Qwen-Image-2.1 liefert 7B-Gewichte unter Forschungslizenz

Alibabas Qwen-Team veröffentlichte Qwen-Image-2.1 am 20. September 2026 und stellte die Gewichte auf Hugging Face und ModelScope bereit. Herunterladen darf sie jeder. Die Lizenz schränkt jedoch ein, was danach erlaubt ist: Es ist eine Forschungslizenz, die kommerzielle Nutzung ohne gesonderte Erlaubnis von Qwen untersagt.

Diese Lücke zwischen "herunterladbar" und "im Produkt nutzbar" ist der Teil, den Entwickler zuerst lesen sollten. Die Modellkarte nennt die Bedingungen Qwen Research License Agreement. The Decoder berichtet, dass Unternehmen eine gesonderte Erlaubnis von Qwen einholen müssen, bevor sie etwas darauf Aufbauendes ausliefern.

Die beiden Quellen beschreiben die Veröffentlichung unterschiedlich, und der Unterschied ist erwähnenswert. The Decoder nennt das Modell open-weight, weil die Dateien öffentlich sind. Die Hugging-Face-Modellkarte stellt die Lizenz als proprietäre Vereinbarung dar, nicht als offene. Beide beschreiben dieselbe Veröffentlichung aus verschiedenen Blickwinkeln.

Was das Modell kann

Qwen-Image-2.1 erledigt Text-zu-Bild-Erzeugung und Bildbearbeitung in einem einzigen Modell, statt beide Aufgaben auf getrennte Checkpoints zu verteilen.

Die auffälligste Fähigkeit ist native Transparenz. Das Modell erzeugt RGBA-Bilder direkt. Die Transparenz ist also Teil der Ausgabe und nicht etwas, das man hinterher freistellt. Die Modellkarte beschreibt dies als Ersatz für frühere Behelfslösungen mit dem Alphakanal.

Zum Bearbeiten nimmt es bis zu 10 Referenzbilder gleichzeitig an. Das unterstützt Arbeiten mit mehreren Motiven in einer Szene, etwa Gruppenporträts oder Produktkompositionen. Bearbeitungen lassen sich mit Kreisen, gemalten Markierungen oder separaten Masken auf einen Bereich richten.

Die native Auflösung endet bei 2048x2048. Die Modellkarte nennt sieben Seitenverhältnisse: 1:1, 4:3, 3:4, 3:2, 2:3, 16:9 und 9:16.

Was darin steckt

Die veröffentlichten Architekturdetails sind konkret genug, um Hardware danach zu planen.

Komponente	Detail
Bilderzeugung	7 Milliarden Parameter, 32-lagiger Single-Stream-DiT
Text-Encoder	Qwen3-VL 8B
Autoencoder	64-Kanal-RGBA-VAE, 16-fache räumliche Kompression
Standard-Inferenz	40 Schritte
Effizienz	Mixed-Granularity-Attention, Wiederverwendung des Prefix-KV-Cache

Ein DiT ist ein Diffusion Transformer, die Architektur hinter den meisten aktuellen Bildmodellen. The Decoder berichtet, das Modell laufe auf Consumer-Grafikkarten wie der RTX 3090.

Die Unterstützung in gängigen Werkzeugen kam schnell. Die Modellkarte nennt Diffusers, ComfyUI, vLLM-Omni, SGLang und LightX2V. Zum Betrieb braucht es torch ab 2.4.0, transformers ab 5.17 und ein aus git installiertes diffusers.

Die Benchmark-Angabe braucht Vorsicht

Qwen erklärt, das Modell schlage die meisten Closed-Source-Modelle. The Decoder berichtet, dieses Ergebnis stamme aus Qwens eigenem proprietärem Benchmark und eine unabhängige Prüfung stehe noch aus.

Das begrenzt, was die Zahl belegt. Ein Benchmark, den das gemessene Team selbst gebaut hat, kann den Vergleich mit geschlossenen Konkurrenten nicht entscheiden. Behandeln Sie die Angabe als Herstellerzahl, bis sie jemand außerhalb von Qwen reproduziert.

Was das für Entwickler bedeutet

Lesen Sie die Lizenz, bevor Sie Code gegen dieses Modell schreiben. Eine Forschungslizenz heißt: Ein Prototyp ist in Ordnung, ein Produkt nicht. Dieser Unterschied fällt leicht zu spät auf. Geht es um Umsatz, beginnt die Arbeit mit einer Anfrage bei Qwen, nicht mit einem Download. Das wird zu einem Muster, das man verfolgen sollte. GLM-5.3 lieferte seine Gewichte ebenfalls unter einer eigenen Lizenz aus. "Du kannst es herunterladen" ist kein verlässliches Signal mehr dafür, was man bauen darf.

Für Forschung oder interne Bewertung ist die Transparenzunterstützung der praktische Reiz. RGBA direkt zu erzeugen spart einen Freistellungsschritt in Design- und Asset-Pipelines. Genau dieser Schritt erzeugt häufig ausgefranste Kanten. Testen Sie es mit eigenen Motiven statt mit den Beispielen, denn bei der Kantenqualität unterscheiden sich diese Modelle am deutlichsten.

Bei der Hardware ist nicht die 7B-Schlagzeile allein die maßgebliche Zahl, sondern 7B Bildteil plus 8B Text-Encoder. Rechnen Sie beides ein, bevor Sie eine 24-GB-Karte für ausreichend halten.

Warten Sie schließlich externe Benchmarks ab, bevor Sie sich auf eine Migration festlegen. Die Liste der Fähigkeiten ist konkret und heute überprüfbar. Der Vergleich mit geschlossenen Modellen ist es noch nicht.