我把 Qwen-Image-2.1 装进了自己写的软件，卡了三次才出第一张图

31 GiB 的权重下完，我在自己写的方寸智匣里点「生成」，报错。改一处，再点，还是报错。第三次才出图——而三次报错里有两次，连一句能看懂的提示都没有。

先把结论放前面：**这个模型值得装，理由是中文。**它能在一块木质牌匾上写对「方寸智匣」四个金漆楷书大字，也能在水墨荷塘的左上角竖写「痴心妄想」。速度是 M5 Pro 上 1024×1024、20 步 69 秒。但从「权重下完」到「第一张图」之间那三个坑，我觉得比速度更值得说。

先说这次测什么、什么算通过

我这次不是跑基准分。我要回答的是一个很具体的问题：把它接进一个已经在跑 Z-Image 的本地应用，需要付出什么？

所以验收口径是三条：权重能不能完整加载；同一条代码路径能不能同时喂给两个模型；出来的图有没有达到「值得占 31 GiB 硬盘」的程度。速度我只记单次实测，不做跨引擎对比——我没装别的推理引擎，那种对比我做不了。

机器是 M5 Pro、20 核 GPU、64GB 统一内存。权重按 bf16 加载到 Metal，没有做 CPU 卸载。下面所有数字都是这一台机器、这一套配置跑出来的。

权重 30.8 GiB，加载 15 秒

先看它由什么组成。这不是一个单体模型，是四个部件拼起来的流水线：

合计 30.8 GiB。文本编码器比出图的那部分还大——一个八十亿参数的视觉语言模型专门用来读你的提示词。这也解释了它为什么能把中文写对：理解汉字的那一半，本来就是个正经的中文大模型。

从磁盘加载到 Metal 显存用了 15 秒。之后每张图的成本是固定的：1024×1024、20 步 69 秒；28 步我连跑四张，分别是 90.9、89.1、94.0、98.6 秒。步数和耗时基本是线性的，没有什么意外。

第一个坑：缺一个库，而它不报这个错

第一次点生成，报的是这个：

ImportError: Qwen3VLVideoProcessor requires the Torchvision library but it was not found

它的 processor 是 Qwen3VLProcessor，会顺手拉起 Qwen3VLVideoProcessor，而后者硬依赖 torchvision。我的环境里没有——因为原来跑的 Z-Image 不需要它。

这个坑真正难受的地方在于它躲过了所有提前检查。应用装完运行环境会当场验一句 from diffusers import QwenImage21Pipeline，这句能过，因为那只是导入一个类。要等到 from_pretrained 真的去加载 processor，缺的库才暴露。

换句话说：你装好环境、看到绿色的「安装完成」、下完 31 GiB、点了生成，才第一次看见这个错。**导入级的检查挡不住加载级的依赖。**我现在把 torchvision 加进了依赖清单，并且在安装后那道检查里补了一句 import torchvision——能在装完当场问的，就别留到用户点生成时。

第二个坑：两个模型的同一个参数，名字不一样

装上 torchvision，流水线加载成功了。再点，换了个错：

TypeError: QwenImage21Pipeline.__call__() got an unexpected keyword argument 'guidance_scale'

我去读了签名，对比很干净：

而我的代码里写死了前者。Z-Image 一直正常，所以这个假设从没被质疑过。

修法我选了「问签名」而不是「按模型名分派」：程序去读流水线 __call__ 的实际参数表，看它认哪个名字就传哪个。这样将来再进第三个流水线，这里不用再改。

顺带一个值得知道的细节：true_cfg_scale 的默认值是 1.0，而且官方文档写得很直接——这个模型 meant to be sampled without guidance，本来就该不加引导采样，要大于 1 并且带负向提示词才会真正启用。我第一次测试时手贱传了 4.0，它直接回了一句提醒说没有负向提示词所以没启用。这说明我的参数默认值对这个模型偏高，但我这轮没改——那是用户可调的设置，改默认值影响面超出这次范围。

第三个坑：我改对了代码，但改错了地方

改完参数名，自己写了个小脚本测，一次通过。高高兴兴接到应用里，再点生成——

name 'inspect' is not defined

我加的那个 import inspect 在服务端文件的开头。但真正跑生成的不是服务端，是它拉起的一个 worker 子进程，那段代码作为一个独立字符串传给 python -c，不共享服务端的任何 import。

这个坑让我记了一笔：我自己写的复刻脚本永远测不出它，因为复刻脚本里压根没有「子进程」这一层。一个只在真实路径上存在的结构，只能在真实路径上测。改完之后重跑本体，69 秒出图。

图怎么样：中文是它的主场

四张图都是 1024×1024、28 步，提示词一次成型，没有反复抽卡。

美女与野兽这张是纯粹的画面能力：兽角的弯度、鬃毛的层次、金裙的织物反光、背景舞者的景深虚化，都没有塌。

这张才是我眼睛一亮的地方。左上角那四个毛笔字——「痴心妄想」，一个不错，竖排，笔锋和飞白都在。我用过不少文生图模型，中文写到四个字还能全对的不多，更别说写成书法。

宇航猫用来看质感：面罩上地球的反光、舱内仪表盘的橙绿微光、猫瞳的高光，三层光源没有互相打架。

也有没做到的。那张牌匾我要求右下角小字竖写「本地部署」，它给了横写。四个大字完全正确，小字位置也对，就是排布方向没听。这一条我不打算含糊过去：它的中文很强，但不是指哪打哪。

参考图：它其实是「一个流水线两种活」

接下来是我这次专门去核实的部分。Qwen-Image-2.1 的 __call__ 里有一个 image 参数，读源码文档串写得很清楚：

One or more condition images……encoded by the text encoder as vision context and by the VAE into latent tokens prepended to the noise.

