Qwen-Image-2.1 在 RTX PRO 6000 上的 15 图质量与性能实测

一次独立技术评测，围绕一个实际问题展开：当 Qwen-Image-2.1 遇上 96 GB 显存的工作站级 NVIDIA RTX PRO 6000 Blackwell Server Edition，质量与速度究竟如何？评测方 EcoHash 在固定随机种子的条件下，用官方 Diffusers 流水线跑完 15 张图，覆盖英文与双语排版、人像与产品摄影、建筑与风景、插画、透明素材，以及一张原生 2048 × 2048 输出。

本次评测全部使用 BF16 精度、40 步、批大小为 1 的配置，不启用量化、CPU offload 或模型分片，完整记录了每张图的生成耗时与显存峰值分配量。需要说明的是，Qwen-Image-2.1 采用 Qwen Research License Agreement 分发，除非单独获得商业授权，否则仅限非商业研究或评估用途。

速度与显存：一组清晰的数字

14 张约 100 万像素（1 MP）样本的平均耗时是 9.378 秒，中位数 9.375 秒，最快 9.271 秒、最慢 9.524 秒，极差不到 3%。平均峰值分配显存为 36.801 GiB，约占 PyTorch 报告的 95.0 GiB 中的三成多，留出接近 58 GiB 的余量。

单张原生 2048 × 2048 样本耗时 52.021 秒，峰值分配显存 56.516 GiB，仍留出约 38.5 GiB。像素量约翻了四倍，时间变成约 5.55 倍，显存约 1.54 倍。三条信息组合起来指向一个朴素的结论：原生高分辨率扩散在这张卡上完全可行，但代价明显高于先出低分辨率候选、再针对选定结果做高分辨率生成。

15 张图全部完成，没有出现显存溢出或 CUDA 报错。热缓存下的流水线加载耗时 4.427 秒，首次模型下载时间不计入。15 张图累计生成时间 183.317 秒。按这个顺序吞吐率粗略折算，1 MP 生成约为 384 张/ GPU 小时——这个数字不含编排、文件读写、安全审查、重试和模型加载开销。

按评测方自述，这组数字描述的是一种配置下的表现，不是某种通用基准。批处理、减少步数、量化、CPU offload 和替代推理运行时均未测试，因此不应被读作批处理或多用户容量结论。

BF16 与显存构成：BF16（Brain Floating Point 16）是一种 16 位浮点格式，保留了与 FP32 相同的 8 位指数范围，但尾数只有 7 位。相比 FP16，BF16 动态范围更大、更不容易在扩散模型的长链去噪中出现溢出，因此成为当前大模型推理的主流精度。评测中提到的“峰值分配显存”（peak allocated memory）指 PyTorch 在生成过程中向 CUDA 申请并实际持有的最大显存量，并非整卡 96 GB 的固定占用。它包含 UNet/Transformer 权重、文本编码器、VAE、每步的中间激活与注意力矩阵，但不包含 CUDA 上下文、cuDNN 工作区和显存碎片等运行时开销。正因如此，95.0 GiB 的可报告总量与实际可用余量之间仍有差距，这也是评测方反复强调“约 58 GiB 余量”时用的是分配量而非卡容量的原因。

排版：本次表现最稳的一块

四条提示词明确要求渲染文字，在这轮固定种子测试中全部一次成功。评测方谨慎地强调，这是四个观察样本，不是 100% 文字准确率的声明，更长的文案、更小的字号、非常规字体和更密集的版面仍需更广的测试。

“MAKE IDEAS VISIBLE”霓虹灯样例拼写正确，并且贴合店面透视而不是像贴片一样平铺，倒影、雾气、玻璃与青琥珀混合光让画面在空间上自洽。教育信息图 “HOW RAIN BECOMES A RIVER” 的标题和四个标签 CLOUD、RAIN、SOIL、RIVER 全部正确，但视觉逻辑不够可靠：云层面板里已经在下雨，前两个阶段没有标签暗示的那样分明。一份双语店面的样例要求最苛刻，两种语言、两行文字、横招牌、店内书架、反光玻璃和模糊行人同时在一张图里，两行文字按要求的顺序正确渲染。

这组结果本身值得记录：排版正确不等于教学内容正确。信息图案例正是提醒——文字全对，但图片自身的语义可能已经跑偏。

摄影类输出：质感可靠，指令跟随仍需抽查

编辑人像样例中，虚构人物有自然的皮肤质感、温暖的窗光、可信的织物和可见的陶土粉尘，手指在这一张里保持合理，但解剖结构仍建议在全分辨率下复核。产品摄影样例把哑光聚合物、编织网罩和类铜金属区分得比较到位，悬浮构图与控制阴影适合概念工作；如果要精确复现真实产品，仍需要参考图条件化加人工验证。

食物编辑样例的细节分化清晰——面条、红油、芝麻、葱花、陶碗和一丝蒸汽都能分辨，但提示词要求的是俯拍，输出更接近 45 度斜上角。这是一张好看但没有完全遵守相机指令的样例。电商版式样例则把可复用水瓶放在右侧，左侧留出大面积负空间，匹配要求的版式，小水珠和柔和阴影处理干净，且没有引入品牌或标识。

