大家好啊，我是 jianpeng。
今天和大家聊一下 Qwen-Image-2.1。这次我想和你一起看看：一张已经选好的图，需求变了以后，还能怎么接着改？
一张花朵贴纸已经做好了：橙粉色的字、带笑脸的太阳花，四周围着花叶。现在只改一个需求——把中间的 BLOOM 换成 Qwen-Image，透明背景还要留着。
这件事听起来很小，却很像日常改图。原来的构图挺好，颜色也对，并不想从头再抽一张；只是文案变了，希望沿着这张图继续做。
Qwen-Image-2.1 这次开放权重，官方恰好展示了这样一组例子。我更想顺着这些图看：文字换了，什么被保留下来？参考图多了，模型在组合什么？需要局部修改时，又能不能把位置说清楚？
我也翻了 X 上的提前试用作品，挑了两张有提示词、有具体得失的图放在后面。我们一起对照这些官方和社区样张，看看到底改得怎么样。
先看改字：透明图层可以接着编辑
先看输入与结果。左边是原来的 BLOOM，右边是改字后的 Qwen-Image。
有意思的地方在于，Qwen-Image 比 BLOOM 长得多，右侧的字因此排得更宽、更紧凑。橙粉色、手绘笔触、笑脸太阳花和四周的花叶仍然能对应上。它在处理“换一段字，同时延续这张设计”的要求。
当然，周围图案也能看到重绘，不能把这个例子理解成设计软件里替换文字对象、其余像素原封不动。但作为一份还要继续排版的贴纸，这种修改方向相当直观：你可以带着上一张的视觉基础往下做。
这里还有一个容易被画面盖住的变化：输出可以保留透明通道。 RGB 负责颜色，RGBA 多出的 Alpha 负责透明度。有了这层信息，花叶之间的空隙和画面外侧就可以透出底下的背景，贴纸才方便被放到别的版面上。
我检查了这组官方原始 PNG：改字前后都有 Alpha 通道，也都有实际透明和半透明像素。也就是说，这组文件确实带着透明信息；换成你的素材时，边缘效果还得具体看。
官方把透明生成、透明图编辑和照片抠图放进了同一个模型。这意味着工作可以从文字开始，也可以从已有素材开始。创作者更在意的，往往正是后一半：已经挑中的图，还能不能继续用、继续改。
五张参考图，怎样变成一套穿搭？
接着看一个更复杂的例子。
左侧有五张图：街角的人物、粉色外套、银色鞋、棕色包，还有一顶黑白毛绒帽。右侧把这些参考组合进了同一个画面。
你可以先跟我看三个地方：外套怎样贴合身体，包放在手边是否自然，鞋和帽子又怎样融入照片。这几个地方接不接得上，才是把参考图变成一套穿搭的难点。
右侧结果里，粉色外套披在白色上衣外，棕色包落在手边，银鞋和毛绒帽也进入了同一套造型。场景仍围绕最初人物所在的街角展开。模型需要同时处理物体的身份、大小、透视、遮挡和光线，让几份各自独立的材料形成一张图。
同时，人物的脸部、发型和姿态也明显重绘。这组图能说明多件单品被合进同一画面，不能据此认定人物身份或原姿态被精确保留。
这也是多图输入有吸引力的地方。以前要用一长段文字形容帽子、包和鞋，描述里总会丢失信息；现在可以直接交付参考，让模型看见你指的是哪一件。
官方给出的上限是 10 张参考图。另一个家居案例把空房间与多件家具组合成室内效果：这是同一种思路，只是对象从穿搭变成了空间布置。参考图提供具体材料，生成过程负责把它们放进共同场景。
不过，画面协调与商品精确是两种要求。要拿它做款式讨论、搭配草案，可以先看整体；如果涉及正式商品展示，还要逐件核对纹样、部件和标识。官方挑选的这一张样图，也不能告诉我们每次重试有多稳定。
改哪里，可以直接画给它看
多图解决了“参考什么”，局部编辑则进一步处理“动哪里”。
下面这组图里，输入端用了三种颜色标出不同位置：蓝色对应手表，红色对应头发，绿色对应上衣。修改要求分别是去掉手表、把头发改黑、把衣服换成灰色短袖。
