頁面說明這個版本沒有內建安全檢查器或內容過濾器，會依照提示詞直接生成，包含成人與敏感內容，不會拒絕或輸出黑圖。換句話說，它指的是沒有附帶把關機制，並不是模型被重新訓練，也不是多了什麼特別的能力。輸出會變成什麼樣子，取決於你的提示詞與執行環境。

這個版本同樣採用 Qwen Research License，頁面上也附有檔案校驗碼（SHA256SUMS），下載後可以自己核對。我的看法是，第三方轉檔最需要注意的是來源與版本，畢竟你信任的是那位轉檔者，而不是 Qwen 官方。所以如果沒有一定要用，先從官方版開始會比較踏實。

GGUF 版要選哪個量化檔案？

量化檔案，是把模型壓縮成較小的體積，用一點畫質換取更低的硬體門檻。這個 Hugging Face 頁面一口氣列出很多版本，容易讓人眼花。頁面推薦的是 Q4_K_M，理由是檔案大小與畫質之間的折衷比較好。下表整理的是頁面列出的 Uncensored 版本。

要提醒的是，檔案大小不等於整套流程需要的記憶體。除了擴散模型，還要搭配文字編碼器與 VAE：BF16 的文字編碼器約 17.53 GB，INT8 版約 9.35 GB，VAE 約 676 MB。頁面建議的配置是 Q4_K_M 加上 INT8 文字編碼器，把擴散模型放在 GPU 的 VRAM，文字編碼器放在系統記憶體。因為文字編碼每個提示詞只跑一次，頁面說這樣可省下 9 到 17 GB 的 VRAM，對生成速度幾乎沒有影響。

我覺得這是最容易被誤會的地方。很多人看到 4.6 GB 就以為 8 GB 顯示卡輕鬆搞定，實際上你還得準備約 9 GB 以上的系統記憶體給編碼器，再留一些空間給 ComfyUI 與生成過程。買硬體或下載檔案之前，先把整套加起來算一遍，會少走很多冤枉路。

GGUF 版怎麼在 ComfyUI 上跑？

在 ComfyUI 跑 GGUF 版，要先下載三種檔案，再裝上支援 Qwen-Image 2.1 的 GGUF 節點。整個流程不算難，但步驟有點多，卡關的地方通常是節點版本。我把頁面上的做法整理成六個步驟，照著做就行。

第一步，下載檔案。擴散模型選一個 GGUF，頁面推薦 Q4_K_M，文字編碼器選 qwen3vl_8b_int8_convrot 或 qwen3vl_8b_bf16，另外下載 qwen_image_2.1_vae_bf16 這個 VAE。檔案都放在同一個 Hugging Face 倉庫裡，不用到處找。

第二步，放對資料夾。擴散模型放進 ComfyUI/models/diffusion_models，文字編碼器放進 ComfyUI/models/text_encoders，VAE 放進 ComfyUI/models/vae。放錯位置的話，節點裡就選不到檔案。

第三步，安裝 GGUF 節點。頁面建議使用 leejet 維護的 ComfyUI-GGUF 分支，到 ComfyUI/custom_nodes 資料夾裡，用 git clone 下載它。如果你之前裝的是舊版 city96 分支，遇到 Unknown model architecture 的錯誤，就換成這個分支。裝完之後，記得重新啟動 ComfyUI。

第四步，設定節點。擴散模型用「Unet Loader (GGUF)」載入，文字編碼器用一般的「CLIPLoader」，type 要設成 qwen_image，VAE 則用「VAELoader」。這三個載入節點缺一不可。

第五步，套用官方範本。Comfy-Org 提供了文生圖與圖片編輯兩個工作流程範本，載入後把預設的 UNETLoader 換成「Unet Loader (GGUF)」就能開始。這樣就不用自己從空白畫布接線。第一次建議先跑範本的預設設定，確認能出圖再調參數。

第六步，處理 VRAM 不足。如果出現記憶體不足的錯誤，頁面建議用 --lowvram 參數啟動 ComfyUI。同時保持擴散模型在 GPU、文字編碼器放在系統記憶體的配置，通常就能省下不少空間。

官方版和 GGUF 社群版該選哪個？

官方版與 GGUF 社群版的差別，在於發布者、檔案格式與硬體門檻，能力則同樣來自 Qwen-Image-2.1。這樣說有點抽象，我直接放成表格，你可以對著自己的電腦挑。挑選的關鍵其實不是誰比較強，而是你現在手邊有什麼設備。

