Shopify
WooCommerce2026 年 9 月 20 日，阿里巴巴的 Qwen 團隊開源了 Qwen-Image-2.1。這是一個擁有 70 億參數（7B）的影像模型，能夠在單一流程中完成生成與編輯，最多可接受 10 張參考圖片，並明確將虛擬試穿列為目標應用場景。
我們使用了內部測試所有引擎時固定的八組人物與服裝組合，將它與目前市面上最主流的商業解決方案之一——Google 在 Vertex AI 上的虛擬試穿模型進行了並排測試。測試條件完全相同：一樣的照片、一樣的提示詞流程，且未經任何微調（fine-tuning）。
什麼是 Qwen-Image-2.1？
Qwen-Image-2.1 將過去三個模型（負責生成的 Qwen-Image、負責編輯的 Qwen-Image-Edit，以及負責透明背景的 Qwen-Image-Layered）的功能整合到一個 checkpoint 中。
- 7B 參數用於生成（32 層單流 DiT 架構）。由 Qwen3-VL 8B 負責讀取提示詞與輸入的圖片。
- 單次編輯最多支援 10 張參考圖片。根據發布頁面的說明：「在虛擬試穿應用中，可以結合五張輸入圖片（模特兒、衣服、鞋子、包包和帽子），直接生成一套完整的穿搭。」
- 局部編輯功能（Region editing）。無論是圈選區域、塗抹，或是提供獨立的遮罩，模型都只會改變該指定區域。
- 高度還原人物與商品是其訓練目標之一：編輯前後的人臉保持不變，商品的「文字、紋理和形狀」也能完整保留。
- 原生支援透明通道。可根據提示詞輸出 RGBA 圖片，或是從照片中將主體擷取為透明圖層。
- 高效率推論。輸入的圖片與指令只需編碼一次，並會在每個去噪（denoising）步驟中被快取下來。因此，使用十張參考圖片進行編輯的單步運算成本，與僅使用一張參考圖片差不多。
在團隊自建的 Qwen-Image-Bench 測試中，該模型獲得了 60.28 分，在 29 個模型中排名第七。排在它前面的六個都是閉源模型（GPT Image 2.5 以 67.01 分領先）。但在開源模型中，它以極大的優勢位居第一。
必須注意的是，這是一項由團隊自行報告的基準測試，且評測的是生成能力而非編輯能力。模型權重已發布在 Hugging Face 與 ModelScope，並且在發布首日即獲得 Diffusers、ComfyUI、vLLM-Omni 以及 SGLang 的支援。
授權方面，它採用了 Qwen Research License，僅限「非商業用途」。若需用於商業用途，必須與阿里巴巴另行簽署協議。更多細節請見下文。
拿來做虛擬試穿，效果好嗎？
答案是肯定的，即使是零樣本（zero-shot）測試，表現也很亮眼。
測試設定：我們從公開的試穿範例中挑選了八組圖片，每一組都包含一張對鏡自拍，以及一張商家常見的商品圖（平鋪白底圖或模特兒實穿圖）。Qwen-Image-2.1 在 Comfy Cloud 上執行，設定為 16 步；Vertex AI 則透過其 API 呼叫。兩者都使用相同的提示詞流程，沒有套用 LoRA，也沒有經過任何後製處理。以下各組圖片由左至右依序為：消費者照片、商品圖、Qwen-Image-2.1 結果、Google Vertex AI 結果。
文章開頭的足球衣圖片是一項測試文字保留能力的關卡。兩個模型都能清晰且正確地保留贊助商標誌與隊徽，同時也沒有改變消費者的手、手機或背景。
Qwen 表現較佳的地方。在這件罩袍的商品圖中，模特兒搭配了一條奶油色的圍巾。Vertex 將圍巾與服裝一起移植到了消費者身上；而 Qwen 則精準地只更換了罩袍，其餘保持原樣。
Qwen 表現較差的地方。商品圖中的風衣長度及於小腿中段。Vertex 正確保留了這個長度，但 Qwen 卻將長度縮短到膝蓋。雖然兩者在腰帶、排扣和翻領的處理上都很正確，但對於長版服飾的下擺長度掌握，是 Qwen 在這次測試中唯一一致的失誤，這個問題在另一件層次連身大洋裝的測試中也出現了。
