Qwen-Image：通义千问开源图像生成基座模型安装与使用指南

官方信息

项目背景

Qwen-Image 是阿里巴巴通义千问（Qwen）团队于2025年推出的文生图像基座模型，是Qwen大模型家族在图像生成领域的重要组成部分。与FLUX、SDXL等海外模型相比，Qwen-Image最大的优势在于原生支持中文提示词和中文文字渲染，对国内用户来说无需费心翻译提示词，生成的中文海报、字帖、招牌也更加自然。

Qwen-Image 采用 200 亿参数的 DiT（Diffusion Transformer）架构，基于Qwen2.5-VL视觉语言模型作为文本编码器，能够深度理解复杂的中文语义和场景描述。模型在超过10亿高质量图文对上训练，覆盖了写实、动漫、国风、插画、产品设计等多种风格。

除了基础文生图能力，Qwen-Image 还提供了图像编辑（Qwen-Image-Edit）、参考图生成（Qwen-Image-Reference）等衍生模型，形成了完整的图像生成工具链。官方仓库同时提供了ComfyUI自定义节点、Diffusers Pipeline和Web Demo，方便不同技术水平的用户接入使用。

核心特性

• 原生中文理解：以中文为主要训练语言之一，中文提示词理解能力远超海外模型
• 优秀中文文字渲染：能在图片中生成清晰可读的中文汉字，适合做海报、字帖、招牌
• 200亿参数DiT架构：基于Qwen2.5-VL文本编码器，语义理解深度领先开源模型
• 高分辨率输出：原生支持1328×1328分辨率，可扩展到2K以上
• 图像编辑能力：衍生模型Qwen-Image-Edit支持指令式局部编辑（"把天空改成日落"）
• 参考图生成：Qwen-Image-Reference支持以图生图、人物一致性
• 完全开源可商用：采用Apache 2.0协议，权重免费下载，可商用

环境要求

详细部署步骤

方式一：Diffusers Pipeline（推荐）

1. 创建环境

   conda create -n qwenimage python=3.10 -y
   conda activate qwenimage
   # 或
   python -m venv venv
   source venv/bin/activate

2. 安装PyTorch 2.4+（CUDA 12.1）

   pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

3. 安装Diffusers与依赖

   pip install -U diffusers transformers accelerate sentencepiece
   pip install qwen-vl-utils  # Qwen-VL工具集

4. 下载并推理

   import torch
   from diffusers import QwenImagePipeline
   from diffusers.utils import load_image
   
   pipe = QwenImagePipeline.from_pretrained(
       "Qwen/Qwen-Image",
       torch_dtype=torch.bfloat16,
       trust_remote_code=True
   )
   pipe.to("cuda")
   
   # 中文提示词直接用
   image = pipe(
       prompt="一只穿着汉服的橘猫，坐在西湖边的长椅上，背景是雷峰塔，水彩画风格",
       negative_prompt="模糊，低质量，变形，文字错误",
       width=1328,
       height=1328,
       num_inference_steps=30,
       true_cfg_scale=4.0,
       generator=torch.Generator("cuda").manual_seed(42)
   ).images[0]
   
   image.save("qwen_output.png")

   首次运行会自动从HuggingFace下载约40GB权重，建议提前配置国内镜像：export HF_ENDPOINT=https://hf-mirror.com

方式二：官方源码部署（带Web Demo）

1. 克隆仓库

   git clone https://github.com/QwenLM/Qwen-Image.git
   cd Qwen-Image

2. 安装依赖

   python -m venv venv
   source venv/bin/activate
   pip install -e .
   pip install -r requirements.txt

3. 下载模型权重（ModelScope国内推荐）

   # 安装ModelScope
   pip install modelscope
   
   # 方式A：ModelScope下载（国内速度快）
   modelscope download --model Qwen/Qwen-Image --local_dir ./Qwen-Image
   
   # 方式B：HuggingFace（海外）
   huggingface-cli download Qwen/Qwen-Image --local-dir ./Qwen-Image

4. 启动Web Demo（Gradio）

   python demo/app.py \
     --model-path ./Qwen-Image \
     --port 7860 \
     --share  # 可选，生成公网临时链接

   浏览器打开 http://127.0.0.1:7860 即可看到可视化界面。

方式三：ComfyUI 自定义节点

1. 安装ComfyUI-Qwen-Image节点

   cd ComfyUI/custom_nodes
   git clone https://github.com/ComfyUI-Qwen/ComfyUI_Qwen_Image.git
   cd ComfyUI_Qwen_Image
   pip install -r requirements.txt

