Qwen Image 2.1本地32项实测：数数翻车，动漫风格意外能打

图像生成模型扎堆发布的当下，Qwen团队交出了Qwen Image 2.1这张牌。B站UP主Luke的DevLab用一张RTX 5090在本地跑了32组提示词，从拼写、数数到人体结构、材质反射，做了一轮相当细致的压力测试。这是该频道第一次涉足图像生成领域，测试维度却铺得比不少老牌评测更开。下面把这场实测里真正有价值的信息拆开来看。

文本与数字：小词能过，数数不行

最基础的单词拼写测试，Qwen Image 2.1全部字母正确，短词组也能正确组合。给一段简单指令让它输出数字，同样没出岔子。

真正露怯的是计数任务。UP主让模型"生成一个碗，里面恰好装5个苹果"，结果苹果数量根本没到5个，右侧下方还多出一些莫名其妙的线条。物体计数一直是扩散模型的传统弱项，这次测试没有例外。

另一个反复出现的现象是画面上的紫色印记，UP主形容它像打印痕迹，在多数生成图里都能看到。他猜测这可能来自训练数据，并在视频里向观众求助：如果其他人本地运行也遇到同样的紫色线条，希望能告诉他排查方向。

扩散模型（Diffusion Model）是当前图像生成的主流架构，其原理是从随机噪声出发、经多步去噪逐步还原出图像，而非像语言模型那样逐词预测。这一机制决定了模型对“整体像素分布”的建模能力强，对“离散数量”这类需要精确计数的约束则天然偏弱：训练目标并未显式奖励“数对物体个数”，模型只是模仿训练分布中“一碗苹果”的常见样子。因此当提示词要求恰好5个苹果时，模型倾向于生成视觉上合理的构图，而非严格执行计数。物体计数、重复结构（如辐条、栏杆）的一致性，至今仍是扩散模型公认的短板，常见缓解手段包括引入布局控制、分割掩码或专门的后处理校验。

“紫色印记”这类在大量生成图中反复出现的伪影（artifact），在扩散模型实践中并不罕见。它通常指向训练数据中的系统性偏差——例如某批图像带有水印、压缩色偏、特定采集设备的色彩特征，模型便会把这种颜色模式当作“图像应有的样子”学进去，在生成时无差别复现。排查方向一般包括：检查所用权重是否经过量化或合并（不同精度版本可能放大伪影）、确认VAE解码器是否与训练时一致、调整采样步数与CFG引导强度、更换调度器，以及用不同种子复现以排除个案。若多种配置下仍稳定出现，基本可判定为训练数据层面的残留，需等待官方权重更新或社区微调修复。

空间布局与人体结构：稳中有坑

颜色与位置指令完成得干净：桌上左边红色立方体、右边蓝色球体，没有多余元素。"合上的书上放一个杯子，书在旁边的桌子上"这类空间关系也答对了。在空旷场景中摆放物体的任务同样通过，模型没有硬塞进常规家具。

人体解剖则是另一回事。让模特摆出指定姿势时，结构完全错乱，UP主直言"太糟糕了"。手持杯子的测试里，右手食指弯曲角度不自然，好在没有出现经典的多指问题。

群像场景反而是亮点。多人物站位合理，不同种族的呈现也较自然，没有手部乱入或人物重叠。UP主检查了两遍，认为与真实人物一致性很高。动漫风格的人体表现明显优于写实风格，瑜伽姿势换成动漫风后就"看起来还挺准确"。

写实人体结构是图像生成中最难啃的部分之一，原因在于人类对自身姿态、关节角度和手部细节极为敏感，任何细微偏差都会被瞬间识别为“不对劲”。模型在训练中见到的手部图像往往被遮挡、角度单一，导致手指数量、弯曲方向和关节连接容易出错。动漫风格反而更“宽容”：其线条简化、比例夸张，本就偏离真实解剖，模型只需符合风格惯例即可，出错空间反而更小。这也是评测中常见“动漫优于写实”的原因——并非模型更懂动漫，而是写实任务对物理与解剖一致性的容错率极低，任何细微结构错误都会暴露。

风格、材质与几何：强项与短板都很清楚

动漫街道场景获得高度评价：雨中黄昏、黄雨衣骑车人、亮灯店铺，整体氛围到位。UP主分享了一个辨别AI图的技巧——放大看电线，AI画的电线常像蜘蛛网一样乱；另外人物眼神飘忽也是可疑信号。

油画日出、水墨悬崖、抛光金属、湿漉漉的霓虹小巷等材质与风格测试，多数完成度不错。但杯子装水这类需要物理一致性的场景翻了车：水量明显不对，水太多破坏了构图。

几何结构是明确的短板。自行车轮辐条测试中，线条逐渐螺旋分叉、越来越乱，UP主评价"处理得不太好，不太干净"。

透视与重复结构（长廊拱门、方格地板）表现良好，元素对齐规整。镜子反射测试中，花瓶在镜中的位置让UP主觉得"有点不对劲"，但整体反射效果他认为做得不错。

场景叙事：前景稳，背景糙

食物细节（拉面加蛋加葱花加蒸汽、不出现手）达标。热闹市场场景的前景人物和摊位不错，但背景模糊处出现了"像没头的人"的粗糙结构。两人咖啡馆倒茶场景，手部有奇怪线条，液体也没流到该去的地方。网球发球姿势被质疑不符合真实运动力学。模拟指针时钟则干净准确，小时数正确、无多余指针。

视频最后，UP主确认模型可以生成无审查内容。他也说明后续会把测试图集放到DevLab图库，方便与其他图像模型横向对比，并强调频道主线仍是Hugging Face文本生成模型，图像和视频只是补充。

这轮实测说明了什么

32项测试勾勒出的Qwen Image 2.1画像相当清晰：文本渲染和空间布局可靠，动漫风格与材质表现超出预期，计数、精细几何和写实人体结构是明显软肋，紫色印记这类疑似训练数据残留需要社区共同排查。对于想在本地部署图像生成能力的开发者，这份实测提供了少见的细粒度参考——尤其是它把"能做什么"和"会在哪里翻车"放在了同一张清单上。