---
slug: qwen-image-2-1-vs-z-image-vram
title: Qwen-Image 2.1：本地生成、圖片編輯與顯卡需求，和 Z-Image 怎麼選？
status: published
excerpt: Qwen-Image 2.1 把圖片生成、局部編輯、透明素材與多參考圖放進同一個模型。本文比較它和 Z-Image、Z-Image-Turbo 的定位、顯存門檻、速度、編輯能力與授權差異。
category: AI
tags: [Qwen, image-generation, image-editing, Z-Image, ComfyUI, VRAM, local-AI]
author: Seer
author_role: Author
read_time: 10 min
cover: "/static/qwen-image-2-1-vs-z-image-vram-cover.png"
closing_note: "顯卡決定模型能跑到哪裡，工作流才決定它能不能真的派上用場。"
published_at: "2026-09-22T00:00:00Z"
updated_at: "2026-09-22T00:00:00Z"
---

如果你最近在找本地圖片生成模型，Qwen-Image 2.1 很容易被拿來和 Z-Image 比較。兩者都屬於新一代開源圖片模型，也都使用 Single-Stream DiT 類型的架構，但實際定位不同。

- **Qwen-Image 2.1**：生成、圖片編輯、透明素材與多參考圖整合。
- **Z-Image**：高品質文字生圖、風格探索與後續微調。
- **Z-Image-Turbo**：低步數、低延遲和消費級顯卡快速出圖。

本文會從本地部署、編輯能力、顯存需求與商用授權來看，哪一個模型適合哪一種工作流。顯卡建議會區分官方測試、社群量化版本與實務推估；本文沒有在本機重跑完整 benchmark。

## Qwen-Image 2.1 是什麼？

[Qwen-Image 2.1](https://github.com/QwenLM/Qwen-Image-2.1) 是 Qwen 團隊推出的開源圖片生成與編輯模型。官方稱它的視覺生成元件有 **7B 參數**，採用 32 層 Single-Stream DiT 架構，同一個模型同時處理文字生圖與圖片編輯。[1][2]

它的核心功能包括：

- 文字生圖
- 單張圖片編輯
- 多張參考圖合成
- 局部區域修改
- 原生透明背景與 RGBA 輸出
- 人物身份與商品外觀保留
- 中文、英文等文字生成
- 最高支援 10 張參考圖片
- 原生 2K 解析度比例

Qwen-Image 2.1 的重點是把「生成素材」與「繼續修改素材」放進同一套流程。你可以先用文字生成商品主視覺，再加入人物、服裝或配件參考圖，接著用遮罩修改背景，最後輸出透明 PNG，繼續放到影片、簡報或網頁設計裡。[1][2]

## Qwen-Image 2.1 適合做什麼？

### 原生透明背景

Qwen-Image 2.1 可以直接生成 RGBA 圖片，不需要先生成普通圖片，再交給背景移除工具處理。

官方建議在 prompt 中直接說明：

```text
This is an RGBA image with transparency.
A cute cartoon dragon sticker.
The image has alpha channel and the background is transparent.
```

這類功能適合：

- 貼圖
- 商品去背
- 遊戲素材
- 角色立繪
- 網頁裝飾
- 短影音素材
- 電商商品圖

透明圖也能繼續編輯，例如保留透明背景，只改變角色表情、服裝或圖層中的文字。[1][2]

### 多參考圖合成

Qwen-Image 2.1 官方支援最多 10 張參考圖片。這些圖片可以分別提供人物、衣服、鞋子、包包、帽子、家具、場景或商品，再透過 prompt 告訴模型要如何組合。[2]

```text
Use image 1 as the person,
image 2 as the jacket,
image 3 as the shoes,
and image 4 as the bag.
Create a clean fashion editorial photo in a bright studio.
```

這類工作流適合商品展示、虛擬試穿、角色設計與室內配置。參考圖片越多，顯存和推理時間也會增加。官方寫的是最多支援 10 張，不代表一般 16GB 顯卡可以輕鬆處理 10 張高解析度圖片。

### 局部編輯

Qwen-Image 2.1 可以用幾種方式指定修改位置：

- 在圖片上畫圈
- 用筆刷塗出區域
- 提供原圖與獨立遮罩
- 直接用自然語言描述局部修改

例如：

```text
Remove the watch in the blue circle,
change the hair in the red circle to black,
and replace the green-circle area with gray linen pajamas.
```

