Qwen-Image-2.1: Transparente Bilder und KI-Bearbeitung auf dem eigenen Rechner
Veröffentlicht am 21.09.2026
Ein Produkt freistellen, mehrere Fotos kombinieren oder gezielt einzelne Bildbereiche verändern: Qwen-Image-2.1 bündelt diese Aufgaben in einem Modell und erzeugt auf Wunsch direkt transparente Bilder. Alibaba verspricht bessere Details und effizientere Berechnung. Ein dokumentierter Test zeigt zudem den Betrieb auf einer RTX 4090. Doch hinter den Schlagworten „7 Milliarden Parameter“ und „Open Source“ stecken wichtige Einschränkungen.
Alibaba hat mit Qwen-Image-2.1 ein Bildmodell veröffentlicht, das mehrere Schritte der kreativen Arbeit zusammenführt: Es erzeugt Bilder aus Text, bearbeitet vorhandene Aufnahmen und verarbeitet transparente Motive. Laut dem bereitgestellten GitHub-Dokument erschien die Version am 20. September 2026. Besonders interessant ist die Kombination aus vielseitiger Bearbeitung und nachgewiesenem Betrieb auf einer leistungsfähigen Desktop-Grafikkarte.
Transparenz wird zur eingebauten Funktion
Ein Maskottchen ohne Hintergrund, ein freigestelltes Produkt oder eine Illustration für ein Webseitenlayout: Solche Elemente lassen sich mit Qwen-Image-2.1 direkt als transparente Bilder erzeugen. Das Modell unterstützt dafür RGBA, also Farbinformationen plus einen Alphakanal, der die Durchsichtigkeit bestimmt.
Die Funktion geht über die Neuerzeugung hinaus. Vorhandene transparente Bilder können bearbeitet und Motive aus normalen Fotos als transparente Ebenen herausgelöst werden. Qwen demonstriert beispielsweise veränderte Gesichtsausdrücke und ausgetauschte Schriftzüge bei erhaltenem transparentem Hintergrund. Damit wandert ein Arbeitsschritt, für den sonst häufig ein zusätzliches Freistellwerkzeug nötig ist, in dasselbe Modell.
Die SGLang-Dokumentation beschreibt auch teilweise transparente Übergänge. Das ist für weiche Kanten relevant. Ob ein konkretes Motiv sauber genug für die Veröffentlichung gelingt, muss dennoch am Ergebnis geprüft werden; die gezeigten Beispiele sind keine Fehlerfreiheitsgarantie.
Zehn Vorlagen für eine gemeinsame Szene
Bis zu zehn Referenzbilder können in eine Bearbeitung einfließen. In den Herstellerbeispielen entstehen daraus unter anderem Gruppenporträts, komplette Outfits und eingerichtete Räume. Für die virtuelle Anprobe kombiniert das Modell etwa eine Person mit separaten Aufnahmen von Kleidung, Schuhen und Accessoires.
Änderungen lassen sich räumlich eingrenzen: mit farbigen Kreisen, übermalten Bereichen oder einer separaten Maske. Letztere markiert den gewünschten Eingriff, ohne das ursprüngliche Bild selbst zu verdecken. Das erleichtert Aufgaben wie den Austausch eines Kleidungsstücks oder das Ergänzen eines Objekts.
Nach Angaben des Qwen-Teams wurden außerdem die Wiedererkennbarkeit von Personen und die Konsistenz von Produkten verbessert. Gesichter sollen über Bearbeitungen hinweg stabiler bleiben, Produkte ihre Form, Oberflächen und Beschriftungen behalten. Auch Typografie, Licht und feine Details gehören zu den genannten Verbesserungen. Für Produktdarstellungen bleibt die Kontrolle dieser Merkmale besonders wichtig.
Kompakter Bildgenerator, größerer Gesamtbedarf
Die häufig hervorgehobenen sieben Milliarden Parameter beziehen sich ausdrücklich auf die visuelle Generierungskomponente. Sie beschreiben nicht das gesamte System. Der beigefügte Bericht von all-ai.de nennt zusätzlich einen Qwen3-VL-Encoder mit acht Milliarden Parametern sowie einen vollständigen Download von 33,1 GB. Die Größenangabe „7B“ allein erlaubt deshalb keine zuverlässige Aussage über den Speicherbedarf im Betrieb.
Effizienter werden soll die Berechnung unter anderem durch das Wiederverwenden bereits berechneter Informationen zu Eingabebildern und Bearbeitungsanweisungen. Statt diesen unveränderten Kontext in jedem Generierungsschritt erneut vollständig zu verarbeiten, kann das Modell zwischengespeicherte Ergebnisse nutzen. Gerade bei mehreren Vorlagen ist das ein relevanter Ansatz.
Desktop-Betrieb: möglich, aber mit klaren Bedingungen
Die mitgelieferte SGLang-Dokumentation belegt einen Test auf einer GeForce RTX 4090 mit 24 GB Grafikspeicher. Bei 1.024 × 1.024 Pixeln und 40 Berechnungsschritten lag der Median der Antwortzeit für die Bilderzeugung bei 18,68 Sekunden, für die Bearbeitung bei 21,68 Sekunden. Der gemessene Spitzenbedarf betrug 22,7 GiB Grafikspeicher.
Dabei wurden Teile des Encoders schichtweise in den Arbeitsspeicher ausgelagert. Gemessen wurde nach dem Aufwärmen des Systems, einschließlich PNG-Ausgabe, aber ohne Startzeit. Die Werte beschreiben somit eine konkrete Konfiguration und keinen pauschalen Leistungswert für beliebige Desktop-PCs.
