Qwen-Image-2.1：让图像生成进入透明图层与资产编辑流程

为什么静态输入能被缓存，压缩与偏好训练又怎样影响可用的视觉细节？先分清版本，再对照图和实现。

1. 1

   先划清版本与证据范围

   本次读取了 2.0、VAE-2.0 与 2.0-RL 报告正文及 RL 附录，并检查 2.1 官方博文、权重配置及已合并推理实现。尚未找到 2.1 独立技术报告；以下“2.1 已核实”来自新版公开资料，“前代背景”仅解释技术路线，不代表新版采用了相同训练配方。图 A 属于 2.1，图 B 属于 2.0。

2. 2

   图 B：理解条件和保留像素细节是两条路径

   【前代背景，2.0 §3】左侧冻结的 Qwen3-VL 理解系统提示、输入图与编辑要求；输入图另经 VAE 编码提供局部视觉潜变量。图中红叉表示视觉位置由 VAE 表示替换，不能将“语义理解”当成全部图像细节。右侧目标图加噪是训练示意，推理时没有真实目标图可供输入。

3. 3

   图 A：文字逐 token 因果，图像块内双向

   【2.1 已核实】横轴 K 表示被读取的键，纵轴 Q 表示发起读取的查询。蓝色文字区沿序列形成因果结构；绿色图像块内各位置可互相读取；灰格被屏蔽。目标图像可读取前缀和整个自身块，前缀不能反向读取正在改变的目标。它不是按像素从左到右逐个生成，而是在每个去噪步更新整块图像表示。

4. 4

   缓存成立的两个条件：看不到目标，且时间条件不变

   【2.1 代码核验】图 A 右侧上半部只算一次，底部每步重算。transformer_qwenimage21.py 将文字和条件图像的调制时间固定为 t=0，目标图使用当前 t；再由块因果掩码阻断目标对前缀的反馈。两者共同让前缀 K/V 不随步骤变化。pipeline 首步使用 extract，后续使用 cached；只固定原始输入却让前缀继续读取噪声目标，不能得到同样的精确复用。

5. 5

   缓存省在哪里，仍然要付出哪些计算

   【我的计算解释】设静态前缀长度 P、目标长度 T、采样步数 S。后续步骤少做 P 个前缀 token 的层内更新，但目标仍需读取 P 个前缀键和 T 个目标键，目标注意力规模仍含 T(P+T)。缓存还占用逐层 K/V 显存。因此多参考图可能更受益，却不能只凭“缓存”推出固定加速倍数，更不能推断参考图数量增加没有成本。

6. 6

   16 倍空间压缩的收益与代价

   【2.1 配置核验】发布的 VAE 为输入/输出各 4 通道、z_dim=64、scale_factor_spatial=16；DiT 为 32 层、32 头、每头 128 维，patch_size=1。按这些配置计算，2048×2048 图像对应 128×128 个空间潜位置，即 16384 个位置。f8c16 与 f16c64 的潜标量总量相同，但后者空间位置更少、每个位置通道更多。注意力收益不能简单当作整条管线的加速率，细笔画和 alpha 边缘仍可能在压缩中损失。

7. 7

   VAE 论文：让压缩表征既能重建，也容易生成

   【前代背景，VAE-2.0 §2–4】全局跳接把像素空间折叠进通道，给高频细节一条直达路径；训练结合像素 L1、LPIPS 和语义对齐，未用 KL 或 GAN 损失。早期严格对齐 DINOv2 中间特征，后期放松约束，让语义结构与重建细节折中。关键问题是“原图压得好”不保证“噪声容易生成该潜分布”。新版残差、无注意力 VAE 配置与这条路线相符，但配置不能证明透明数据构成、损失权重或训练阶段照搬。

8. 8

   基础训练：先学语义，再提高分辨率与编辑占比

   【前代背景，2.0 表 2】报告给出 700K 步预训练、250K 步继续预训练和约 10K 步 SFT；分辨率逐步进入 512/1024/2048，文生图/编辑混合比由 9:1 变成 7:3。我的解读：统一生成编辑来自任务数据和训练权衡，不能只用网络能接收多张图来解释。2.1 的训练预算、透明样本占比和相应消融尚未在已读资料中核实。

9. 9

   偏好训练：先分任务优化，再在学生轨迹上合并

   【前代背景，2.0-RL §3–4】生成教师关注对齐、审美和人像，编辑教师关注指令及身份。GRPO 按同一提示下的一组样本归一化各奖励后加权；采样使用 CFG，策略优化排除无条件分支，并选择部分偏高噪声步骤来减缓奖励投机。OPD 再让统一学生沿自己的轨迹匹配对应教师的速度：L=Σ‖v学生(x_t,t,c)−v教师(x_t,t,c)‖²。它解决的是任务能力合并，不能据此宣称 2.1 已被证明采用该训练流程或拥有 4 步推理能力。

10. 10

    RGBA 输出：透明度是图像变量，不是三维材质

    【2.1 已核实与编辑判断】管线将条件图转为 RGBA，VAE 解码得到颜色和 alpha。这里 alpha 表示合成时的透明度，不等于物理透射率，也不携带粗糙度、金属度或表面法线。新版原生透明输出有利于贴花与合成素材研究；把它放到三维项目中仍需单独验证边缘、UV 接缝、尺度以及不同视角的一致性。

下列条目将官方 2.1 结果、前代论文实验和实现核验分开。本站未训练或运行模型，所有实验数字均来自对应来源；2.0 系列报告用于解释路线与证据边界，不转写成 2.1 的实测结论。

已核实 2.1 的实际权重、推理代码、架构配置与官方方法图；已读 2.0、VAE-2.0、2.0-RL 报告。尚未找到 2.1 独立技术报告，未核实其完整训练数据、透明数据配方及消融，不能称为全训练链条开放。

LICENSEQwen Research License Agreement，发布日 2026-09-20。第 2 条仅授予非商业研究或评估用途，商业使用需另行取得许可。本站“开源 / 开放”筛选表示权重或代码可取得，不表示无条件商用。