Image-2.1。

Qwen-Image-2.1 昨晚刚发布，我在一张 48GB 的 4090 上跑了 13组实验、196 张图、零失败。整件事横跨 16 小时，但纯 GPU 计算只有约 2.5 小时。

这个模型视觉生成部分只有 7B（32 层 Single-Stream DiT），配一个 8.77B 的 Qwen3-VL 同时编码文字指令和参考图，再加一个四通道 RGBA VAE。部署友好。

为什么不跑公开榜单。因为这个模型的三个卖点：原生 RGBA 透明、最多 10 张参考图、圈选与涂抹标注编辑。GenEval、DPG-Bench 这些榜单一个都不测。我需要的是能指导部署决策的数字，不是一个可以和别人比大小的分数。

同时给粉丝们跑一下实验。看了这篇文章，你会全面了解到这个模型的能力和受限。

先说结论

它真正强的地方是中文排版、原生透明和多图身份保持。

它真正弱的地方是「替换」语义，经常退化成「添加」。编辑的非局部性（整图会轻微重绘），以及对时间维度的完全无知——它是图像模型，不是视频模型。

同时我做了一些风险评估项。

1. 文字渲染：很强，但有极限

先看这张中文海报。标题「云间烘焙」、副标「每日新鲜出炉 · 手冲单品咖啡」、底部「营业时间 07:00-21:00 / 上海市静安区南京西路 128 号」——三级字号，含数字、冒号、连字符、中文地址，一个字都没错。

中英混排、竖排书封、粉笔手写公式、密集小字 UI 界面，我测了六种版式，标题级和正文级的文字基本全对。

但这个能力有一条硬阈值。我让它在一张 2752×1536 的图里画 3×3 九宫格、九个不同姿势：

九个姿势全部命中，身份和场景都保住了。但每格只有 917×512，屏幕里那些标签的实际字高约 10px。

所以文字准确率不是能力问题，是像素预算问题。实测下来字高需要 ≥20px 才稳定。想要小字清晰，就得让文字区域占到足够像素，别指望在九分之一的缩略格里保住排版。

2. 原生透明：真 alpha

这是我最想验证的一项。判断方法很简单：如果只是「画个白底再阈值抠掉」，那么半透明像素的比例必然接近零。

棋盘格是透明区。看第二张玻璃杯——你能透过杯身看到棋盘格。它有 48.2% 全透明、47.6% 半透明、4.2% 不透明。烟雾那张有 10.8% 的半透明像素，而且 alpha 最大值只到 252，连 255 都没摸到。

最后那张金毛是对照组：提示词里完全没提透明，结果 100% 不透明——它不会滥发 alpha。

这个能力很实用：贴纸、图标、UI 素材、产品图抠图可以一步到位，省掉 SAM / removebg 那一环。

补测了拿 RGBA 图当输入去编辑，左起：输入贴纸 → 改色 → 加物件 → 合成到沙滩 → 从多物体照片里抠单个物体。

改色时透明背景和白色模切边完整保留；合成到沙滩时 alpha 正确归零，而且保留了贴纸的白边，说明它理解「图层合成」这件事；从多物体照片里只抠出那只杯子做到了一部分，杯子变红了，可能跟我给的扣出红被子提示词有关。

唯一拉胯的是「往透明图上加新物件」——我要它给龙戴顶巫师帽，结果只在头顶糊了个小蓝块，看第三张图。

3. 指令遵循：计数、属性绑定、空间关系

左上那张：左边正好三个红苹果、右边正好两个绿梨、中间一只橘猫——计数和方位全对。

第二张是属性绑定，五个属性一个都没串：红帽、蓝雨衣、黄拉布拉多、紫门、门右侧的绿邮箱。

第三张是一段很长的中文场景描述：雨夜日式拉面店、白头巾厨师捞面、左边深灰西装上班族、中间黄雨衣女生脚边靠着湿伞、右边老人看报、墙上木牌「拉面 800円」。七八个要素几乎全中。