Das Projekt nennt zwar native 2K-Unterstützung, doch die genannten Laufzeiten gelten für 1.024 × 1.024 Pixel. Sie lassen sich nicht unverändert auf höhere Auflösungen übertragen. Weitere Auslagerung kann den Grafikspeicherbedarf reduzieren, benötigt jedoch Arbeitsspeicher und kann die Verarbeitung verlangsamen. Eine allgemeine Mindestanforderung nennt Qwen laut dem beigefügten Bericht nicht.
Benchmark und Offenheit richtig einordnen
all-ai.de berichtet von 60,28 Punkten im Qwen-Image-Bench und der Spitzenposition unter den dort verglichenen Open-Weight-Modellen. Mehrere proprietäre Modelle liegen in diesem Vergleich weiterhin davor. Zudem handelt es sich um einen Benchmark aus dem Qwen-Umfeld. Die Platzierung ist deshalb ein Hinweis auf Leistungsfähigkeit unter den jeweiligen Testbedingungen, kein unabhängiger Nachweis einer allgemeinen Überlegenheit.
Auch bei der Offenheit lohnt Genauigkeit: Die Gewichte sind verfügbar, und das Projekt beschreibt Unterstützung durch Werkzeuge wie Diffusers, ComfyUI und SGLang. Gleichzeitig nennt das GitHub-Dokument eine eigene „Qwen Research License Agreement“. Der beigefügte Fachartikel berichtet, dass kommerzielle Nutzung eine separate Erlaubnis erfordert. Die werbliche Bezeichnung „Open Source“ sollte daher nicht als Zusage uneingeschränkter Nutzbarkeit verstanden werden.
Der praktische Fortschritt liegt vor allem in der Verbindung der Funktionen: Bilder erzeugen, mehrere Vorlagen zusammenbringen, gezielt bearbeiten und transparente Elemente weiterverwenden. Qwen-Image-2.1 eröffnet dafür einen lokalen Arbeitsablauf auf entsprechend ausgestatteter Hardware. Wie gut dieser im Alltag trägt, entscheidet sich an den eigenen Motiven, dem verfügbaren Speicher und den vorgesehenen Nutzungsbedingungen.
Qwen-Image-2.1 erzeugt und bearbeitet Bilder, unterstützt transparente Hintergründe und kombiniert bis zu zehn Vorlagen. Ein SGLang-Test belegt den Betrieb auf einer RTX 4090. Das macht Alibabas Modell für lokale Kreativarbeit interessant – Speicherbedarf, Benchmark-Aussagen und Forschungslizenz verdienen jedoch einen genaueren Blick.
Das Wichtigste in Kürze
Alibaba bündelt mit Qwen-Image-2.1 Bilderzeugung und Bildbearbeitung in einem Modell. Die laut GitHub am 20. September 2026 veröffentlichte Version kann transparente Motive direkt erzeugen, transparente Ebenen verändern und Objekte aus Fotos freistellen. Das vereinfacht die Vorbereitung von Grafiken für Layouts und andere Bildkompositionen.
Die wichtigsten Zahlen im Überblick
- Referenzbilder: bis zu zehn Vorlagen pro Bearbeitung kombinierbar
- Modellgröße: 7 Milliarden Parameter beim Bildgenerator, dazu Qwen3-VL-Encoder mit 8 Milliarden Parametern
- Download: vollständige Modell-Dateien umfassen 33,1 GB
- RTX-4090-Test: 18,68 Sekunden (Generierung), 21,68 Sekunden (Bearbeitung) bei 1.024 × 1.024 Pixeln und 40 Schritten
- Grafikspeicher: gemessener Spitzenbedarf 22,7 GiB von 24 GB
- Benchmark: 60,28 Punkte im Qwen-Image-Bench, Spitzenposition unter Open-Weight-Modellen
Bis zu zehn Referenzbilder lassen sich kombinieren, etwa für Gruppenporträts, Outfits oder Raumgestaltungen. Einzelne Änderungen können Nutzer mit Kreisen, übermalten Flächen oder separaten Masken eingrenzen. Laut Qwen wurden außerdem Textdarstellung, Porträtdetails und die Wiedererkennbarkeit von Personen und Produkten verbessert.
Auch der lokale Betrieb ist dokumentiert: SGLang nennt für eine RTX 4090 mit 24 GB Grafikspeicher eine Generierungszeit von 18,68 Sekunden bei 1.024 × 1.024 Pixeln und 40 Schritten. Dafür wurden Teile des Encoders in den Arbeitsspeicher ausgelagert. Die Messung erfolgte nach dem Aufwärmen; Startzeiten sind nicht enthalten. Für die ebenfalls unterstützte 2K-Ausgabe gelten diese Laufzeiten nicht automatisch.
Wichtig ist die Einordnung der Modellgröße: Die beworbenen sieben Milliarden Parameter betreffen nur den Bildgenerator. Weitere Komponenten kommen hinzu. Auch die im beigefügten Fachbericht genannte Spitzenposition unter Open-Weight-Modellen bezieht sich auf einen einzelnen Vergleich, den Qwen-Image-Bench.
Die verfügbaren Gewichte und die Unterstützung durch Diffusers, ComfyUI und SGLang erleichtern die technische Einbindung. Das Repository nennt allerdings eine eigene Forschungslizenz; laut Fachbericht benötigt kommerzielle Nutzung eine separate Erlaubnis. Damit ist Qwen-Image-2.1 eine vielseitige Option für lokale Bildarbeit, deren praktischer Einsatz von Hardware und Nutzungsbedingungen abhängt.
Quellen
- Qwen-Image-2.1: Compact, Efficient, and Unified Image Creation – Qwen Team
- Qwen/Qwen-Image-2.1 – Modell-Repository – Hugging Face
- QwenLM/Qwen-Image-2.1 – GitHub