我的建議很簡單。第一次接觸的話，先用官方 Demo 確認它的畫風、去背和中文字表現符不符合你的需求。確定有用，再看你的硬體決定走官方 Diffusers 還是社群的 GGUF。畢竟下載十幾 GB 的檔案之後才發現不合用，那種挫折感很難受。

使用沒有內建過濾的模型，要注意哪些事？

沒有內建過濾的模型，代表它不會替你把關，判斷與責任都落在使用者身上。模型頁面已經寫明，這個版本會依照提示詞直接生成，包含成人與敏感內容。這不代表你可以想生什麼就生什麼，法律規範、平台規則與他人的權利，都還是要自己顧好。

實際上有幾件事可以提早做。第一，別拿真人的肖像去生成會傷害對方的內容，也別侵犯他人的著作權。第二，如果要把成果放到網站或社群，先看該平台對 AI 生成內容的規範。第三，商用之前先讀過 Qwen Research License 的條款。

我自己的看法是，本機自由度高是這類工具最迷人的地方，但也是最容易踩線的地方。把它當成一把好用的工具，而不是免責金牌，日子會過得平順很多。如果你是要介紹給團隊或客戶用，也建議先把使用規則講清楚。

Qwen-Image-2.1 常見問題有哪些？

Qwen-Image-2.1 常見問題整理，是把大家最常卡住的差異比較、地區、繁體中文字與硬體問題集中回答。

Qwen-Image-2.1 和初代 Qwen-Image 差在哪裡？

初代 Qwen-Image 是 20B 參數的 MMDiT 模型，主打複雜文字渲染與精準圖片編輯。Qwen-Image-2.1 的視覺生成部分縮到 7B，並把生成與編輯整合在同一個模型，還新增原生透明圖片與最多 10 張參考圖的支援。簡單說，初代的重點放在文字，2.1 則偏向完整的視覺創作流程。

官方版和 GGUF 社群版差在哪裡？

官方版由 Qwen 發布，社群 GGUF 版則是第三方把官方權重轉成量化格式，方便在 ComfyUI 本機執行。GGUF 版標示沒有內建安全檢查器或內容過濾器，但並不是重新訓練過的模型。兩者授權都標示為 Qwen Research License，商用前請自行確認條款。

Qwen-Image-2.1 可以生成繁體中文字嗎？

官方目前沒有明確保證繁體或簡體中文字的表現。從第三方測試來看，短句、大字的成功率較有把握，長段落、小字與多行繁體則比較容易出錯。建議先用官方 Demo 拿你的繁體文案測試，正式使用前一定要逐字檢查。

台灣可以使用 Qwen-Image-2.1 嗎？有地區限制嗎？

我讀到的官方頁面沒有標註地區限制，模型權重公開在 Hugging Face 與 ModelScope，可以下載到自己的電腦執行。官方也提供 Hugging Face 上的 Demo，GitHub 另外提到 wuli.art 是給中國大陸使用者的免費入口。各平台的開放狀況可能隨時調整，實際請以官方頁面為準。

值得從現在的生圖工具換過來嗎？

如果你常常需要去背、透明素材或多張參考圖的編輯，值得花時間試試，因為它把這些工作放在同一個模型裡。如果你主要靠雲端服務出圖、沒有太多後製需求，就不必急著換。另外授權是 Qwen Research License，商用的人要先確認條款再決定。

顯示卡不夠強也能跑嗎？

有機會，但要看整套需求。官方建議使用 enable_model_cpu_offload 降低 VRAM 用量，社群 GGUF 版則透過量化與把文字編碼器放到系統記憶體來減輕負擔。要注意的是，Q4_K_M 雖然只有 4.6 GB，文字編碼器仍需要約 9.35 GB 到 17.53 GB 的空間，別只看擴散模型的大小。

所以 Qwen-Image-2.1 值得花時間試嗎？

Qwen-Image-2.1 值得試的地方，在於它把生圖、去背與修圖放進同一個開源模型，而不是再多一個只會出漂亮圖的模型。對內容創作者、電商賣家與設計師來說，透明背景與多參考圖是最有感的兩個功能。中文字的部分，官方沒有明說，就先當成需要自己驗證的功能。

至於社群的 GGUF 版，它讓更多人有機會在本機跑起來，但也把把關的責任交到使用者手上。先用官方版摸清楚需求，再決定要不要換成量化版，是我覺得比較穩的順序。如果你剛好想試，記得先把整套檔案的硬體需求算清楚。

最後留兩句給你：開源圖片模型的下一步，不是畫得更像照片，而是讓你少換幾個工具。官方沒有保證的地方，就該自己測過再拿去用。