右下那张考的是复合空间关系——蓝杯在三本书上面、眼镜在书堆下面露出一截、仙人掌在左边、白砖墙在后面，四个关系全对。

唯一的错字在黑板菜单那张：Cinnamon Roll 写成了 Hinnamon Roll，其余三行和四个价格都对。

4. 编辑：改得很准，但不是局部

编辑类里最难的是招牌文字替换——要在保住木纹走向、烫刻质感、衬线字体、吊链五金的前提下把字换掉。

SUNRISE BAKERY → MOONLIGHT CAFE，拼写全对，木板的节疤和纹理都在原位。

但量化之后有个值得注意的事：全图平均 MAE 5.29，强改动像素（差异 >32）只占 1.32%，方向是对的；可这些强改动像素的外接框覆盖了整张图。也就是说整图重新走了一遍 VAE 编解码，非目标区域有「呼吸感」。

想做到像素级不动，必须在外部用 mask 把原图贴回去。模型自己不保证这件事。

还有个有意思的细节：它改了招牌，橱窗玻璃反射里的旧字没跟着改。它改了主体，没有推理到反射的因果一致性。

5. 多图参考：这是它的强项

第一行是参考素材。第二行第一张是把两个人放进同一张照片——他的圆框眼镜和胡须、她的栗色卷发和银色圆环耳环，两个身份同时保住。

产品置入场景那张，水壶被放上野餐桌，壶身那个小白点 logo 还在，投影方向和场景光照对得上。

最后那张是身份压力测试：同一个人换成厨师服、进后厨、正在颠勺，场景服装动作全变了，脸还是同一个人。

标注编辑那组结果更微妙：

我用半透明绿块圈住墙上的挂画、要求换成挂钟——干净成功：区域精准命中、绿色标注被清除、其余部分不动。

但用红圈圈住落地灯、要求替换成盆栽，结果是红圈被正确清除、盆栽被加上了，可落地灯还在。纯文字定位的对照组犯了一模一样的错。

所以标注是读得懂的，替换经常退化成「添加」。工程上的绕法很简单：拆成「先删除 A」和「再添加 B」两步。

6. 性能：三个反直觉的数

耗时对步数严格线性，1024² 下 0.526 秒每步，反推非去噪的固定开销只有约 0.35 秒。分辨率侧，像素涨 25 倍耗时涨 44.7 倍，大致是像素的 1.18 次方——超线性但不严重。

第一个反直觉：开了 VAE 分块之后，显存和分辨率脱钩了。1024 到 2560，峰值稳定在 36.8GB 不动。瓶颈完全在那 30.2GB 常驻权重上。换句话说，48G 卡上分辨率只是时间约束，不是显存约束。

顺带一提，默认的 tile 只有 256px，2048² 要切 11×11、很碎。我改成 1024 tile / 768 stride，四个 tile 就够，256px 重叠做 blend，肉眼无缝——成本只有 1% 的时间，换来 8.2GB 显存。

第二个反直觉：KV cache 在纯文生图上几乎没用，我一开始因此得出了错误结论。第一次测是纯 T2I，结果 10.9s vs 11.1s，只差 2%，我写下了「没什么收益」。后来才想明白测错了场景——2.1 缓存的是「文字 + 条件图」的前缀，纯 T2I 时前缀只有几十个文本 token，根本没什么可缓存的。

换成带条件图重测：

第三个反直觉：KV cache 是个显存/时间的对偶开关。开 cache 时每张条件图要多吃 2GB 显存，六张就 OOM；关掉之后显存几乎恒定不涨（十张也才 38.4GB），代价是时间线性增长。

所以官方宣称的「最多 10 张参考图」在 48G 卡上确实可达，但必须 use_kv_cache=False。实用策略：四张以内开 cache 拿 3.4 倍加速，五张以上关 cache 换显存。

另外两个数：true_cfg_scale > 1 是精确的 2 倍开销（它老实跑第二遍完整前向），默认 1.0 是免费的，而且本文里绝大多数图都是 cfg=1 出的；batch 完全没有规模效益，1/2/4 张是 10.9/22.2/44.2 秒，单张就已经把卡喂满了。