三件事：可以多张；参考图走两条路（文本编码器当视觉上下文，VAE 编成潜在 token 拼在噪声前面）；传列表表示「整批共享的一组图」，不是一张图对一条提示词。

另外一条很实用：不指定尺寸时，输出跟随参考图的宽高比（文档原话是 Derived from the condition image’s aspect ratio if omitted）。

我拿一张已经生成的橘猫图当参考，要求换到雪地里：

82 秒。姿态、身形、尾巴的摆法、眯着眼的神态都带过来了，场景按提示词换掉了，毛上还落了雪。色温被雪景拉冷了一档，橘色没有刚才那么明显——花纹还认得出，但「保持同一只猫」这个要求，它完成得不算满分。

这些能证明什么，不能证明什么

**能证明的：**在 M5 Pro、64GB、bf16 这套条件下，它能稳定出 1024×1024 的图，20 步 69 秒；中文四字书法可以写对；参考图能把主体的姿态与神态带过去。

不能证明的，有四条我得主动说清楚：

第一，我没有做跨模型横评。我没在同一台机器上跑另一个文生图模型做同题对比，所以「它比谁强」这种话我说不了。

第二，一张图不能证明批量稳定。每种题材我只跑了一次，没有重复采样，也没有换种子复测。书法那张写对了四个字，不等于换四个字还能对。

第三，我没测量化版本。用的是官方那份 bf16 权重，31 GiB 就是 31 GiB。低内存机器上量化之后会掉多少，这轮完全没碰。

第四，参考图我只测了单张。文档说支持多张，我核实了参数类型接受列表，但没有真的喂两张进去看效果。接口通了，效果没验。

谁会为它买单，谁不会

这套账很直接。吃亏的是内存不够的人：31 GiB 权重加上激活，32GB 的机器基本进不来，48GB 勉强，64GB 才舒服。再加上它的文本编码器是个 8B 的视觉语言模型，这部分内存省不掉。

**沉默的一方是量化。**开放权重的发布方没有动机告诉你「这个尺寸在消费级机器上要怎么砍」，那是社区的活。等到有人放出质量可接受的量化版，这笔账才会被重算一遍。

还有一条时间线值得单独说，因为它直接决定你能不能装上：Qwen-Image-2.1 的支持（diffusers 的 PR #14804）在 2026-09-18 合进 main，而 diffusers 最后一个发行版 v0.40.0 是 2026-08-20——任何已发行版本都加载不了它。所以依赖必须钉在那个合并提交上，它自报的版本号是 0.41.0.dev0。文本编码器那边同理：Qwen3-VL-8B 要求 transformers ≥ 5.17，而 5.17.0 是 2026-09-09 才发行的。

**一个模型的「已发布」和「你装得上」之间，可以差出一个多月。**这段时间里任何按发行版装依赖的人，拿到的都是一句看不懂的报错。

想自己跑一遍

• 机器门槛：Apple Silicon、64GB 统一内存比较稳妥；bf16 权重 31 GiB，硬盘先留够。
• 依赖：diffusers 必须钉提交（发行版不行），transformers ≥ 5.17，别忘了 torchvision——它是这次最容易漏的一个，而且漏了之后的报错离真正原因很远。
• 参数：引导用 true_cfg_scale，默认 1.0 就好；这个模型本来就是设计成不加引导采样的。想用参考图就传 image，不指定尺寸让它跟随参考图的比例。
• 在方寸智匣里：主页或多媒体工具的「启动模型」下拉里选 Qwen-Image-2.1，生图面板下方可以添加参考图，画幅选「跟随参考图」。所选模型不支持参考图时，后端会明确报错，不会悄悄把你的图忽略掉。

回到开头那个「卡了三次」。三次里有两次的报错文字，都指不到真正的原因——缺 torchvision 报的是一个视频处理类，改错层报的是一个用不上的变量名。**本地部署最贵的从来不是显存，是这种「报错和病因隔着三层」的时间。**这篇写出来，就是想让下一个装它的人少卡两次。

🧰 我做的工具

这些工具都由我持续维护。预览版会明确标注，下载、更新和已知边界以发行页为准。

信息：黑粉剪辑 HyphenCut 状态： 初步构建 · 预览版

Rust 写的本地专业视频剪辑：达芬奇键位、AI 助理直接改真实工程，免费

下载与更新

信息：黑粉盒子 HyphenBox 状态： 初步构建 · 预览版

免费大模型 API 雷达：持续复测可用性，本地统一接口，Key 只存本机

下载与更新

信息：方寸智匣 LocalBrain 状态： 正式迭代

本地模型的多模态 MCP 工具箱：TTS / Whisper / 视频生成一站接入

下载与更新

信息：ScreenLex 光影词库 状态： 正式迭代

看美剧顺手把生词背了，Mac/Windows 双平台，免费

下载与更新

信息：黑粉录屏 HyphenScreen 状态： 初步构建 · 预览版

录屏 + 智能剪辑一体：达芬奇式时间线、自动打码、导出前成片体检，免费

下载与更新

引用：黑粉科技 让AI成为你的超能力 本地部署 · 免费白嫖 · 自制软件 https://hyphentech.top