Qwen-Image-2.1: Bestes Open-Weight-Bildmodell läuft auf Desktop-PC

Alibaba stellt mit Qwen-Image-2.1 ein neues Bildmodell vor, das Bilder sowohl erzeugen als auch bearbeiten kann. Im Qwen-Image-Bench erreicht es 60,28 Punkte und führt damit das Feld der Open-Weight-Modelle an. Die geschlossene Konkurrenz bleibt im selben Vergleich allerdings vorn. GPT Image 2.5 kommt auf 67,01 Punkte, fünf weitere proprietäre Modelle liegen ebenfalls vor dem Neuling. So eng war es bisher aber nie.

Qwen-Image-2.1 ist mit 7 Milliarden Parametern für ein Bildgenerator vergleichsweise kompakt. Hinzu kommt ein Qwen3-VL-Modell mit 8 Milliarden Parametern als Text- und Bildencoder. Die Gewichte stehen auf Hugging Face bereit, der komplette Download umfasst 33,1 GB. Trotz der Bezeichnung als Open Source gilt eine eigene Forschungslizenz, die eine kommerzielle Nutzung ohne separate Erlaubnis ausschließt.

Transparente Bilder ohne Umweg

Eine Besonderheit ist die native Ausgabe transparenter Bilder. Das Modell kann freigestellte Motive direkt erzeugen, transparente Ebenen bearbeiten oder ein Objekt aus einem normalen Foto herauslösen. Ein separater Hintergrundentferner ist dafür nicht mehr nötig.

Für aufwendigere Montagen verarbeitet Qwen-Image-2.1 bis zu zehn Referenzbilder gleichzeitig. Aus einzelnen Porträts kann es etwa ein Gruppenfoto zusammensetzen.

Beim virtuellen Anprobieren kombiniert es eine Person mit separaten Aufnahmen von Kleidung, Schuhen, Tasche und Hut zu einem neuen Bild.

Lokale Änderungen lassen sich mit Kreisen, übermalten Flächen oder einer getrennten Maske markieren.

Dabei wurde auch die Wiedererkennbarkeit verbessert. Gesichter sollen bei Bearbeitungen dieselbe Person zeigen, während Produkte ihre Form, Oberflächen und Beschriftungen behalten.

24 GB Grafikspeicher reichen für den Desktop

Der lokale Betrieb ist auf einem gut ausgestatteten Desktop-PC möglich. Eine getestete SGLang-Konfiguration erzeugte auf einer GeForce RTX 4090 mit 24 GB Grafikspeicher ein Bild in 1.024 × 1.024 Pixeln innerhalb von 18,68 Sekunden. Der gemessene Spitzenbedarf lag bei 22,7 GiB. Teile des Encoders wurden dabei in den Arbeitsspeicher ausgelagert.

Wer weniger Grafikspeicher besitzt, kann über Diffusers weitere Modellbestandteile auf den Prozessor und in den Arbeitsspeicher verschieben. Das senkt den VRAM-Bedarf, kostet aber Tempo und verlangt entsprechend viel RAM. Eine offizielle Mindestanforderung nennt Qwen nicht.

Neben Nvidia-Grafikkarten unterstützt das Projekt auch AMD Radeon über ROCm. Diffusers und ComfyUI können Qwen-Image-2.1 bereits verwenden.