如果不想在原圖上畫記號，也可以把原圖和 mask 分開提供，保留原始畫面完整性。[2]

### 文字與商品細節

Qwen 官方特別強調圖片中的文字排版，以及商品和人物細節保留。官方展示包含海報、資訊圖表、商品圖片與透明圖層文字編輯。[2]

這類能力適合短標題、商品名稱、海報主標與簡短標籤。長篇中文段落、正式表格或需要零錯字的商用素材，仍然建議保留後製流程。

## Qwen-Image 2.1 需要什麼等級的顯卡？

Qwen 官方 README 提供 CPU offload 的記憶體最佳化方式，但沒有給出固定的最低 VRAM 門檻。[1][3]

SGLang 團隊公開了一組比較有參考價值的推理資料：RTX 4090 24GB、原生精度、沒有量化、使用 CPU offload，在 1024×1024、40 steps 的條件下，生成時 GPU peak 約 22.7 GiB；生成約 18.7 秒，圖片編輯約 21.7 秒。[6]

這組數據代表 24GB 顯卡可以跑原生精度，但顯存已經接近上限，還要留意解析度、參考圖片數量和 ComfyUI 同時載入的其他模型。

### VRAM 實務建議

| 顯存 | Qwen-Image 2.1 建議 | Z-Image / Turbo 建議 |
|---|---|---|
| 8GB | 不適合作為主要工作機，只能嘗試量化、CPU offload 或低顯存方案 | Z-Image-Turbo 可搭配量化版本嘗試 |
| 12GB | 可以嘗試社群量化版，降低解析度和參考圖數量 | 適合 Z-Image-Turbo 量化工作流 |
| 16GB | 可用量化模型與 offload 執行，適合單張生成或中等解析度編輯 | Z-Image-Turbo 的實用配置 |
| 24GB | Qwen-Image 2.1 的實用起點，可嘗試原生精度加 CPU offload | Z-Image、Z-Image-Turbo 都較寬鬆 |
| 32GB–48GB | 適合高解析度、較多參考圖與較少 offload 的工作流 | 適合大量生成與微調 |
| 80GB–96GB | 適合伺服器推理、多使用者服務與批次生成 | 適合高吞吐服務 |

這裡的「適合」是選型建議，不代表官方硬體保證。實際顯存會受到解析度、批次大小、參考圖片數量、文字編碼器精度與其他節點影響。

Z-Image-Turbo 還有更激進的低顯存路線：社群的 `stable-diffusion.cpp` 指南示範以量化權重、CPU offload 和 Flash Attention 把它壓到 4GB VRAM 等級。不過這是特定 C++ 推理引擎與量化配置，不應該拿來當成一般 ComfyUI 工作流的速度或品質保證。[12]

### 8GB 顯卡能不能跑？

Qwen-Image 2.1 的社群 GGUF 版本已經有較小的 Q5、Q6、Q8 擴散模型檔案。這些檔案約落在 4.6GB 到 7.2GB，但它們只代表擴散模型本身，還需要另外載入 VAE 與 Qwen3-VL 文字／視覺編碼器。[5][7]

因此 8GB 顯卡可以研究低顯存方案，但不適合期待原生精度、多參考圖和高解析度同時運作。

比較現實的選擇是：

- 8GB：優先使用 Z-Image-Turbo 或其他低顯存模型。
- 12GB：開始嘗試 Qwen-Image 2.1 量化版。
- 16GB：建立低顯存 Qwen 工作流的實用起點。
- 24GB：Qwen-Image 2.1 的主要推薦配置。

## Qwen-Image 2.1 和 Z-Image 有什麼不同？

### 模型定位

Qwen-Image 2.1 的核心是把生圖、編輯、透明輸出與多張參考圖放在同一個模型裡。[1][2]

Z-Image 是 6B 模型家族，目前主要包含 Z-Image 基礎模型與 Z-Image-Turbo 快速版本。官方模型表也列出 Z-Image-Omni-Base 和 Z-Image-Edit，但部分模型目前仍標示為待發布。[8][9][10]

如果只比較目前容易下載和使用的模型：

- Qwen-Image 2.1：生成與編輯已經整合。
- Z-Image：偏向文字生圖與模型開發。
- Z-Image-Turbo：偏向快速文字生圖。

### 生成步數與速度

Qwen-Image 2.1 官方範例預設使用 40 steps。[1][3]