2. 下载模型到ComfyUI目录

   # 主模型放到 ComfyUI/models/diffusion_models/
   # 文本编码器放到 ComfyUI/models/text_encoders/
   # VAE放到 ComfyUI/models/vae/

3. 重启ComfyUI，在节点列表中搜索"Qwen"即可找到相关节点。

方式四：Docker部署

docker run -d --name qwen-image \
  --gpus all \
  -p 7860:7860 \
  -v /data/qwen_models:/models \
  -v /data/qwen_outputs:/app/outputs \
  registry.cn-hangzhou.aliyuncs.com/qwen/qwen-image:latest \
  python demo/app.py --model-path /models/Qwen-Image --listen 0.0.0.0

显存优化：FP8量化部署（16GB显存可跑）

# 使用FP8量化版权重
from diffusers import QwenImagePipeline
import torch

pipe = QwenImagePipeline.from_pretrained(
    "Qwen/Qwen-Image-Edit",  # 或Qwen/Qwen-Image
    torch_dtype=torch.float8,
    variant="fp8",
    trust_remote_code=True
)
pipe.enable_model_cpu_offload()  # 8-16GB显存必开

# 推理
image = pipe(
    prompt="赛博朋克风格的上海外滩夜景，霓虹灯闪烁",
    width=1024,
    height=1024,
    num_inference_steps=20
).images[0]

使用方法

图像编辑示例（Qwen-Image-Edit）

from diffusers import QwenImageEditPipeline
import torch
from diffusers.utils import load_image

pipe = QwenImageEditPipeline.from_pretrained(
    "Qwen/Qwen-Image-Edit",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
)
pipe.to("cuda")

# 加载原图
origin = load_image("input.jpg")

# 指令式编辑
edited = pipe(
    image=origin,
    prompt="把背景改成雪山，人物穿着红色冲锋衣",
    generator=torch.Generator("cuda").manual_seed(0)
).images[0]

edited.save("edited_output.png")

参考图生成（保持人物一致性）

from diffusers import QwenImageReferencePipeline

pipe = QwenImageReferencePipeline.from_pretrained(
    "Qwen/Qwen-Image-Reference",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
)
pipe.to("cuda")

result = pipe(
    prompt="同一个人物，穿着商务西装，在办公室场景",
    reference_image=load_image("portrait.jpg"),
    generator=torch.Generator("cuda").manual_seed(42)
).images[0]

提示词技巧

• 中文直接写自然语言描述即可，不需要像SD那样堆砌关键词
• 风格词可以写："水墨风格"、"赛博朋克"、"吉卜力动画"、"产品摄影"
• 要生成文字时，直接写："图片中有文字'你好世界'，书法字体"
• 负面提示词建议加："低质量，模糊，变形，多余手指"

常见问题（FAQ）

Q1: 模型下载太慢怎么办？

国内用户强烈推荐使用ModelScope（魔搭社区）下载，速度可达10MB/s以上。设置环境变量：export HF_ENDPOINT=https://hf-mirror.com 也可以加速HuggingFace下载。

Q2: 24GB显存跑不动怎么办？

使用FP8量化版本（Qwen/Qwen-Image-fp8），并开启 enable_model_cpu_offload()。16GB显存即可正常推理。如果还是OOM，可以降低输出分辨率到1024×1024。

Q3: 生成的中文文字还是有错误？

Qwen-Image的中文渲染能力已经比FLUX好很多，但复杂汉字仍可能出错。建议：提示词中明确写出文字内容和字体；文字不要太多；生成后可用PS或局部重绘修正。

Q4: Qwen-Image和SDXL/FLUX比哪个好？

各有优势：Qwen-Image在中文理解、中文文字渲染、东方美学上领先；FLUX在英文文字、写实摄影、复杂构图上更强；SDXL生态最成熟但质量已落后。建议根据使用场景选择，国内用户优先Qwen-Image。

Q5: 可以商用吗？

Qwen-Image采用Apache 2.0协议，权重完全免费开源，可自由商用、二次分发、微调。这对国内创业者和企业非常友好。

跳转链接

• GitHub 仓库：https://github.com/QwenLM/Qwen-Image
• HuggingFace模型页：https://huggingface.co/Qwen/Qwen-Image
• ModelScope模型页（国内）：https://modelscope.cn/models/Qwen/Qwen-Image
• Qwen官方博客：https://qwenlm.github.io/blog/qwen-image/
• Qwen-Image-Edit：https://huggingface.co/Qwen/Qwen-Image-Edit