Qwen-Image-2.1とは？7B・2K対応の画像生成モデルを解説

Qwen-Image-2.1の要点

Qwen-Image-2.1は、テキストからの画像生成と、既存画像を入力した編集を同じモデルで扱う画像生成モデルです。公式モデルカードによると、画像生成部分は32層のSingle-Stream DiT、70億パラメータで構成されます。標準の出力解像度は2048×2048で、縦長・横長を含む複数の2K比率が案内されています。

今回の特徴は、単に画質を上げたことではありません。透明度を含むRGBA画像の生成・編集、複数の人物や商品を組み合わせる最大10枚の参照画像、円や塗りつぶし、マスクによる局所編集を、共通のパイプラインで扱える点が実務上の違いです。

公開直後から注目された理由

Qwen-Image-2.1は、公開から約9時間後の2026年9月21日確認時点でHacker Newsにおいて400点超、140件超のコメントを集め、上位へ入っていました。Hugging Faceのモデルページも同日朝の確認時点で700件前後のLikeが表示されています。これは品質を証明する評価ではありませんが、開発者コミュニティが短時間で試し始めたことを示す採用シグナルです。

加えて、Diffusers、ComfyUI、vLLM-Omni、SGLang、LightX2Vが公開初日から対応を案内しました。モデル単体の発表だけでなく、ローカル実行、GUIワークフロー、高スループット配信まで入口が用意されたため、比較テストが広がりやすい状態です。

仕組み：小型DiTと混合粒度アテンション

DiTはDiffusion Transformerの略で、ノイズから画像を復元していく拡散処理へTransformerを使う設計です。Qwen-Image-2.1は、テキスト指示と参照画像をQwen3-VL 8Bで共通表現へ変換し、32層・7Bの画像生成Transformerで処理します。RGBAを扱うVAEは64チャンネルで、空間方向を16分の1へ圧縮すると公式リポジトリに記載されています。

効率化の中心が、mixed-granularity attentionとprefix KV cacheの再利用です。画像編集では、指示文と参照画像の条件部分を最初のノイズ除去ステップで計算し、その結果を後続ステップで使い回します。同じ条件を40回近く読み直す重複を減らすため、特に複数参照画像を使う編集で計算量を抑えられる、というのが開発元の説明です。

ただし『7Bだから必ず安い』『キャッシュがあるから何倍速い』とは現時点で断定できません。解像度、参照画像数、ステップ数、量子化、GPU、同時実行数によって完了時間と原価は変わります。公式資料には、一般化できる1枚あたりの生成秒数や電力費を含む実効コストは示されていません。

できること：生成・編集・透明素材を1つのモデルで扱う

通常のテキスト画像生成に加え、人物や商品の同一性を保ちながら参照画像を組み合わせる用途が想定されています。公式例では、6人分の個別ポートレートから集合写真を作る例や、モデル・衣服・靴・バッグ・帽子の参照をまとめる例が掲載されています。

透明背景をネイティブに出力できるため、ECの商品切り抜き、広告バナーの素材、スタンプ、ゲーム用アセットのように、後工程で背景を消す作業が多い用途と相性があります。円や塗りつぶしで修正箇所を示す局所編集は、文章だけで位置を説明するより操作意図を伝えやすくします。

• テキストから2K画像を生成する
• 1枚または最大10枚の参照画像を使って編集する
• 人物・商品・衣服など複数の被写体を1枚へ構成する
• 透明背景の素材を生成し、RGBAのまま編集する
• 円、手描きの印、独立マスクで修正範囲を指定する
• 画像内の文字、ポートレート照明、細部表現を改善する

解像度と実行条件

公式の推奨サイズは、正方形の2048×2048に加え、16:9では2752×1536、9:16では1536×2752です。標準のノイズ除去は40ステップです。メモリが限られるGPU向けにCPUオフロードの設定も公開されていますが、CPUとGPU間の転送が増えるため、動くことと高速に処理できることは分けて考える必要があります。

海外メディアThe DecoderはRTX 3090級でも動作可能と報じています。一方、公式ドキュメントはすべての環境に共通する最小VRAMを明示していません。量子化やオフロード、解像度で条件が変わるため、GPU名だけを導入要件として固定せず、ピークVRAM、1枚あたり時間、同時生成数を実機で測るべきです。

料金：API単価は未公表、セルフホストも無料ではない

2026年9月21日の確認時点で、Qwen-Image-2.1の公式な1枚あたりAPI料金は確認できません。Hugging Faceのモデルページにも、利用可能なInference Providerがないと表示されています。第三者サイトが掲載する価格は別モデルや独自ホスティングの料金が混在するため、公式価格として引用できません。

重みをダウンロードして実行する場合、モデル利用の従量課金がなくても、GPU時間、待機容量、ストレージ、データ転送、監視、失敗時の再生成、運用担当者の工数が発生します。画像モデルはトークン単価では比較しにくいため、『正常に採用できた画像1枚あたりの総原価』で測るのが実務的です。

たとえば生成単価が低くても、人物の一貫性や文字が崩れて再生成が増えれば、採用画像あたりの費用は上がります。クラウドAPIが提供された後は、セルフホストとAPIを同じプロンプト・参照画像・合格基準で比較する必要があります。

