开源不到一周下载量冲到 6.4 万:这个 7B 的国产图像模型,到底能有多残暴?

你有没有遇到过这种情况：

客户要一张背景透明的商品图，AI 十秒就生成了，然后你对 PS 抠了四十分钟，头发丝边缘还残留一圈白边。

你想把女朋友的单人照和外套、鞋子、包的买家秀拼成一套穿搭图，结果绝大多数 AI 生图模型一次只认一张参考图，剩下的全得靠你自己进 PS 一层层叠。

为了这些活儿，有人装了一堆来路不明的 AI 绘图软件，广告比图出得还快；有人买了按张计费的生图会员，账单比设计师报价还刺激；还有人把图发给某宝店家，一套电商图下来小一百。

想要一张透明背景、人物不变形、图里的字还打得对的图，难道就只能一直这么折腾吗？

但最近我发现了一个很离谱的东西。

9 月 20 日，阿里千问团队正式开源了 Qwen-Image-2.1，GitHub、Hugging Face、ModelScope 全部放出权重。模型卡写得很直接：视觉生成部分只有 7B 参数，却把文生图、图像编辑、透明图像三件事装进了同一个模型。

先说结论：这可能是目前性价比最离谱的开源图像模型。一句话直接吐出带透明通道的 PNG，一次最多吃 10 张参考图，画个圈就能局部修改，人还是那个人，字还是那套排版。7B 的身板，干了过去 32B 加一道抠图工序才能干完的活。

第一，透明通道是原生的，抠图这道工序直接消失了。

这是它最狠的一点。过去的"透明背景"都是两步走：先生成带背景的图，再跑一遍分割模型抠掉，头发丝、玻璃杯、半透明纱裙这些地方最容易翻车。

Qwen-Image-2.1 把透明通道直接做进了模型本体：提示词里写一句"RGBA 图片、背景透明"，吐出来的就是一张真实带 alpha 通道的 PNG，不用任何后处理，单个主体和多元素组合的复杂素材都能直接生成。

更绝的是，透明图层还能继续编辑：改表情、换姿势，背景原封不动；图层里的文字也能原位改，官方演示就是把图上的"BLOOM"换成了"Qwen-Image"。再配合"从真实照片抠出透明主体"，做贴纸、表情包、电商素材的人，等于少装一个 PS 插件。

第二，一次喂 10 张参考图，合照和穿搭一步到位。

传统图生图基本只认一张参考，想合成合照或整套穿搭，就得在修图软件里手动拼，拼完脸型还经常对不上。

Qwen-Image-2.1 单次编辑最多吃进 10 张参考图。官方演示里，六张单独拍的人像合成了一张光线、构图都在线的合影；五张单品图（模特、外套、鞋、包、帽子）拼成一套完整穿搭，辫子和帽子的细节都保住了；十张家居图也能拼出一个完整的房间。

第三，画个圈就能改图，改完人还是那个人。

指定修改区域它给了三种方式：直接画彩色圆圈，一句话同时改三处，官方例子是"蓝圈摘手表、红圈把头发改黑、绿圈换成灰色亚麻短袖"；也可以白色涂抹标记；讲究的，把原图和独立 mask 图分开喂，原图一个像素都不被污染。

更关键的是保真度：人像编辑保住五官和身份特征，商品编辑保住文字、纹理和外形。官方演示里，同一个女生换完场景和穿搭，脸还是那张脸；产品图换完背景，瓶身上的小字都还在。

第四，7B 的身板，把榜单、文字和光影一起卷了。

在官方放出的 Qwen-Image-Bench 横评里，Qwen-Image-2.1 拿到 60.20 分，排进第一梯队，参数量标注是 7B，同榜不少模型标着 32B、20B。底气来自混合粒度注意力架构：文字走 token 级掩码、图像走块级掩码，再配上 KV cache 复用，多图编辑的速度和显存占用都压下来一截。

任务覆盖也卷得很宽：一张自拍能扩成 360 度全景，一张模特照能生成整版中文信息图，一张三视图能出完整分镜。中英文文字渲染也是重点，字体和版式会跟着构图走；官方人像样张里，逆光的绒毛和纱质高光都相当能打。

具体怎么用？3 步搞定：

1. 图省事：打开 Qwen Chat 网页版，选图像生成，直接开玩。
2. 想本地跑：去 Hugging Face 或 ModelScope 搜 Qwen-Image-2.1 下载权重。
3. 想折腾：GitHub 仓库里有完整代码和工作流，接入自己的管线二次开发。

有几个实情得先说清楚：榜单上它离最强的闭源模型还有约 7 分差距；本地部署只要 7B，但显卡显存仍有门槛，老机器建议用网页版；复杂手部和小字偶尔还是会翻车；要透明背景，记得在提示词里写明"RGBA、背景透明"。

模型还可以根据人物三视图生成完整分镜，为故事创作和视觉叙事提供素材。

✿ END ✿