Z-Image 基礎模型官方建議使用約 28–50 steps，支援 CFG 和 negative prompt。[9]

Z-Image-Turbo 是蒸餾版本，官方範例使用 8 個 DiT forwards，不需要一般 Z-Image 那種完整 CFG 流程。[8][10]

| 項目 | Qwen-Image 2.1 | Z-Image | Z-Image-Turbo |
|---|---:|---:|---:|
| 典型步數 | 40 | 28–50 | 8 |
| 主要用途 | 生成、編輯、透明圖、多參考圖 | 高品質生成、探索、微調 | 快速生成 |
| CFG | 依工作流設定 | 支援 | Turbo 不使用一般 CFG |
| 低步數優勢 | 需要額外加速方案 | 普通 | 很強 |
| 編輯能力 | 已整合 | 目前以文字生圖為主 | 目前以文字生圖為主 |

如果目標是一次輸出大量圖片，Z-Image-Turbo 的速度優勢更適合批次工作。

如果目標是修改既有商品圖、維持人物身份、保留透明背景，Qwen-Image 2.1 的工作流比較完整。

### 圖片編輯能力

Qwen-Image 2.1 的編輯能力是模型主體的一部分，包括單張圖編輯、多圖合成、局部遮罩、人物身份保留、商品外觀保留與透明圖層修改。[1][2]

Z-Image 官方模型家族確實包含 Omni-Base 和 Edit 方向，但目前官方模型表中，這些模型仍有部分標示為待發布。[8]

因此目前的選型可以直接整理成：

- Qwen-Image 2.1：現在適合做生成加編輯。
- Z-Image：現在適合做生圖、風格探索與微調。
- Z-Image-Turbo：適合快速生圖，編輯流程要另外搭配工具。

### 文字生成能力

兩個模型都特別強調中文與英文文字生成。

Qwen-Image 2.1 主打文字排版、資訊圖表與透明圖中文字編輯。[2]

Z-Image-Turbo 則強調中英文雙語文字渲染、提示詞遵循與寫實影像生成。[8][10]

目前沒有一個可以代表所有場景的官方 Qwen 2.1 對 Z-Image 頭對頭測試，因此不適合直接宣布某一個模型在所有文字任務都勝出。

比較合理的判斷方式是：

- 海報、商品圖、資訊圖表、透明圖層：優先試 Qwen-Image 2.1。
- 快速生成人物、攝影感畫面、雙語短字：Z-Image-Turbo 值得優先測。
- 正式商用文案：兩者都應該保留後製，不要把生成文字直接當成最終排版。

## 授權差異比畫質更重要

Qwen-Image 2.1 使用 **Qwen Research License Agreement**。條款允許非商業研究、評估、修改與散布，但如果要把模型材料用於商業用途，需要另外向 Qwen 申請商業授權。[4]

Z-Image 的官方 repo 使用 **Apache License 2.0**，在模型與程式碼使用上相對寬鬆，允許商業使用、修改與散布，但仍然要遵守 Apache 2.0 的授權與 NOTICE 條款。[8][11]

| 授權項目 | Qwen-Image 2.1 | Z-Image |
|---|---|---|
| 授權 | Qwen Research License | Apache 2.0 |
| 非商業研究 | 可以 | 可以 |
| 商業產品整合 | 需要另行確認或申請授權 | 可依 Apache 2.0 使用 |
| 模型衍生與再發布 | 有額外條件 | 依 Apache 2.0 |
| 適合商業自架服務 | 先處理授權 | 相對直接 |

這裡要分清楚模型權重、推理程式、生成圖片、輸入素材與人物肖像的不同權利。模型可以本地執行，不代表生成圖片就能無條件商用。

## 本地安裝怎麼選？

Qwen-Image 2.1 已經有 Diffusers 和 ComfyUI 的支援。[1][3][5]

### Diffusers

官方 Diffusers 入口使用 `QwenImage21Pipeline`：

```python
import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1",
    torch_dtype=torch.bfloat16,
).to("cuda")

image = pipe(
    prompt="A ceramic teapot on a wooden table",
    num_inference_steps=40,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]

image.save("qwen-image-2-1.png")
```

顯存有限時，官方 README 提供 CPU offload：

```python
pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1",
    torch_dtype=torch.bfloat16,
)
pipe.enable_model_cpu_offload()
```

