Alibaba publie son modèle unifié de génération et d'édition d'images : nouvelles capacités bienvenues et accessibilité correcte, mais sous une licence qui n'a rien d'open source.
<div style="text-align: right; font-size: 75%; margin-top: -15px; margin-right: 1ex" class="text-secondary-600 text-right small"><em>
Dernière mise à jour : 21/09/2026
</em></div>
Ça y est : l'équipe Qwen d'Alibaba a mis en ligne Qwen-Image 2.1, poids et code compris, sur Hugging Face, GitHub et ModelScope, avec une démo prête à l'emploi. Sur le papier, c'est un modèle sérieux qui coche beaucoup de cases. Mais il arrive avec un astérisque de taille sur lequel on reviendra : sa licence.
L’une des forces de Qwen-Image 2.1, c'est de faire deux choses avec un même modèle : générer une image à partir d'un prompt texte, et éditer une image existante en la prenant comme référence. Pas besoin de deux outils séparés, tout passe par le même pipeline.
Côté architecture, on est sur un transformer de diffusion de 7,1 milliards de paramètres, épaulé par un encodeur de texte Qwen3-VL 8B. C'est bien plus léger que la première version (20 milliards), et Alibaba affirme que cette 2.1 dépasse la plupart des modèles fermés sur ses propres benchmarks. Une affirmation à prendre avec des pincettes tant qu'aucune évaluation indépendante n'est tombée.
Deux nouveautés sortent du lot. D'abord, le modèle gère nativement les images transparentes (RGBA) : il peut isoler un objet, générer un élément sur fond transparent ou modifier du texte sur une couche isolée. Pratique pour tout ce qui touche au détourage, aux logos ou aux assets réutilisables.
Ensuite, l'édition multi-références : Qwen-Image 2.1 accepte jusqu'à dix images de référence en une seule passe. De quoi composer un portrait de groupe à partir de photos individuelles, tenter un essayage virtuel de vêtements, ou aménager une pièce à partir de plusieurs éléments. On peut aussi guider une retouche localisée en dessinant simplement un cercle, un masque ou une marque sur la zone à modifier. C'est ce contrôle plus fin, plus qu'un bond en qualité brute, qui constitue le vrai argument de cette version.
Le tout sans oublier la signature de la série : le rendu de texte. Générer une affiche, une infographie ou une planche de BD avec du texte réellement lisible et bien placé, en anglais comme en chinois, reste l'un des points faibles de la plupart des modèles ouverts. Qwen-Image en a fait sa spécialité, et la 2.1 continue sur cette lancée.
Qwen-Image 2.1 est plus accessible qu'attendu. D'après les premiers tests via SGLang, une RTX 4090 (24 Go) génère une image en 1024×1024 en environ 19 secondes, et réalise une édition en un peu plus de 20 secondes, avec un pic mémoire autour de 22,7 Go grâce à l'offloading vers la RAM. Le modèle tourne même sur une RTX 3090. Autrement dit : pas besoin d'une carte de datacenter pour s'y mettre.
Le bémol concerne la résolution 2K native (jusqu'à 2048×2048), nettement plus gourmande. Là, on monte à plusieurs dizaines de gigaoctets de VRAM nécessaires d'après les mesures d'intégration à Diffusers. C’est précisément là que les versions quantifiées font déjà la différence.
En moins de 24 heures, des quantizations INT8 (et même plus agressives) sont apparues : elles ramènent l’empreinte mémoire autour de 16 Go en résident, rendant le 2K accessible sur une 4090 sans offloading permanent, et le 1024 encore plus léger. On trouve notamment les versions INT8 ConvRot sur Civitai et les packs prêts pour ComfyUI chez Comfy-Org, ainsi qu’une liste grandissante de quantizations sur Hugging Face. Pour du 1024, en revanche, on peut y aller dès maintenant, même en BF16.
Petit détail technique mais utile : le modèle est distillé pour le CFG, avec des réglages par défaut déjà calibrés (40 étapes, sans classifier-free guidance). Rien à bidouiller pour démarrer.