至於另外五組測試（碎花中長裙、螢光連帽衫、兩件式紗麗、大尺碼長洋裝、蕾絲婚紗），我們很難分出高下。兩者都能正確處理紗麗的上衣與滾邊，也都能準確呈現中長裙的印花比例，且都沒有改變消費者的面貌。
Qwen-Image-2.1 與 Google Vertex AI 試穿模型大比拚
| Qwen-Image-2.1 (Comfy Cloud) | Google Vertex AI 虛擬試穿 | |
|---|---|---|
| 成功完成組數 | 8 / 8 | 8 / 8 |
| 單次試穿時間中位數 | 9.9 秒 | 9.3 秒 |
| 單次試穿成本 | 約 0.005 美元 (GPU 運算時間) | 0.06 美元 (定價) |
| 畫質並排比較 | 6 平手，1 勝，1 負 | 6 平手，1 勝，1 負 |
| 模型權重 | 開源，可微調 | 封閉 API |
| 授權限制 | 僅限研究，商業用途需簽約 | 商業可用 |
需要說明的是，Qwen 的時間包含了在 Comfy Cloud 上約三秒的排隊時間。而在成本方面，Qwen 的數字僅計算模型本身的 GPU 運算時間；一次完整的試穿請求還包含了服裝分類、提示詞建構以及品質檢查等步驟。
需要注意的門檻
授權問題。Qwen-Image-2.1 採用的是 Qwen Research License Agreement，而非 Qwen-Image-Edit-2511 所使用的 Apache 2.0 授權。授權條款明定僅限「非商業用途」（定義為研究或評估），商業用戶必須向阿里巴巴申請授權。在網路商店上放置「試穿」按鈕絕對屬於商業用途。即使是自行架設（self-hosting）也需要簽署該協議。
兩個明顯的失誤。長版服飾的下擺長度掌握不佳，以及在處理多配件商品時容易遺漏次要配件。這兩個問題都是系統性的，而這正是 LoRA 派上用場的時候。對於 7B 的模型，使用單張 GPU 訓練一個轉接器（adapter）只需要幾個小時。ModelScope 的 DiffSynth-Studio 從發布首日就支援 Qwen-Image-2.1 的 LoRA 訓練，ComfyUI 也能透過標準節點載入轉接器。訓練資料只需要模特兒實穿圖與對應的白底圖，這對許多服飾型錄來說都是現成的。其實，只要在提示詞中清楚寫出服裝類別、穿脫方式與長度，就能解決大部分的下擺問題；剩下的就可以交給 LoRA 來補足。
這對 Genlook 意味著什麼
Qwen-Image-2.1 是第一個在我們的測試圖組中，能夠與商業試穿 API 達到同等水準的開源模型，而且單張圖片的成本低了非常多。我們目前正在升級 Genlook 的試穿流程，準備在它擅長的環節導入這個模型。這個升級是建立在我們既有的服裝分類、提示詞建構與品質檢查機制之上的，為的就是確保每一種類型的商品，都能獲得當下最完美的試穿效果。上述提到的兩個失誤，正是我們優化流程的首要目標。
對於開發者來說，Genlook 試穿 API 是一個能處理所有商品類型的單一端點（endpoint）。一點額度就是一次試穿：隨用隨付方案單價 0.04 美元起，月費方案單價最低只要 0.015 美元。購買的額度方案永遠不會過期，新註冊的帳號還會獲得免費額度。我們的快速入門指南只要四個步驟：建立商品、上傳照片、生成、取得結果。
重點整理
- 最新發布： 一個 7B 的開源模型，在單一 checkpoint 中結合了生成、支援最多 10 張參考圖片的編輯，以及透明通道處理能力。在團隊的基準測試中是表現最好的開源模型。
- 試穿表現： 在零樣本測試中，8 組測試圖有 6 組與 Google 的 Vertex AI 模型打平。優點是能更精準地只改變服裝本身，缺點是在長版服飾的下擺長度掌握上略遜一籌。
- 成本比較： 每張圖片的 GPU 運算時間成本約 0.005 美元，相較於 Vertex AI 的 0.06 美元。
- 注意事項： 自行架設需注意其僅限研究的授權條款；模型在長度與配件上的一些失誤可透過訓練 LoRA 來解決。
前往 platform.genlook.app 取得 API 金鑰 開始使用 Genlook 試穿 API，或是為您的網店加入虛擬試穿功能。
常見問答