Qwen-Image 2.1:本地生成、圖片編輯與顯卡需求,和 Z-Image 怎麼選?
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。
作者
Seer
日期
2026-09-22
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 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:
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]
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:
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:
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:
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:
- diffusion model 是否使用量化版本。
- text encoder 是否也使用低精度版本。
- 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
- 2:Qwen-Image 2.1 官方介紹文章
- 3:Qwen-Image 2.1 Hugging Face Model Card
- 4:Qwen Research License Agreement
- 5:Comfy-Org Qwen-Image 2.1 模型檔案
- 6:SGLang 的 Qwen-Image 2.1 RTX 4090 推理資料
- 7:社群 Qwen-Image 2.1 GGUF 量化版本
- 8:Z-Image 官方 GitHub
- 9:Z-Image Hugging Face Model Card
- 10:Z-Image-Turbo Hugging Face Model Card
- 11:Z-Image Apache License 2.0
- 12:Z-Image 4GB VRAM 社群推理指南
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。
Signals
Visits
--
Waiting for Cloudflare metrics.