Qwen Image 2.1

原文 ↗ Hacker News 讨论 ↗

Qwen-Image-2.1 是阿里巴巴 Qwen 团队推出的一款 70 亿参数开权重文本生成图像扩散模型，因其高质量的本地图像生成、强大的文本渲染能力（包括 CJK）以及原生透明度等特性而受到关注，并且在消费级硬件上也能较快运行。评论者将其与更早的 Qwen 版本及一些竞争性的开权重模型进行比较，认为它表现出色，但也指出了提示词遵从性、伪影和某些失败模式方面的局限。一个主要争议点是其限制性的“仅限研究”许可证，禁止商业用途，也凸显出从宽松开源条款转向“可获取权重”但许可含糊的模型这一更广泛趋势。

总体能力与对比

  • 许多人对一个 7B 扩散模型竟能生成高质量图像、连贯文本（包括 CJK），而且还能本地运行感到惊讶。
  • 一些人说，如今本地图像生成已经感觉领先于本地代码生成：图像速度快、而且“够好用”，但用于编码的小型 LLM 仍显得弱且脆。
  • 也有人认为，感知到的质量取决于用户技能：程序员会被图像惊艳，而艺术家会被代码惊艳。

本地运行与工具链

  • 常见栈包括：ComfyUI、Diffusers、vLLM-Omni、SGLang、LightX2V，尤其是 stable-diffusion.cpp / sd.cpp，它已经支持 Qwen Image 2.1。
  • 用户报告：纯 CPU 生成 512×512 大约 3 分钟；在 RTX 4090 上生成 1MP 图像大约 5 秒。
  • 在 Q8 量化下的显存占用报告为：总计约 15.6 GB（文本编码器、扩散模型、VAE），基本会填满 16 GB 显卡。
  • 有些人抱怨 Python 依赖地狱，更喜欢 C/C++ 二进制；stable-diffusion.cpp 被强调为一个轻量方案。

矢量图形与工作流

  • 一条详细工作流是：扩散生成 → VTracer → 手工清理（Inkscape），再加上一个 Mac 应用，用于自动化调色板量化、放大、背景去除和描线技巧。
  • 也有人希望扩散模型能原生输出 SVG/矢量格式；目前的 LLM 被描述为不擅长 SVG 艺术。

许可证与“开放性”争议

  • 与更早采用 Apache 许可证的 Qwen 模型不同，Qwen-Image-2.1 使用研究/非商业许可证，并附带付费商业条款。
  • 有些人接受这是一种合理的变现；另一些人则称其为“freeware”、“weights-available” 或“license trap”，并强调它不是开源。
  • 还有人认为执法现实中影响很小，尤其是在私人/商业本地使用场景下，并质疑为什么用户应当尊重许可证，毕竟训练数据的许可本身也不透明。
  • 也有人警告，严肃公司必须把该许可证视为具有约束力，避免未授权的商业部署。

技术说明与基准测试

  • 与更早的 Qwen-Image 1.0 相比，2.1 被认为更小（7B 对 20B）、更快、支持多模态，并且在某位用户的 15 项基准上显著更好（7/15 对 4/15）。
  • 被提到的强项包括：原生透明度（RGBA）、小字号文本渲染、CJK 文本质量。
  • 一些人怀疑存在明显的合成数据痕迹，以及 VAE 仍不够完美（点状图案、中间色调伪影）。

局限、失败模式与偏差

  • 有报告称其在复杂布局/3D 文本上的提示词遵从性较弱；也有人说中文提示词效果更好。
  • 当合成多个参考图时，面部一致性可能不稳定。
  • 有人认为存在种族偏差：即便参考图不是亚洲人，生成的人物也往往更像亚洲人。
  • 对于平滑动画精灵图以及某些特定任务，表现仍然不佳。