Op 20 september 2026 maakte het Qwen-team van Alibaba [Qwen-Image-2.1](https://qwen.ai/blog?id=qwen-image-2.1) open-source. Het is een beeldmodel met 7 miljard parameters (7B) dat genereert en bewerkt in één pijplijn. Je kunt tot wel 10 referentiebeelden gebruiken, en het team noemt [virtueel passen](/glossary/virtual-try-on) (virtual try-on) expliciet als een van de hoofddoelen.
We lieten het model los op de acht combinaties van persoon en kledingstuk die we voor elke engine gebruiken, en legden de resultaten naast die van Google's virtuele pas-model in Vertex AI — een van de meest gebruikte commerciële opties. Dezelfde foto's, dezelfde prompt-pijplijn, geen fine-tuning.
## Wat is Qwen-Image-2.1 precies?
Qwen-Image-2.1 is één checkpoint dat drie eerdere modellen vervangt (Qwen-Image voor generatie, Qwen-Image-Edit voor bewerking, Qwen-Image-Layered voor transparantie).
- **7B parameters** in het generatiegedeelte (32 single-stream DiT-lagen). Qwen3-VL 8B leest de prompt en de ingevoerde afbeeldingen.
- **Tot 10 referentiebeelden** in één bewerking. Uit de release-notes: "voor virtueel passen kunnen vijf elementen (een model, kleding, schoenen, een tas en een hoed) gecombineerd worden tot een complete outfit."
- **Regionale bewerking.** Omcirkel een gebied, schilder eroverheen of stuur een apart masker mee, en alleen dát deel verandert.
- **Geloofwaardige weergave van mensen en producten** was een belangrijk trainingsdoel: gezichten blijven na bewerking hetzelfde, en de "tekst, textuur en vorm" van producten blijven behouden.
- **Standaard transparantie.** RGBA-output via een prompt, en het direct uitsnijden van een onderwerp uit een foto als een transparante laag.
- **Efficiënte berekeningen.** De invoerfoto's en instructies worden één keer gecodeerd en onthouden voor elke verdere stap in het opschoningsproces. Een bewerking met tien referenties kost per stap dus ongeveer net zoveel rekenkracht als eentje met een enkele referentie.
Op de eigen Qwen-Image-Bench scoort het model een 60.28, waarmee het zevende staat van de 29 modellen. De zes koplopers zijn gesloten systemen (GPT Image 2.5 gaat aan de leiding met 67.01). Onder de open-weight modellen is het met afstand de nummer één.
Let op: deze benchmark is door henzelf uitgevoerd en meet het genereren van beeld, niet het bewerken ervan. De wegingen (weights) zijn beschikbaar op Hugging Face en ModelScope, met directe ondersteuning in Diffusers, ComfyUI, vLLM-Omni en SGLang.
De licentie is de **Qwen Research License**, "uitsluitend voor niet-commercieel gebruik". Voor commercieel gebruik moet een aparte overeenkomst met Alibaba worden gesloten. Verderop meer hierover.
## Is het geschikt voor virtueel passen?
Ja, en wel zero-shot (direct, zonder extra training).
De test: acht sets uit onze publieke try-on voorbeelden. Elke set bestaat uit een spiegel-selfie plus een productafbeelding zoals een webshop die zou uploaden (een platte productfoto of een kledingstuk op een model). Qwen-Image-2.1 draaide in 16 stappen op Comfy Cloud. Vertex AI liep via de API. Beide modellen gebruikten dezelfde prompt-pijplijn, zonder LoRA (specifieke fine-tuning) en zonder nabewerking. In elke reeks zie je van links naar rechts: foto van de klant, productfoto, Qwen-Image-2.1, en Google Vertex AI.
Het voetbalshirt bovenaan deze post is de test op tekst. Beide modellen houden het logo van de sponsor en het clubembleem leesbaar en op de juiste plek. Geen van beide past de handen, de telefoon of de achtergrond van de klant aan.
**Waar Qwen beter scoort.** De abaya is gefotografeerd op een model dat een crèmekleurige sjaal draagt. Vertex nam de sjaal mee over. Qwen verving alléén de abaya.
**Waar Qwen minder presteert.** De productfoto toont een lengte tot op de kuit. Vertex houdt die lengte aan, terwijl Qwen stopt bij de knie. De riem, de sluiting en de revers kloppen bij beide. De lengte van de zoom bij lange kledingstukken was de enige consistente fout, die we ook terugzagen bij een gelaagde maxi-jurk.
**De overige vijf sets** (een halflange jurk met bloemenprint, een neon hoodie, een tweedelige sari, een plus-size maxi-jurk en een kanten trouwjurk) leverden geen duidelijke winnaar op. Beide modellen namen de blouse en rand van de sari goed over, schatten de schaalgrootte van de print op de jurk goed in, en lieten de gezichten intact.
## Qwen-Image-2.1 tegenover Google Vertex AI try-on
| | Qwen-Image-2.1 op Comfy Cloud | Google Vertex AI virtual try-on |
|---|---|---|
| Voltooide sets | 8 van 8 | 8 van 8 |
| Gemiddelde tijd per try-on | 9,9 s | 9,3 s |
| Kosten per try-on | circa $0,005 (GPU tijd) | $0,06 (lijstprijs) |
| Kwaliteit, naast elkaar | 6 gelijk, 1 beter, 1 minder | 6 gelijk, 1 beter, 1 minder |
| Modellen (weights) | open, fine-tuning mogelijk | gesloten API |
| Licentie | alleen voor onderzoek, commercieel na akkoord | commercieel |
De tijd van Qwen is inclusief zo'n drie seconden wachttijd in Comfy Cloud. De kosten van Qwen bestaan puur uit GPU-tijd voor het model; een compleet try-on verzoek omvat ook de classificatie van het kledingstuk, de opbouw van de prompt en kwaliteitscontroles.
