Alibaba (команда Qwen) представила Qwen-Image-2.1 — единую диффузионную модель, которая одновременно генерирует изображения по тексту и редактирует их, включая работу с прозрачностью (RGBAi). Релиз состоялся 20 сентября в 16:00, веса сразу выложены в открытый доступ на Hugging Face и GitHub, а ComfyUI обеспечила поддержку day-0.

По собственным бенчмаркам Qwen модель сравнялась или превзошла закрытые GPT Image 1.5 и Nano Banana 2.0 (Nano Banana 2), при этом занимая всего 7B параметров — что делает её одной из самых доступных по железу моделей такого уровня.

• Визуальная часть модели содержит 7B параметров и 32 Single-Stream DiT-блока
• Базовое разрешение генерации — 2048x2048 (native 2K), также поддерживаются 2752x1536 и 1536x2752
• Модель принимает до 10 референсных изображений одновременно и позволяет локальное редактирование через каракули, пометки или маски
• Рекомендуемый режим — 40 inference steps; улучшены сохранение идентичности людей/объектов, типографика, портретное освещение и мелкие детали
• Нативная поддержка RGBA: модель генерирует объекты с альфа-каналом, редактирует прозрачные изображения и извлекает объект из RGB-фото в отдельный прозрачный слой
• Лицензия — research-only, что вызвало критику в комментариях
• По оценке Neural Shit, INT8-версия модели весит ~7 GB + text encoder Qwen3-VL в W4A8 ~6 GB (итого ~13 GB), ComfyUI может выгружать части в RAM; на Reddit сообщают о работе даже на RTX 3060 при квантизации, 12 GB VRAM считается реальным минимумом для квантованной версии
• 22 сентября канал «Нейронавт» опубликовал подборку простых воркфлоу: text-to-image, ref2image, базовый эдит, разметка области кругами/маской, outpainting, генерация прозрачных изображений, вырезание объекта/удаление фона, генерация панорам