Qwen-Image-2.1 ปล่อยน้ำหนักเปิดแล้ว — DiT 7B สร้างภาพโปร่งใสได้ในตัว แต่เปลี่ยนจาก Apache 2.0 เป็น license งานวิจัย ห้ามใช้เชิงพาณิชย์

20 ก.ย. 2026 ทีม Qwen ของ Alibaba ปล่อย Qwen-Image-2.1 บน Hugging Face และ ModelScope โมเดลตัวเดียวทำได้ทั้งสร้างภาพจากข้อความและแก้ไขภาพ ส่วนที่สร้างภาพมีขนาด 7B พารามิเตอร์ (single-stream DiT 32 ชั้น) จุดเด่นที่นักพัฒนาจะใช้ได้จริงคือ สร้างภาพ RGBA พื้นหลังโปร่งใสได้ในตัว ไม่ต้องไปลบพื้นหลังทีหลัง รับภาพอ้างอิงได้ถึง 10 ภาพ และได้รับการรองรับจาก Diffusers, ComfyUI, vLLM-Omni, SGLang และ LightX2V ตั้งแต่วันแรก บน Hacker News กระทู้นี้ขึ้นหน้าแรกได้ 467 คะแนนภายในวันเดียว

แต่รายละเอียดที่สำคัญที่สุดอยู่ในไฟล์ LICENSE ไม่ใช่ในหน้าประกาศ Qwen-Image-2.1 ใช้ Qwen Research License Agreement (ลงวันที่ 20 ก.ย. 2026) ซึ่งให้สิทธิ์ใช้งาน “FOR NON-COMMERCIAL PURPOSES ONLY” ถ้าจะใช้ในเชิงพาณิชย์ต้องขอ license แยกจาก Alibaba ขณะที่ Qwen-Image รุ่นเปิดทุกตัวก่อนหน้านี้ ตั้งแต่ Qwen-Image (ส.ค. 2025), Qwen-Image-Edit-2511 ไปจนถึง Qwen-Image-2512 ใช้ Apache 2.0 ทั้งหมด ผมตรวจจาก metadata ของแต่ละ repo บน Hugging Face โดยตรง

สถาปัตยกรรม: ใหญ่กว่าตัวเลข “7B” ที่เห็น

ตัวเลข 7B ในหน้าประกาศนับเฉพาะส่วน DiT ถ้าจะรันจริงต้องโหลดสามชิ้น ผมไล่ดูจาก config และขนาดไฟล์ใน repo ได้ดังนี้

ส่วนประกอบ	รายละเอียด	ขนาดไฟล์ (bf16)
Transformer	single-stream DiT 32 ชั้น, 7B, causal_condition: true	~14.2 GB
Text encoder	Qwen3-VL 8B (ใช้เข้ารหัสทั้งข้อความและภาพอ้างอิง)	~17.5 GB
VAE	RGBA 64 channel, บีบอัดเชิงพื้นที่ 16×	~0.7 GB

รวมแล้วประมาณ 32 GB ที่ bf16 ต้องใช้ GPU ระดับ 40GB ขึ้นไป หรือเปิด enable_model_cpu_offload() ตามที่ README แนะนำ ทางที่ใช้งานได้จริงกว่าคือ repo Comfy-Org/Qwen-Image-2.1 ซึ่งมีไฟล์ DiT แบบ int8 ขนาด ~7.3 GB และ text encoder แบบ w4a8 ขนาด ~6.3 GB รวมแล้วประมาณ 14 GB พอใส่การ์ด 16GB ได้

สถาปัตยกรรมที่น่าสนใจคือ mixed-granularity attention ข้อความใช้ causal mask ระดับโทเคน ส่วนภาพใช้ bidirectional mask ระดับ chunk ผลคือข้อความ prompt และภาพอ้างอิงถูกคำนวณครั้งเดียวในขั้นแรกของการ denoise แล้ว cache เป็น prefix KV ไว้ใช้ในทุกขั้นถัดไป งานแก้ไขภาพที่มีภาพอ้างอิงหลายภาพจึงได้ประโยชน์มาก เพราะไม่ต้องเข้ารหัสภาพเหล่านั้นใหม่ทั้ง 40 ขั้น (40 คือค่า default ของ num_inference_steps)