最后，同 seed 两次生成 max_abs = 0.0，位级可复现。

逐帧动画：三次判断，两次被推翻

这是整篇里我最想讲的部分，因为我在这上面连续犯了两次错。

命题：每帧生成一张图、每次只微调一点（人物转个角度），看能不能拼成视频。

第一次判断：「它不会转」——错的

我在 1920×1080 上跑了 24 帧，提示词明确写「rotated N degrees clockwise around her vertical axis」，角度从 0° 一路到 345°。结果二十四帧全是正面朝镜头。真正在变的是镜头焦距和构图——黑板位置左右漂、人物忽远忽近。

与首帧的 MAE 在 5.79 到 19.74 之间无规律震荡，和角度零相关。

我当时写下的结论是「模型没有视角控制能力」。这个结论是错的。

换一条路：自回归链式

让第 i 帧拿第 i-1 帧当条件图，指令是「再转 15°，其他一律不许动」：

前六帧真的转到了侧身，然后就卡住不再转了；同时镜头持续拉远、色调持续偏暖变暗。

数字很残酷：与首帧 MAE 从 0 单调爬到 59.45 且一次都没回头；背景亮度从 106 掉到 61.5（−42%）；锐度从 90 涨到 237（+163%，这不是变清晰，是对比度和噪点被反复放大）。

每帧都要过一遍 VAE 编解码，损失会叠加。这是自回归编辑链的硬伤，不是提示词能救的。

第二次判断：换成视角词——对了

我把「rotated N degrees」换成自然语言视角描述，同一张锚点参考、同一个 seed：

正面 → 前侧 → 全侧身 → 后侧 → 完整背身（只见后脑勺和马尾，脸不可见） → 后侧 → 全侧身 → 前侧，八个方位全部命中。

铁证是对称性：「前侧右」的 MAE 是 12.32，「前侧左」是 12.36——两个对称方位的响应差 0.04。这不可能是噪声。

所以模型有完整的视角控制能力，之前的失败纯粹是我用了它听不懂的指令语言。rotated 180 degrees 对它只是一段无意义字符串，seen from directly behind 它立刻就懂。

第三次判断：「是指令顺序问题」——也是错的

拿这个发现去做 360° 转台，用一个特征鲜明的卡通骑士（银甲、红羽毛、蓝盾金星），16 个方位、每步 22.5°。

又失败了。16 帧之间的 MAE 只有 0.44~1.51，基本是同一张图复制了十六遍。

我注意到两次提示词的结构差异：成功那次视角词在句末，失败这次视角词后面还跟了一句「Keep the armor, the plume and the shield identical to the reference」。假设是这句强保持指令把视角指令压掉了，于是做了指令顺序的对照实验。

假设被证伪。两种顺序都失败。

真正的原因

换个思路做受控诊断：固定四个方位，只变 seed 和是否给条件图。

四行依次是：条件图 + seed A、条件图 + seed B、条件图 + 逐帧变 seed、无条件图。每行四格是正面 / 左侧身 / 背面 / 右侧身。

第一行四格几乎相同，视角指令完全失效。第二到四行四个方位全部正确渲染，而且它还按提示词把背景从锚图那面斑驳石墙换成了干净影棚——说明它在跟随文字而不是照抄条件图。

所以真正的原因是：带条件图时，结果对 seed 高度敏感。某些 seed 会让视角指令完全不响应，换一个 seed 立刻恢复正常。

（那个失效的 seed 恰好是当初生成这张锚图时用的 seed。这是个诱人的解释，但我只有单例证据，只能算合理猜测，不足以下结论。）

工程上的应对很简单，而且比反复改写提示词有效得多：发现输出不响应指令时，先换个 seed 重试。

360° 转台：跑通了

换用可用 seed 重跑：

看盾牌的迁移轨迹就能确认确实在转：正面 → 侧立（边缘朝向镜头）→ 转到身后 → 从另一侧露出 → 回到正面。16 帧之间的 MAE 范围从原来的 0~3.09 变成 0~15.56。

但要诚实说两个缺陷。转速不均匀——视角词是离散的语义标签，模型只会落到它认识的那几个「档位」上，名义上的 22.5° 增量会被吸附到最近的档；帧间还有轻微的缩放和位移抖动，直接拼接会跳。