Qwen側の性能主張と、確認済みの事実を分ける

Qwenは、自社のQwen-Image-Benchで多くの非公開モデルを上回ると説明しています。The Decoderも、7Bでクローズドモデルを上回るという主張を紹介する一方、独立ベンチマークはまだ待つ必要があると指摘しています。公開当日の比較画像や開発元の順位だけで、本番品質の優劣を確定させるべきではありません。

現時点で外部から確認できるのは、重みとコードが公開され、2K・RGBA・複数参照の実装手順が示され、主要な推論基盤が対応したことです。文字精度、人物同一性、商品形状、指示追従、生成速度の相対評価は、同じ入力と人手基準を用いた第三者検証が増えるまで未確定と扱います。

『オープンソース』ではなく研究用のオープンウェイトとして見る

公式リポジトリはopen-sourceという表現を使っていますが、ライセンスはApache 2.0やMITではなく、Qwen Research License Agreementです。ライセンス本文は、利用・複製・改変・再配布を非商用の研究・評価目的に限定し、商用利用にはQwenから別のライセンスを得るよう定めています。

企業が広告、EC、ゲーム、受託制作、SaaS機能へそのまま組み込む場合は、重みを取得できることだけで利用可能と判断できません。生成物の扱い、学習・追加学習、再配布、表示義務、準拠法を含めて契約確認が必要です。今回のモデルは、技術検証は始めやすい一方、商用導入の法務条件が大きな分岐点です。

• 研究・評価目的の非商用利用に限定される
• 商用利用は別途ライセンスの取得が必要
• 派生物の配布にはライセンス同梱・変更表示・帰属表示が必要
• Qwenを使って公開AIモデルを改善した場合の表示条件がある
• 正式導入前に自社の用途を法務・Qwen側へ確認する

既存の画像生成サービスと何が違うか

GPT Image、Gemini系画像モデル、Midjourneyのようなホスト型サービスは、環境構築なしで使いやすく、商用条件やAPI料金を確認しやすい一方、重みや推論基盤は利用者が管理できません。Qwen-Image-2.1はローカル検証と推論最適化の自由度が高いものの、現時点では商用ライセンスと運用を自社で解決する必要があります。

したがって、単純な画質ランキングより、透明素材が必要か、複数参照を使うか、データを自社環境から出せないか、生成量がGPUを常時稼働させるほどあるか、という要件で候補を絞るべきです。

向いている検証と、まだ慎重に見るべき用途

研究・評価段階では、透明背景の商品素材、複数の商品や人物を使う構成、手描き指示による局所編集、高解像度のローカル生成を試す価値があります。すでにComfyUIを使っているチームは、公式対応ワークフローから比較を始めやすいでしょう。

一方、商用コンテンツを今すぐ大量生成する用途、固定SLAが必要なAPI、GPU運用の担当者がいないチームには、現状のままでは適しません。安全性、著作権、学習データ、人物の同意、ブランド表現の再現性についても、モデル公開だけでは解決しません。

PoCで記録したい指標

最初の検証では、見栄えのよい数枚を選ぶのではなく、実際の業務に近い固定プロンプトと参照画像を用意します。出力を人手で採点し、速度とコストを同じ生成IDへ紐付けると、モデルや設定の変更前後を比較できます。

• 人物・商品・文字・透明度ごとの合格率
• 参照画像1枚、5枚、10枚での同一性と崩れ方
• 2K生成時のピークVRAM、生成秒数、GPU稼働率
• 40ステップから減らした場合の速度と品質差
• 再生成回数を含む採用画像1枚あたりの総原価
• モデル更新後に同じ入力で結果がどう変わるか
• 商用ライセンス、データ保存、生成物の利用条件

FAQ

Q. 無料で使えますか？　A. 研究・評価目的では重みを取得できますが、GPUなどの実行費用はかかります。商用利用は別ライセンスが必要です。

Q. 公式APIはありますか？　A. 2026年9月21日時点で、Qwen-Image-2.1固有の公式API単価は確認できません。Hugging Face上でも推論プロバイダー未提供と表示されています。

Q. 一般的なPCで動きますか？　A. CPUオフロード手順はありますが、2K・40ステップを実用速度で動かせるとは限りません。GPU、VRAM、量子化、解像度ごとの確認が必要です。

Q. GPT ImageやGeminiより高性能ですか？　A. Qwenは自社ベンチマークで優位性を主張していますが、公開直後で独立検証は限定的です。用途別の同条件比較が必要です。

Q. 日本語の文字も正確に描けますか？　A. 公式は文字描画の改善を案内していますが、日本語だけを対象にした十分な独立評価は確認できていません。実データで誤字率を測るべきです。

現時点の評価

Qwen-Image-2.1の重要性は、70億パラメータの比較的コンパクトな画像生成部で、2K、透明画像、最大10枚参照、局所編集をまとめ、公開初日から複数の推論基盤が対応した点にあります。モデルをローカルで評価・最適化したい開発者にとって、試しやすい新しい候補です。

一方、公式API価格、標準的な生成速度、独立ベンチマーク、商用ライセンスの条件は、導入判断に必要な情報がまだそろっていません。速報段階では『閉じた画像APIを直ちに置き換えるモデル』ではなく、『研究評価を始め、独立検証と商用条件を待つ価値があるオープンウェイトモデル』と位置付けるのが妥当です。