Qwen Image 2.1 本地实测：开源图像编辑能否叫板闭源？

阿里的 Qwen Image 2.1 正式开源，这是一款主打编辑能力、同时兼具文生图能力的图像模型。B站UP主梨花第一时间搭建了工作流并进行了七组实测。核心问题很直接：开源图像编辑模型，到底能不能替代 GPT、Nano Banana 这类闭源产品？

为什么这次开源值得关注

开源社区在图像生成领域与闭源的差距一直不大，视频生成此前差距明显，但随着 MiniMax Hailuo 等模型开源后被逐渐弥补。真正的短板落在了图像编辑这一块。Qwen Image 2.1 正是冲着这块空白而来。

据梨花的实测评价，相比上一代的 2511，这一代实现了「飞跃式的提升」，称其为「开源最强」并不夸张。但他也坦言，要说打得过 GPT 或 Nano Banana 这类闭源产品，仍有些言过其实——细节问题依然不少，而且模型对提示词的依赖极高。

模型构成与本地部署门槛

官方本次放出的资源相当完整，包括两个底模（BF16 与 INT8 量化版）、三个文本模型（BF16、INT8、FP8）、一个 BF16 的 VAE，以及两个分别支持图片编辑和文生图的 PE 模型。

所谓 PE 模型，实际上是独立的 Qwen3 9B 提示词扩写模块，可理解为官方提供的提示词改写工具。它会把你输入的短指令扩写成长提示词。

梨花在工作流中并未集成 PE，理由很实际：这个本地 9B 模型语言能力有限，处理简单指令没问题，但遇到复杂的多图编辑、人物关系时扩写结果不佳。更关键的是，它并非出图的必需组件，却要额外加载接近 10GB 的模型，占用显存内存、拉长生成时间。对低配置用户来说得不偿失。

好在官方同时提供了提示词扩写模板，用户完全可以把模板喂给任意大语言模型来生成长提示词，反而更省事。

显存与速度的现实

本地部署方面，8GB 显存可以跑，但分辨率和参考图数量会受限，其中参考图数量对显存的压力最大。梨花用 5090D 跑满血全 BF16 模型，单图编辑 50 步 2K 分辨率约需一分半，但三参考图直接飙到八分钟，差距悬殊。配置不高的用户建议使用 INT8 量化模型，并严格控制参考图数量，否则大概率爆显存。

对于本地跑不动的用户，UP主也将工作流上传到了 RunningHub 云端平台可供体验。

BF16、INT8、FP8 是模型权重的不同数值精度格式。BF16（Brain Float 16）是完整精度版本，推理质量最高但显存占用最大；INT8 是 8 位整数量化，显存占用约为 BF16 的一半，质量损失通常较小；FP8 则是更激进的压缩，适合显存极为有限的场景。VAE（Variational Autoencoder，变分自编码器）是图像生成流程中的关键组件，负责将图像在像素空间与潜空间之间转换——扩散模型的采样过程发生在低维的潜空间，最终由 VAE 解码还原成可见图像，其精度直接影响图像的清晰度和色彩还原。

5090D 是英伟达 RTX 5090D 的简称，「D」版本是专为中国大陆市场定制的阉割版，相比国际版 5090 在互连带宽上有所削减，但显存容量同为 32GB GDDR7，是目前面向消费级市场的最高配置之一。梨花在此配置下跑满血 BF16 模型尚需数分钟，普通用户（如 8GB 或 12GB 显存的 30/40 系显卡）遇到多参考图场景时爆显存几乎是必然的，INT8 量化加上控制参考图数量是目前最实际的应对策略。

工作流的三个关键设置

搭建工作流时有几个要点需要注意：

• 内核更新：ComfyUI 内核必须更新到最新开发版本，否则会报错。
• 分辨率模式：一种是按原图宽高比生成，此时需关闭 custom size 节点，参数为 0 则沿用原图分辨率。但若原图为 4K/8K，需手动改成如 1024，让模型保持宽高比并把总像素压到约 1024×1024，避免爆显存。另一种是打开 custom size 指定比例（如 3:4、16:9），数值 1 对应约 1024×1024 总像素，2K 则需拉到 4（约 2048×2048）。
• 采样步数：官方推荐 40–50 步，25 步也能正常出图，但 40 步以上在细节与质感上明显更好，具体取决于对速度的取舍。

七组实测：强在哪，弱在哪

单图编辑：一致性与文字表现亮眼

人物四视图测试整体一致性保持不错，链条、手表、肩膀标志的方向大体正确。更复杂的人物资料卡是过去 2511 完全无法胜任的场景——文字和图案会错乱，而 Qwen Image 2.1 布局清晰、小字可辨，仅有个别文字出错。对开源模型而言已相当出色。

不过一旦继续增强信息密度（加更多格子和文字），画面就会崩坏。这方面确实不如 GPT，但正如梨花所言：闭源模型出于审核限制，很多内容压根不给你出——这是开源不可替代的价值。

漫转真（写实转换）测试在无 LoRA 的情况下美学已可接受，且原生具备较好的一致性保持能力。人物姿势与表情修改中，脸部和衣服细节一致性都保持得很好。

多图编辑：换衣服表现稳定

换衣服是常用场景。过去 2511 需要把衣服单独抠出，穿在人身上的衣服识别效果差。这次测试直接迁移穿在人物身上的衣服，一致性、质感、细节都保持良好，原图基本无变形。

漫画与影视分镜：短板暴露

人物参考出四格漫画时，模型确实能做出漫画效果，画面质感清透，但细节问题不少：锅里汤汁溢出、道具消失、气泡归属错误、表情不到位。横向对比 GPT（相同提示词），GPT 画面会有色斑色块感，但在分镜逻辑、台词归属和表情表现上领先较多，综合完胜。

三参考的电影剧情分镜测试则「有点难绷」，格子和人物细节都偏糊。梨花的结论是：做正经影视分镜、追求高效高质量，还得靠闭源；开源虽能出，但需要反复抽卡改提示词，效率不划算。

「抽卡」是 AI 图像生成社区的常用说法，指同一提示词多次生成取优的过程，类比抽盲盒——每次生成结果都有随机性，需要反复运行才能碰到满意的输出。这一现象在对构图、人物数量、台词归属等有精确要求的分镜场景下尤为突出，因为每次抽卡成本（时间和算力）较高，整体工作效率远不如闭源产品稳定出图的表现。

结论：开源最强，但闭源仍有护城河

不吹不黑，Qwen Image 2.1 在开源领域综合能力全面，人物一致性和文字生成都有不错表现，堪称当前开源图像编辑的天花板。但追求高效和细节质量时，闭源依然占优——即便是顶级消费级配置，在多参考、高分辨率场景下生成耗时依然漫长，还得不断抽卡调词。

需要特别提醒的是授权问题：按照阿里的开源协议，该模型当前公开授权仅限非商业的研究和评估用途。若要用于商业项目，需另外向官方申请商业许可，此外还有诸多限制条款。个人把玩无所谓，商用前务必仔细阅读开源协议。