所以最终定位是：把它当关键帧生成器。姿态由视角词控制，中间帧交给插帧或视频模型。它没有时间维度的建模，指望它直接吐出连贯视频是找错了工具。

全景和分镜

官方 showcase 里有「从自拍生成全景」，我补测了一下：

投影几何是正确的——地面呈放射状拉伸、天顶收敛，符合等距柱状投影的规律，不是简单的宽幅图。

但左右接缝没有闭合：边缘 8px 条带的 MAE 是 33.71（随机两列的基线是 70.53，理想值需要接近 0）。比随机好一倍，说明内容大致连续，但离「可用」还差得远。

结论：能生成「全景观感」的图，不能直接当 VR 环境贴图用。

分镜那组反而超出预期：

单张人像参考 → 2×2 四格。四格叙事全对（进店 / 柜台 / 靠窗落座 / 打开笔电），四格里是同一个人、同一发型、同一件白 T。而且参考图是照片、输出是线稿平涂插画——它同时完成了风格迁移、多格叙事和身份保持。唯一没照做的是白色分隔线。

安全机制

这一章我只做两件事：静态审计和良性探针（用普通图像量化上线风险）。我没有为了「验证没有过滤」去生成任何有害内容——代码审计已经给出确定性答案，再生成一张图对结论零增量。

官方 README 全文五百多行，没有 safety、responsible AI、水印或内容政策任何一个章节，也没有常见的 limitations 和 bias 声明。

IP 与肖像复现度

以下全是普通的良性图像，目的是回答一个工程问题：上线前需不需要自建 IP 检测。

左起：已故公众人物、在世公众人物、注册商标、受版权保护的卡通角色、品牌 logo。

注册商标的花体字标、罐体配色和波浪带是逐字复现的，达到可商业印刷的程度；那个卡通角色的耳形、面部、服装配色近乎逐帧还原；品牌 logo 的轮廓完全精确。

一个值得注意的不对称：已故名人的复现度明显高于在世名人。在世那位是「神似但不精确」，更像一个很像的人。这看起来更像训练数据分布造成的（历史照片更多、更集中），而不像刻意设置的限制——若是刻意的，应该表现为拒绝或严重失真才对。

后面，会单独写一篇，关于安全边界的试探。

部署配方

pipe = QwenImage21Pipeline.from_pretrained(MODEL_DIR, dtype=torch.bfloat16).to("cuda")

# 默认 tile 只有 256px，2048² 要切 11×11 很碎。改大：4 个 tile 就够，256px 重叠 blend 无缝
pipe.vae.enable_tiling(tile_sample_min_height=1024, tile_sample_min_width=1024,
                       tile_sample_stride_height=768, tile_sample_stride_width=768)

# 条件图 ≤4 张：开 KV cache，拿 3.4× 加速
pipe(prompt=p, image=refs, use_kv_cache=True)

# 条件图 ≥5 张：必须关，否则 OOM。显存换时间，10 张可跑（38.4GB / 190s）
pipe(prompt=p, image=refs, use_kv_cache=False)

参数上，步数建议 24~30（严格线性，40 步相对 24 步的边际收益很小）；true_cfg_scale 保持默认 1.0（开启即 2 倍耗时，而且不开质量也够）；num_images_per_prompt 保持 1（batch 无规模效益）；VAE 分块常开。

提示词上有三条经验：

要控视角，用词不用数。seen from directly behind 有效，rotated 180 degrees 无效。中文的「改成俯拍视角」同样有效。

指令没被响应时，先换 seed。带条件图时对 seed 高度敏感，这比反复改写提示词有效得多。

要透明，按官方句式写。开头一句「This is an RGBA image with transparency.」、结尾一句「The image has alpha channel and the background is transparent.」，不写就是普通不透明图。

没测的部分

• 9B 提示词改写模型的拒绝率。
• 用独立 mask 做局部编辑——官方宣称支持圈选、涂抹和独立 mask 三种方式，我测了前两种。

全部数字来自实测，失败样本已计入。逐张耗时、峰值显存、alpha 直方图和逐帧稳定性曲线都有原始记录。测试环境：单卡 RTX 4090 48GB，bf16 全量常驻，torch 2.14.0+cu130，diffusers 0.41.0.dev0。