对照右图，三项变化都能直接找到：手腕上的表消失了，金发变成黑发，上衣变成灰色。沙发、窗边和覆盖身体的毯子仍构成原来的画面。
这种交互降低了描述位置的负担。只靠文字，要说清“靠近窗边、抬起来的那只手腕上的表”；有了标记，指令就能和图中的具体区域对应起来。
除了圈选，官方还展示了涂抹与独立掩码。独立掩码的用处也很好理解：一张图保留原始画面，另一张只负责告诉模型哪些地方需要处理，避免标记本身盖住原图细节。
这里我会把预期放准一点：标记能帮我们说清楚改哪里，但它不是图像软件里的像素锁。你要是有一块内容必须原样留下，还是得放大结果，对着原图再看一遍。
X 上这两张图，让我多看了一会儿
除了官方编辑样张，Richard C. Suwandi 在 X 上贴出了一组提前试用作品。他在串帖开头说明采用单次生成，也公开了提示词；主页自述是 Qwen 开发者大使。下面按社区试用分享来看。
先看这张“周一早晨”四格漫画。
前一格还在赖床，下一格已经对着 214 封邮件发愁，猫又坐到电脑上要“开会”，最后干脆一起吃吐司。四句短文字分别进入对应格子，棕发、深色上衣和室内色调也把故事串了起来。
这比生成一幅单独的插画多了一层要求：四个画面得按顺序讲一件事。
但仔细看，第三格眼镜没了，第四格又回来了；画面还多出了提示词没要求的序号和便签符号。作者也在原帖指出了这些问题。故事能读通，角色细节仍会漂。 如果拿来做连续漫画草稿，这个差别值得记住。
另一张是咖啡知识图。
五个步骤沿着一条弯曲小路展开，编号、插图和小段文字各有位置，最后落到杯子和底部提示框。相比孤立地说“文字渲染进步了”，这张图更容易让人想到科普配图、课程提纲和流程海报。
不过，模型也自己加了一行副标题。如果你在找灵感，这行字也许刚好合心意；如果客户已经定了文案，它就是要改回去的地方。还有一点别漏了：字画清楚之后，内容对不对，仍然要我们自己查。
看过这些图，再回到“继续改”
看到漫画里消失的眼镜、知识图里多出的一行字，就更容易理解编辑能力为什么重要：初稿已经有可取之处，接下来最想做的，恰恰是把那几处问题改掉。
透明图解决素材怎样进入别的版面，多图参考补充文字难以完整表达的视觉信息，局部标记则让修改位置更加明确。这几项接在一起，图像模型就能介入更多后续制作环节。
官方也在为多图输入优化推理。简单说，编辑指令和参考图在一次生成过程中通常保持不变，因此可以先计算并缓存相关信息，后续去噪步骤再复用。这个设计与多参考编辑的需求相吻合；实际节省多少时间，还要看硬件、精度和工作流。
至于宣传中的 7B，需要读完整：它指的是视觉生成组件，完整推理还包括 Qwen3-VL 8B 编码器和 VAE。不能直接用“7B”推算整套模型的显存要求。官方架构与使用说明
想试的话，从哪里开始？
只想先看任务形态，可以从 Qwen 官方试玩页进入；已经用 ComfyUI 的读者，直接看 2.1 专属教程，其中提供了文生图与编辑模板。写程序接工作流则可以查 Diffusers 的 QwenImage21Pipeline。
有两件事适合在动手前确认。第一是输出设置：模型支持原生 2K，但 ComfyUI 模板默认约 1 MP，2048 方图约为 4 MP，需要自己选择。第二是许可：公开权重采用 Qwen Research License，模型材料限非商业研究与评估，商业使用需另获许可；托管服务条款和生成物权益也要分别核对。模型许可证
如果让我为这次更新选一个最值得先试的任务，我会选“修改一份已经满意的素材”：例如一张透明贴纸换文字，或一张人物图换上指定配饰。范围很清楚，也容易看出模型到底延续了多少原来的设计。
引用链接：Qwen 官方发布 · 官方 X 贴文 · Richard 的四格漫画 · Richard 的咖啡知识图