這種方式可以降低 GPU 常駐顯存，但會增加 CPU、系統記憶體與資料搬移成本。

### ComfyUI

ComfyUI 的 Qwen-Image 2.1 模型檔案分成三個主要部分：

- diffusion model
- Qwen3-VL text encoder
- VAE

Comfy-Org 也提供對應的 text-to-image 與 image-edit workflow。[5]

如果要用低顯存配置，優先確認三件事：

1. diffusion model 是否使用量化版本。
2. text encoder 是否也使用低精度版本。
3. workflow 是否在解析度、參考圖數量與其他常駐模型上留出顯存空間。

## 到底該選哪一個？

### 選 Qwen-Image 2.1，如果你需要：

- 圖片生成與編輯放在同一套流程
- 商品圖修改
- 多張參考圖合成
- 人物與商品一致性
- 透明背景輸出
- PNG 素材生成
- 遮罩與局部區域修改
- 資訊圖表、海報或短文字排版
- 有 16GB 以上顯卡，最好是 24GB

### 選 Z-Image，如果你需要：

- 高品質文字生圖
- 更多風格探索
- negative prompt 與 CFG 控制
- LoRA 或 ControlNet 類後續開發
- Apache 2.0 授權的基礎模型
- 願意用較多 steps 換取完整控制

### 選 Z-Image-Turbo，如果你需要：

- 快速生成大量圖片
- 顯卡只有 8GB–16GB
- 主要做文字生圖
- 不需要複雜的圖片編輯
- 想先用低成本方式建立本地生圖環境

## 結論：Qwen 2.1 是工作流模型，Z-Image Turbo 是速度模型

Qwen-Image 2.1 的價值在於它把生圖、圖片編輯、透明素材、多參考圖和 2K 輸出放進同一條本地流程。

如果你有 24GB 顯卡，Qwen-Image 2.1 已經值得放進本地工具鏈。若只有 12GB 或 16GB，應該優先使用量化版與 CPU offload，降低解析度和參考圖數量，先把工作流跑順。

Z-Image 則更適合生圖探索、LoRA 開發與 Turbo 推理。Z-Image-Turbo 在 16GB 消費級顯卡上的進入門檻較低，適合想快速建立本地生圖環境的人。

簡單選擇：

- **要編輯、透明圖和多參考圖：Qwen-Image 2.1**
- **要生圖控制、微調和風格探索：Z-Image**
- **要速度和低顯存：Z-Image-Turbo**
- **要商業自架服務：先看授權，Z-Image 比 Qwen-Image 2.1 直接**

## Sources:

- [1：Qwen-Image 2.1 官方 GitHub](https://github.com/QwenLM/Qwen-Image-2.1)
- [2：Qwen-Image 2.1 官方介紹文章](https://qwen.ai/blog?id=qwen-image-2.1)
- [3：Qwen-Image 2.1 Hugging Face Model Card](https://huggingface.co/Qwen/Qwen-Image-2.1)
- [4：Qwen Research License Agreement](https://raw.githubusercontent.com/QwenLM/Qwen-Image-2.1/main/LICENSE)
- [5：Comfy-Org Qwen-Image 2.1 模型檔案](https://huggingface.co/Comfy-Org/Qwen-Image-2.1)
- [6：SGLang 的 Qwen-Image 2.1 RTX 4090 推理資料](https://x.com/sgl_project/status/2101697330420589054)
- [7：社群 Qwen-Image 2.1 GGUF 量化版本](https://huggingface.co/AlperKTS/Qwen-Image-2.1-GGUF)
- [8：Z-Image 官方 GitHub](https://github.com/Tongyi-MAI/Z-Image)
- [9：Z-Image Hugging Face Model Card](https://huggingface.co/Tongyi-MAI/Z-Image)
- [10：Z-Image-Turbo Hugging Face Model Card](https://huggingface.co/Tongyi-MAI/Z-Image-Turbo)
- [11：Z-Image Apache License 2.0](https://raw.githubusercontent.com/Tongyi-MAI/Z-Image/main/LICENSE)
- [12：Z-Image 4GB VRAM 社群推理指南](https://github.com/leejet/stable-diffusion.cpp/wiki/How-to-Use-Z%E2%80%90Image-on-a-GPU-with-Only-4GB-VRAM)