## De kleine lettertjes
**De licentie.** Qwen-Image-2.1 wordt uitgebracht onder de Qwen Research License Agreement, niet de Apache 2.0 licentie zoals bij Qwen-Image-Edit-2511. De licentie staat uitsluitend "niet-commercieel gebruik" toe, zoals onderzoek of evaluatie. Commerciële gebruikers moeten expliciet toestemming (en een licentie) vragen aan Alibaba. Een pas-knop in een webshop ís commercieel gebruik. Wie het model zelf host, heeft die overeenkomst dus nodig.
**De twee valkuilen.** De zoomlengte bij lange kledingstukken, en het laten vallen van secundaire elementen bij kledingsets. Dit zijn structurele fouten, en daar is precies een LoRA voor uitgevonden. Met 7B parameters kun je in een paar uur een adapter trainen op één enkele GPU. DiffSynth-Studio op ModelScope ondersteunt LoRA-training voor 2.1 vanaf dag één, en ComfyUI laadt adapters via de standaard nodes. Trainingsmateriaal is simpelweg een kledingstuk gefotografeerd op een model, gekoppeld aan de bijbehorende losse productfoto – materiaal dat modemerken toch al hebben liggen. Een gerichte prompt met het type kledingstuk, de sluiting en de lengte lost de meeste problemen met de zoom al op; een LoRA lost de rest op.
## Wat betekent dit voor Genlook?
Qwen-Image-2.1 is het eerste open model dat zich kwalitatief kan meten met een commerciële try-on API in onze test, en dat voor een fractie van de kosten per afbeelding. We passen de Genlook try-on pijplijn aan om het te gebruiken op de vlakken waar het sterker is. Dit draait bovenop onze eigen kledingclassificatie, prompt-constructie en kwaliteitscontroles, zodat we voor elk type product de beste pas-kwaliteit bieden. De twee genoemde minpunten zijn de eerste prioriteit in onze pijplijn-ontwikkeling.
Voor ontwikkelaars is de [Genlook Try-On API](https://platform.genlook.app) dé oplossing voor elk type product, via één endpoint. Eén credit staat gelijk aan één try-on, en een credit kost $0,01. Geen platformkosten, geen vaste abonnementen, geen maandelijks minimum. Credits verlopen niet en nieuwe accounts krijgen gratis startcredits. De [snelstartgids](/docs/tryon-api/quickstart) omvat slechts vier stappen: maak een product aan, upload een foto, genereer, en haal het resultaat op.
## Samenvattend
- **De lancering:** een 7B open-weight model dat beelden genereert, bewerkt met maximaal 10 referenties en transparantie aankan binnen één checkpoint. Het best scorende open model op de eigen benchmark.
- **Virtueel passen:** het matcht zero-shot Google's Vertex AI model in 6 van de 8 gevallen. Het is beter in het negeren van objecten die geen kleding zijn, maar laat steken vallen bij de zoomlengte van lange kledingstukken.
- **Kosten:** zo'n $0,005 aan GPU-tijd per afbeelding, tegenover $0,06.
- **De adder onder het gras:** een licentie die enkel onderzoek toestaat als je zelf host, en twee mankementen die een LoRA moet oplossen.
---
_[Vraag een API-key aan op platform.genlook.app](https://platform.genlook.app) om de Genlook Try-On API te gebruiken, of [voeg virtuele paskamers toe aan je webshop](/get-started)._
<Faq>
<FaqItem
question="Kan Qwen-Image-2.1 gebruikt worden voor virtueel passen?"
answer="Ja. De lancering laat zien hoe je een complete outfit kunt samenstellen uit vijf referentiebeelden (een model, kleding, schoenen, een tas en een hoed). Bij onze acht testsets evenaarde het zonder extra training in zes gevallen Google's Vertex AI try-on model, scoorde het één keer beter en één keer minder."
/>
<FaqItem
question="Is Qwen-Image-2.1 gratis te gebruiken voor commerciële doeleinden?"
answer="Nee. Het is uitgebracht onder de Qwen Research License Agreement, die het gebruik beperkt tot niet-commercieel onderzoek of evaluatie. Voor commercieel gebruik is een aparte overeenkomst met Alibaba vereist. Qwen-Image-Edit-2511 valt wel onder Apache 2.0."
/>
<FaqItem
question="Hoe verhoudt Qwen-Image-2.1 zich tot Google Vertex AI virtual try-on?"
answer="In onze test zagen we het volgende: een gemiddelde van 9,9 s tegenover 9,3 s, beide leverden 8 van de 8 sets af, zes keer een gelijkspel qua kwaliteit, en circa $0,005 aan GPU-tijd per beeld vergeleken met de $0,06 lijstprijs van Vertex. Vertex is een commerciële API; Qwen is een open-weight model met een onderzoekslicentie."
/>
<FaqItem
question="Kun je Qwen-Image-2.1 fine-tunen met een LoRA?"
answer="Zeker. DiffSynth-Studio op ModelScope ondersteunt LoRA-training voor Qwen-Image-2.1 en ComfyUI laadt adapters via de standaard LoRA-nodes. Bij 7 miljard parameters train je een adapter op slechts één GPU."
/>
<FaqItem
question="Wat kost de Genlook Try-On API?"
answer="Eén credit is goed voor één keer virtueel passen en kost $0,01. Geen platformkosten, abonnement of maandelijks minimum. Credits vervallen nooit en je begint met gratis credits op je nieuwe account."
/>
</Faq>
Shopify
WooCommerce