ความสามารถที่นักพัฒนาจะหยิบไปใช้

• ภาพโปร่งใสแบบ native: ใส่ prompt ตามรูปแบบที่แนะนำ “This is an RGBA image with transparency. … The image has alpha channel and the background is transparent.” แล้วโมเดลจะคืนภาพ RGBA ออกมาเลย เหมาะกับงานสติกเกอร์ ไอคอน หรือภาพสินค้าสำหรับอีคอมเมิร์ซ ที่ปกติต้องส่งต่อไปโมเดลลบพื้นหลังอีกทอด
• แก้ไขเฉพาะจุด: ระบุบริเวณที่จะแก้ได้ด้วยการวงกลม ระบายสี หรือส่ง mask แยก
• ภาพอ้างอิงหลายภาพ: รับได้สูงสุด 10 ภาพ และรักษาหน้าตาของคนและสินค้าไว้ได้ ตัวอย่างในหน้าประกาศคือภาพหมู่ที่สร้างจากภาพพอร์ตเทรต 6 ภาพ
• ความละเอียดสูงตั้งแต่ต้น: 1:1 ที่ 2048×2048 และ 16:9 ที่ 2752×1536
• โมเดลเขียน prompt ใหม่ (PE): ปล่อยแยกเป็นสองตัวเมื่อ 20 ก.ย. ได้แก่ Qwen-Image-2.1-PE-T2I และ PE-I2I ทั้งคู่เป็น Qwen3.5-VL 9B ที่ fine-tune มาให้ขยาย prompt สั้น ๆ ภาษาอะไรก็ได้ ให้เป็น prompt ภาษาอังกฤษแบบละเอียด พร้อมแนะนำอัตราส่วนภาพ สองตัวนี้ใช้ license งานวิจัยตัวเดียวกัน

ข้อควรรู้: repo นี้สร้างไว้ตั้งแต่ 14 ก.ย. แต่เพิ่งอัปเดตเป็น checkpoint รุ่น release เมื่อ 19 ก.ย. และได้ README เต็มเมื่อ 20 ก.ย. ส่วน pipeline QwenImage21Pipeline ถูก merge เข้า Diffusers แล้ว (PR #14804, 18 ก.ย.) แต่ยังไม่อยู่ใน release ที่ออกบน PyPI จึงต้องติดตั้ง Diffusers จาก git main ตาม README ทั้ง model card และ README บน GitHub ไม่มีตารางคะแนน benchmark ส่วนหน้าบล็อกของ Qwen แสดงผลด้วย JavaScript ล้วน จึงยังไม่มีตัวเลขเทียบกับคู่แข่งที่ผมตรวจสอบได้

License: อ่านข้อ 2 กับข้อ 4 ก่อนเอาไปใช้

สรุปเงื่อนไขหลักของ Qwen Research License จากตัวไฟล์:

• ข้อ 2a/2b: อนุญาตให้ใช้ ทำซ้ำ แจกจ่าย และดัดแปลงได้ เฉพาะเพื่อการวิจัยหรือการประเมินผลเท่านั้น (“Non-Commercial” ถูกนิยามว่า “for research or evaluation purposes only”) ถ้าจะใช้เชิงพาณิชย์ให้ติดต่อ model-business@notice.qwencloud.com
• ข้อ 4b: ถ้านำโมเดล หรือเอาต์พุตของโมเดล ไปสร้าง เทรน หรือ fine-tune โมเดล AI ที่เผยแพร่ออกไป ต้องแสดงข้อความ “Built with Qwen” หรือ “Improved using Qwen”
• ข้อ 5c: ถ้าฟ้องร้อง Alibaba ว่าโมเดลหรือเอาต์พุตละเมิดทรัพย์สินทางปัญญา สิทธิ์ทั้งหมดจะสิ้นสุดทันที
• ข้อ 8: ใช้กฎหมายจีน และศาลประชาชนเมืองหางโจวมีอำนาจพิจารณาแต่เพียงผู้เดียว

