Qwen-Image-2.1 必要スペック・使い方

Qwen-Image-2.1 は、Alibaba Qwenチームが2026年9月20日にオープンウェイトを公開した画像生成モデルで、視覚生成部7B＋テキストエンコーダ（Qwen3-VL）8Bという構成で、テキストからの画像生成と画像編集を1つのモデルに統合している。結論から言うと、公式のVRAM要件表は公開されておらず、コミュニティ報告ではある構成で約15.6GB前後という数字があるものの、パラメータ規模から計算上はbf16フルロードで合計30GB前後が目安になる。ライセンスはQwen Research License Agreementで非商用研究・評価用途に限定されており、業務利用には別途契約が必要という点にも注意したい。透過PNGのネイティブ出力や最大10枚の参照画像を使った編集など、単体の生成モデルというより「生成＋編集ツール」として設計されているのが特徴だ。以下、必要スペックの目安と使い方をまとめる。なお、2026年10月9日に8ステップの高速版 Qwen-Image-2.1-Turbo が公開されたため、後半に追記している。

上記の「計算上の目安」は、視覚生成部7B・テキストエンコーダ8Bというパラメータ数からbf16（1パラメータ2バイト）で単純計算した値であり、実際のアクティベーションメモリやVAE分は含んでいない。実測に近い数字を知りたい場合は、同じ手法で計算したMiniMax H3の必要スペック早見表も参考にしてほしい。あちらは動画・音声生成モデルのため規模は大きく異なるが、公式VRAM要件が未公開のモデルで目安をどう見積もるかという考え方は共通している。

Qwen-Image-2.1は、視覚生成コンポーネントとテキストエンコーダの2階建て構成を取る。視覚生成部は7Bパラメータで、32層のSingle-Stream DiT（Diffusion Transformer）レイヤーに、粒度の異なるアテンションを混在させる「mixed-granularity attention」を採用している。テキストエンコーダにはQwen3-VL 8Bを用い、テキスト指示だけでなく編集対象となる条件画像（condition images）もエンコードできる点が、単純な生成専用モデルとの違いだ。画像のエンコード・デコードには64チャンネルのRGBA VAEを使用し、16倍の空間圧縮を行う。RGBAチャンネルを持つVAEを採用していることで、透明背景を含む画像をネイティブに扱える設計になっている。前身であるQwen-Imageは約20Bパラメータの生成専用モデルだったが、2.1では生成部を7Bまで縮小しつつ編集機能を統合しており、パラメータ効率という観点でも大きな方向転換と言える。

- テキストから画像生成と画像編集の統合: 1つのモデルで新規生成と既存画像の編集を両方こなせる。
- 透過PNGのネイティブ出力: 64チャンネルRGBA VAEにより、プロンプトの内容次第で背景を透明にした画像をそのまま出力できる。
- 最大10枚の参照画像を使った編集: 複数の参照画像を条件として渡し、それらの要素を組み合わせた編集ができる。
- 写真からの被写体抽出: 元画像から特定の被写体だけを切り出すような編集に対応。
- 円・注釈・マスクによる領域指定編集: 画像上に丸で囲む・注釈を入れる・マスクを描くといった方法で、編集したい領域を明示的に指定できる。

以下はQwenチーム独自のベンチマーク「Qwen-Image-Bench」によるベンダー報告値であり、第三者による再現・検証はまだ確認できていない点に注意してほしい。

最短で動かすにはDiffusersを使う。必要なパッケージは torch>=2.4.0、transformers>=5.17、GitHub最新版のdiffusers（pip install git+https://github.com/huggingface/diffusers）、accelerate、pillowの5つ。インストール後は次のようなコードで生成できる。

- pip install torch>=2.4.0 でPyTorchをインストール
- pip install transformers>=5.17 でtransformersをインストール
- pip install git+https://github.com/huggingface/diffusers でDiffusers最新版をインストール（2026年9月時点でQwen-Image-2.1対応のQwenImage21PipelineはGitHub版にのみ含まれる）
- pip install accelerate pillow で残りの依存パッケージをインストール
- Pythonから from diffusers import QwenImage21Pipeline としてパイプラインを読み込み、Qwen/Qwen-Image-2.1 を torch_dtype=torch.bfloat16 で .to("cuda") にロードし、pipe(prompt="...", num_inference_steps=40).images[0] で画像を生成する
- VRAMが厳しい場合は pipe.enable_model_cpu_offload() を呼んでからロードすることで、GPUメモリの使用量を抑えられる（速度は低下する）

