Tongyi Wanxiang Qwen-Image 2.1 Open Source: Wie ein 7B-Kleinmodell transparente Bilder und 10-Bild-Bearbeitung auf eine Consumer-GPU bringt

Am 20. September stellte das Alibaba-Qwen-Team Qwen-Image 2.1 auf einer Open-Source-Plattform bereit. Kaum war die Meldung draußen, mehrten sich auf Bilibili noch am selben Tag die Videos zu All-in-One-Paketen, deren Titel meist denselben Satz trugen: läuft schon mit minimal 6 GB VRAM. Für eine Text-zu-Bild-Sparte, die früher gern das Etikett „VRAM-Fresser“ bekam, ist diese Zahl selbst eine Nachricht.

Viele halten es auf den ersten Blick für die neue Generation nach Qwen-Image 3.0. Ist es aber nicht. Qwen hatte im Juli dieses Jahres Qwen-Image 3.0 angekündigt, angeblich mit Unterstützung für extrem lange Prompts von 4500 Token, doch das war nur eine Vorschau – keine Gewichte, keine Benchmarks. 2.1 ist der reguläre Nachfolger in der Open-Source-Linie von 2.0; der visuelle Generierungsteil bleibt ein 32-schichtiger Single-Stream-DiT mit 7B Parametern und damit bei derselben schlanken Architektur wie das im Februar veröffentlichte 2.0.

Wirklich überraschend sind die Funktionen, nicht die Parameter. Betrachtet man die drei Upgrades zusammen, weisen sie in dieselbe Richtung: Bildgenerierungswerkzeuge sollen tatsächlich in Produktionsabläufe Einzug halten, statt im Stadium „beeindruckende Demo“ stecken zu bleiben.

Erstens: native transparente Bilder. Früher brauchte man ein separates Modell, um ein PNG mit Alphakanal zu erzeugen; Qwen hatte im Dezember letzten Jahres eigens Qwen-Image-Layered veröffentlicht. 2.1 integriert die Fähigkeit für transparente Bilder in ein einheitliches Modell: Mit einem Prompt lässt sich zwischen normalem Bild und RGBA wechseln, und transparente Ebenen lassen sich direkt bearbeiten – beim Ändern des Gesichtsausdrucks bleibt der Hintergrund transparent, oder man schneidet das Motiv aus einem Foto als Asset aus. Für Leute, die E-Commerce-Bilder oder UI-Assets erstellen, entfällt damit so manches Hin und Her.

Zweitens: Referenzbilder steigen von wenigen auf 10. Bei 2.0 war Mehrbildbearbeitung noch auf wenige Eingaben beschränkt; 2.1 kann direkt sechs verschiedene Porträts zu einem Gruppenfoto kombinieren oder aus je einem Bild von Model, Kleidung, Schuhen, Tasche und Hut ein komplettes Outfit zusammenstellen. Umgesetzt wird das mit einem Attention-Mechanismus gemischter Granularität: Text läuft über eine kausale Maske auf Token-Ebene, die Bildgenerierung über eine Maske auf Chunk-Ebene, dazu KV-Cache-Wiederverwendung, sodass Referenzbilder und Anweisung nur einmal berechnet und dann wiederholt genutzt werden. Klartext: Mit technischen Mitteln wird das Problem „mehr Bilder = langsamer“ niedergehalten.

Drittens: feinere lokale Bearbeitung. Jetzt kann man Kreise ziehen, Markierungen anbringen oder eine separate Maskendatei hochladen, um Änderungsanweisungen auf einen kleinen Bereich zu begrenzen, ohne den Rest des Bildes anzutasten. Die Aufgabenabdeckung wurde zudem auf Panoramen, Infografiken und Storyboards ausgeweitet.

Doch diese Open-Source-Veröffentlichung bringt eine Bedingung mit, die es früher selten gab. Qwen-Image 2.1 verwendet die Qwen Research License, die nur Forschung und Evaluierung erlaubt; für kommerzielle Nutzung muss separat eine kostenpflichtige Lizenz verhandelt werden. Das weicht von der Apache-2.0-Route ab, die die meisten jüngsten Open-Source-Projekte von Alibaba verfolgen, und entfernt sich auch von vollständig permissiven Open-Weight-Modellen wie Z-Image oder Ideogram 4.0. Für Teams, die damit Aufträge annehmen oder Produkte bauen wollen, ist die Lizenz das, was man vor der GPU-Hürde klären sollte.

Die Reaktionen in der chinesischen Community konzentrieren sich auf „läuft“. Eine Reihe von Bilibili-Creatorn bastelt an Ein-Klick-Komplettpaketen, die vor allem mit „entpacken und loslegen“, minimal 6 GB VRAM sowie Unterstützung für Batch-Generierung und Bildbearbeitung werben; in den Kommentaren wird oft mit kostenpflichtigen Tools verglichen. Diese Stimmung hat einen Hintergrund: In den vergangenen zwei Jahren steckten die besten Bildgenerierungsmodelle meist hinter APIs und Abos, während lokal lauffähige oft eine Klasse schlechter waren. Qwen-Image 2.1 trifft genau diesen Schnittpunkt – klein, Open Source, und die Ergebnisse werden gegen Closed-Source-Konkurrenz gestellt. So bekommt die Rede vom „Schlagen teurer Bezahltools“ fruchtbaren Boden, auch wenn dieses Wort selbst ein Fragezeichen verdient.

Nüchtern betrachtet liegt der Wert von Qwen-Image 2.1 nicht darin, wen zu „schlagen“, sondern darin, dass es transparente Bilder, Mehrbildbearbeitung und lokale Kontrolle – Dinge, die Designer täglich tun – in ein kleines Modell packt, das auf einer Consumer-GPU läuft. Was fehlt KI-generierten Bildern auf dem Weg zur Auslieferung noch? Personen müssen freigestellt, Assets müssen mit neuem Text versehen, Produktplatzierungen angepasst werden, und Schrift auf Verpackungen sowie Flaschenformen dürfen sich nicht mitverändern. Genau auf diese „letzte Meile“ zielt 2.1. Ob es tatsächlich einen Teil der kostenpflichtigen Tools ersetzen kann, hängt davon ab, was die Nutzer damit machen, nicht davon, was in Überschriften steht.

Zumindest gemessen an der Aufmerksamkeit in der Open-Source-Community fällt die Antwort eher optimistisch aus. Ein kleines 7B-Modell plus eine 6-GB-Karte machen aus „lokal ein brauchbares Bildgenerierungsmodell betreiben“ ein Entpacken und Doppelklicken. Der Einfluss auf die ganze Branche könnte länger anhalten als so mancher Benchmark-Wert.