ต้องระวังว่าคำว่า “open-source” ในประโยคแรกของ model card (“We are excited to open-source Qwen-Image-2.1”) ไม่ได้หมายถึง open source ตามนิยาม OSI เพราะ license นี้จำกัดประเภทการใช้งาน สิ่งที่ปล่อยออกมาคือ open weights ที่ห้ามใช้เชิงพาณิชย์

มุมมอง AI Curator

เมื่อสองเดือนก่อน เราเขียนถึง Qwen-Image-3.0 ที่เปิดตัวโดยไม่มีน้ำหนัก ไม่มี license และไม่มี benchmark แล้วตั้งคำถามว่าสายโมเดลที่เคยเป็น Apache 2.0 กำลังจะปิดตัวลงหรือเปล่า Qwen-Image-2.1 ตอบคำถามนั้นแบบกลาง ๆ คือ Alibaba ยังปล่อยน้ำหนัก แต่ไม่ได้ปล่อยสิทธิ์เชิงพาณิชย์มาด้วยแล้ว ผมมองว่านี่เป็นรูปแบบที่จะเห็นบ่อยขึ้นในโมเดลภาพ เพราะโมเดลภาพต่างจากโมเดลภาษาตรงที่เอาต์พุตของมันคือตัวสินค้าโดยตรง ไม่ว่าจะเป็นภาพโฆษณา ภาพสินค้า หรือสติกเกอร์ ผู้ผลิตจึงมีแรงจูงใจสูงที่จะเก็บสิทธิ์เชิงพาณิชย์ไว้ขายเอง

ในทางปฏิบัติ ทีมไทยที่ทำระบบสร้างภาพสินค้าอัตโนมัติให้ร้านค้าออนไลน์บน Shopee หรือ Lazada หรือทำเครื่องมือออกแบบคอนเทนต์ให้ลูกค้า คือกลุ่มที่ต้องระวังที่สุด เพราะฟีเจอร์ RGBA โปร่งใสของ 2.1 ตอบโจทย์งานพวกนี้ตรงเกินไป จนน่าจะมีคนเอาเข้า production ไปก่อนแล้วค่อยมาอ่าน license ทีหลัง ถ้างานของคุณมีรายได้ ให้ถือว่า Qwen-Image-2512 (Apache 2.0) ยังเป็นตัวเลือกที่ปลอดภัยที่สุดในสายนี้ และใช้ 2.1 ได้แค่ในงานวิจัย การประเมินผล หรือต้นแบบภายในเท่านั้น ข้อ 4b ก็ต้องจับตาด้วย เพราะมันครอบคลุมถึง การเอาเอาต์พุตไปเทรนโมเดลอื่น ด้วย ใครที่คิดจะใช้ 2.1 สร้าง synthetic data ป้อนโมเดลของตัวเอง จะติดเงื่อนไขนี้ทันที

อีกเรื่องหนึ่ง: บล็อกนี้ใช้ ComfyUI สร้างภาพปกทุกโพสต์อยู่แล้ว และ Qwen-Image-2.1 ก็รองรับ ComfyUI ตั้งแต่วันแรก แต่เพราะภาพปกเป็นส่วนหนึ่งของเว็บที่เผยแพร่ต่อสาธารณะ แค่ข้อ 2 ข้อเดียวก็ทำให้เราไม่เปลี่ยนมาใช้ 2.1 ได้แล้ว สำหรับหลายทีม การมี “น้ำหนักเปิด” ที่ดาวน์โหลดได้กับการมี “โมเดลที่เอาไปใช้ทำงานจริงได้” ไม่ใช่เรื่องเดียวกันอีกต่อไป

แหล่งข่าว

• Qwen/Qwen-Image-2.1 — Hugging Face model card
• Qwen-Image-2.1 LICENSE (Qwen Research License Agreement)
• QwenLM/Qwen-Image-2.1 — GitHub
• Comfy-Org/Qwen-Image-2.1 — ComfyUI weights (int8 / w4a8)