建筑、风景与插画

围绕一棵老树建造的弧形木质阅览室读起来是一个连贯空间，但弧木墙、玻璃、书架、阳光和中心树木的交接处，和大多数生成建筑一样，在当作概念图之外使用前值得逐处检查。夏季风暴后的高山风景里，狭窄河道接住了要求的那道光束，几条山脊线之间的空气透视可读，小小的远足者提供了尺度感而没有喧宾夺主。

故事书插画样例在机器人、发光花朵、暖色窗子和黄昏天空上保持了提示词要求的树胶水彩加彩铅质感，角色为虚构并要求为非授权系列设计。9:16 的竖版海岸铁路样例为文案预留了开阔天空，同时让虚构的悬崖铁路、绿松石色海水和日出的可读性适配社交比例。3D 应用图标样例采用居中正交视角，玻璃质感的蓝色方块、象牙色沙漏和青色内发光组成了一个干净且无文字的虚构图标。

透明素材：真实 alpha 通道

蓝色折纸鲸鱼贴纸的 PNG 带有有效 alpha 通道，数值范围 0 到 255；在 1,048,576 个像素中，有 989,473 个并非完全不透明。这证明它是真正的透明度，而不是把白色或棋盘格背景画进图里。部分查看器会在彩色衬底上显示透明 RGB 值，但这不改变 alpha 数据本身。对于需要叠加、图层合成和素材复用的场景，这一点比视觉上的“看起来透明”更有实际意义。

RGBA 与 alpha 的工程意义：PNG 的 RGBA 四个通道中，RGB 表示颜色，A 表示不透明度。带真实 alpha 的素材在叠加到新背景时，边缘像素会按 alpha 值做线性插值，从而避免白边或锯齿；而把棋盘格或纯白背景“画进”图像的伪透明图，一旦换背景就会暴露底色。评测方统计的 989,473 / 1,048,576 个非完全不透明像素，覆盖的正是主体边缘、抗锯齿过渡和半透明区域，说明扩散模型在输出阶段确实生成了连续的 alpha 而非二值掩码。工程上还需注意：部分查看器或缩略图管线会丢弃 alpha 通道或把透明 RGB 以黑色/白色预乘显示，因此仅凭肉眼截图判断透明度并不可靠，应以通道数据和像素统计为准。

原生 2K：可直接出图，但要算清成本

最后一条提示词直接生成了 2048 × 2048 图像，没有经过单独的超分步骤。提示词刻意要求一个细节密集的虚构海岸观测站：几十个小窗、栏杆、风化铜、混凝土、海浪、礁石和远处的地平线。

在正常观看尺寸下，结果连贯而质感丰富。放大到 100% 时，水渍、窗框和材料过渡仍然有用，但少数栏杆路径和小的结构交接处并不符合物理规律。换句话说，原生 2K 在这张 96 GB 卡上可以稳定跑通，但“可生成”与“可作为交付”之间仍然隔着一轮人工检查。

扩散模型的计算缩放并非线性：像素数翻四倍时，自注意力机制的序列长度随之翻四倍，而标准注意力的计算量与显存需求大致随序列长度平方增长。评测中 2K 单张耗时约为 1 MP 的 5.55 倍、峰值显存约为 1.54 倍，低于纯平方预测，原因在于官方流水线很可能在隐空间（latent space）中完成主要去噪，且高分辨率阶段可能采用了分块或窗口化注意力。这也解释了为何显存增幅远小于时间增幅：时间主要花在更多去噪步和更大的特征图上，而显存峰值受注意力实现与批次策略影响更大。因此“先低分辨率筛选、再对选定结果做高分辨率生成”的工作流，在延迟和显存两个维度上都比直接批量出 2K 更经济。

哪些环节仍然需要人工复核

• 文字：四个文本提示词在本轮成功，但更长文案、更小字号、非常规字体和密集版面需要更广测试。
• 指令跟随：食物图片没有按提示词要求的俯拍相机角度输出。
• 语义准确性：信息图标签正确，但前两个阶段没有清晰分开。
• 精细结构：栏杆、窗格、手指等重复的小几何结构建议在 100% 缩放下检查。
• 生产声明：好看的输出不构成所描绘产品、建筑、流程或人物准确的证据。

评测结论

从单张图像的延迟与显存占用看，一块 RTX PRO 6000 为 Qwen-Image-2.1 的研究提供了充足的余地：约 1 MP 与原生 2K 都能在官方 BF16 Diffusers 路径下不加内存节省措施地跑通，单图延迟可预期。本次表现最强的是多语言排版、摄影材质渲染、预留文案空间版式和真实 RGBA 透明度；主要局限同样清楚——排版正确可能掩盖语义错误，相机指令可能被漏掉，微小重复结构仍需人工复核。

对考虑这套硬件与模型组合的研究者而言，一个实用工作流是从 1 MP 候选生成和人工筛选出发，把原生 2K 留给最终选定的输出。评测方也明确表示，这一建议来自实测延迟差异，而非对每条流水线或每种质量目标的普适判断。