Qwen-Image-2.1はDay-0で複数の推論フレームワークに対応している。ComfyUIはネイティブ対応で、公式のサンプルワークフローが配布されている。本格運用に向けては、Diffusersのほかにも以下の選択肢がある。

- ComfyUI: ネイティブ対応。公式のexampleワークフローをロードするだけでノードベースの生成・編集が試せる。
- Diffusers: QwenImage21Pipeline を通じて最も手軽にPythonから利用できる方法。
- vLLM-Omni: prefix KVキャッシュ、テンソル並列、FP8量子化に対応しており、複数リクエストをまとめて処理するサーバー運用に向く。
- SGLang: マルチGPU構成での高速推論を想定した対応が示されている。

2026年10月9日、Qwenチームは標準モデルの加速版チェックポイント Qwen-Image-2.1-Turbo をHugging Faceで公開した。視覚生成部は標準モデルと同じ7Bアーキテクチャで、サンプリングを標準の40ステップから8ステップに短縮したものだ。8ステップ用のsigmaスケジュールはチェックポイントに保存されており自動で読み込まれるため、num_inference_steps だけを指定しても上書きされない（通常のDiffusersの流儀とは異なる点に注意）。CFGは既定で1、use_kv_cache=True を指定するとテキストや参照画像の文脈（プレフィックス）をステップ間で再利用できる。なお、蒸留の具体的な手法はモデルカードに記載がない。

メモリ面では、Hugging Faceのリポジトリは標準モデルと同様に7B生成部＋Qwen3-VL 8Bテキストエンコーダの構成で、重みの合計は約32.4GBと報告されている（二次情報）。ステップ数が減ってもモデルのロード量は変わらないため、必要VRAMは標準モデルと同程度とみるのが妥当だ。Turbo向けのVRAM要件は公式に公開されておらず、24GB以下のGPUでは enable_model_cpu_offload() や量子化が前提になる。速くなるのは1枚あたりの計算時間であって、必要メモリではない。

使い方はDiffusersの QwenImage21Pipeline に Qwen/Qwen-Image-2.1-Turbo を torch.bfloat16 で読み込み、pipe(prompt=..., width=1696, height=2528, use_kv_cache=True) のように呼ぶだけでよい（標準版のようにステップ数を指定しなくてよい）。Diffusersは、パイプライン側で設定されたサンプリングsigmaに対応した最新のGitHub版が必要で、transformers>=5.17 も要る。ComfyUIでの対応はモデルカードに記載がなく、本記事の執筆時点では確認できていない。標準版のワークフローを流用できるかは、各自で検証してほしい。

ライセンスは標準モデルと同じQwen Research Licenseで、商用利用はできない（別途Alibabaとの契約が必要）。Turboが速いからといって業務利用の扱いが変わるわけではない。同日にTurboとProのAPIが発表されたと伝えられているが、料金・レート制限・提供リージョンは確認できていない。商用で使うなら、ライセンス条項とAlibaba Cloud Model Studioの最新情報を確認したい。

Qwen-Image-2.1はQwen Research License Agreementのもとで公開されており、非商用の研究・評価目的での利用に限定されている。商用利用には別途Alibabaとのライセンス契約が必要とされ、2026年9月の公開時点で公開されている料金プランはない。API利用についても、Alibaba Cloud側の正式な価格発表はまだなく、前身のQwen-Image 2.0のAPIが1枚あたり0.035〜0.075米ドルだったことが参考情報としてある程度だ。中国本土向けには wuli.art で無料アクセスが提供されている。業務での導入を検討する場合は、ライセンス条項を必ず確認し、必要であれば別モデル（例：GPT Image 2.5のような商用利用が明確なAPIモデル）との比較も行いたい。

- VRAM不足でロードに失敗する: まず pipe.enable_model_cpu_offload() を有効にしてロードする。それでも不足する場合はFP8量子化に対応したvLLM-Omni経由の利用を検討する。
- QwenImage21Pipeline が見つからないというエラーが出る: PyPI版のdiffusersにはまだ含まれていない可能性がある。pip install git+https://github.com/huggingface/diffusers でGitHub最新版に切り替える。
- transformersのバージョン不整合エラー: transformers>=5.17 を満たしているか確認し、古いバージョンが混在していないか pip list でチェックする。
- 生成が極端に遅い: CPUのみでの実行になっていないか確認する。GPUが認識されているか torch.cuda.is_available() で確認し、.to("cuda") が正しく効いているかを見直す。
- 透過PNGにならない: プロンプトが透明背景を暗示する内容になっているか確認する。背景を明示的に指定していると、モデルが不透明画像として出力する場合がある。