Qwen-Image-2.1 实测：7 题过 4 题，差距大半在口径上

Qwen-Image-2.1 的官方 README 里有一句很容易被跳过的话：推荐用官方的提示词增强模型，把短提示扩写成长描述。而我们第一轮实测，一个参数都没按它来。

于是就有了一个很尴尬的结果：拿 GenEval 的原始题面去问它「画两个钟」，它只画一个钟。同机同卡同 seed 的另外两家，7 题全过。

这篇文章要说的是：那个 4/7 不是能力上限，是我们喂题的姿势不对；以及顺着这件事往下挖，为什么官方宣传的分数和实测的手感会对不上。

先说结论

差距主要不在模型，在口径。

官方的推荐管线是三件事叠在一起：提示词增强器 + 2048² + 40 步。我们首轮用的是原始短题面 + 1024² + 20 步 —— 三样一样没占。把题面改写成增强器那种长描述之后，两道丢物体的失败题当场都过了，而同分辨率、同 seed、同机器，只动了题面这一个变量。

这件事有两层意思。第一层是它给「短请求不吃」：GenEval 的题面是为自动打分器设计的极简句式，恰好是这条推荐管线里最不利的输入形态。第二层是提醒：拿公开榜单的分数去估实际体验，中间隔着一整套管线的默认值。

首轮成绩单

三家拉到同一台机器、同一张卡、同一份题单上：题面一字未改，全部取自公开评测集（GenEval / DPG-Bench / LongText-Bench），同 seed。

三家在同题上的并排：

Qwen 的三次翻车很具体：a photo of two clocks 只画一个钟；a photo of a purple wine glass and a black apple 把黑苹果整个丢掉；a photo of a bench 在 1024² 下结构崩坏。

但也有它独占的地盘：中文长文本逐行命中 18/20，和 SenseNova 打平，而 FLUX 是 0/20 —— 它的中文是整段乱码。另外原生透明 RGBA 只有它支持，要出透明背景的素材，这一条直接决定选它。

顺带一个值得记的失败形态：Qwen 在密集小字上会凭空生成整段「看起来像英文但一个词都不对」的假字。黑板菜单那题就是这样 —— 版面排得挺规整，凑近一看全是编的。

差距到底从哪来

第二条值得展开一句。官方博客那句「小模强效」，靠的是它自家的 Qwen-Image-Bench 复合总分，那是一张总分榜，没有 GenEval / DPG 的分项——和「7 题过 4 题」不是一个量纲，换算不过来。

而官方 README 自己写得很清楚：

For best results, we recommend using the official prompt rewriting models to expand short prompts into detailed, high-quality descriptions.

默认参数也明写着 num_inference_steps = 40、2048 × 2048。我们首轮一样都没按。

只改题面，其余全不动

固定同一台机器、同一张卡、2048²、20 步、seed 42。唯一的变化：把 GenEval 的原题面改写成增强器风格的长描述。

• a photo of two clocks → 原题面照旧只画一个钟；长描述 → 正好两个。
• a photo of a purple wine glass and a black apple → 原题面丢苹果；长描述 → 两个都在，颜色绑定也对。

这里必须说明一句：右边的长描述是人工模仿增强器风格写的，不是官方增强器（一个微调过的 Qwen3.5-VL 9B 检查点）的真实输出，我们没部署它。所以这组对照证明的是「题面形态影响巨大」，不是「官方增强器一定能把分拉回来」。

但别把 2K / 40 步当万能药

把 4 道长文本题按官方配方（2048²/40 步）重跑，并加上 SenseNova 2048² 作对照：

文字渲染没有提升，代价却是 172 s/张，而 1024²/20 步是 52 s/张。

一个诚实的限定：2K 图的字号更小、字体更花，OCR 跨分辨率并不完全可比（海报那张 94.4% → 80.6% 就是被字体风格吃掉的）。所以这里只能说「没看到提升」，不能反过来说 2K 更差。

而结构性失败确实是配置问题 —— 那把「一张长椅」在 1024² 崩了，2048² 正常：

所以两条建议分开：想要组合题过关，关键在提示词增强，不在分辨率；想要文字写对，关键在模型本身，堆步数没用。

换一套题：26 道垂直题面

公开榜单考的是通用能力，和「这单活到底该用哪个模型」对不上。所以另起了一套自建题面：9 个领域、26 道题，每题写明考点与判定项，三家各跑两档分辨率（统一 1024² 可横向比 + 各家推荐分辨率），一共 156 张。

App·UI 那一组最能说明「看榜单选不出模型」：

Qwen 在 1024² 会把整张 mockup 缩成中间一小块并留幽灵重影，到 2048² 才恢复（文字逐行命中 5/12 → 11/12，字符准确率 63.0% → 86.4%）。而 SenseNova 在这个尺寸上本来就是 12/12。

四格漫画那组则示范了另一件事 —— 同一张图，两个指标说的不是一回事：

Qwen 把四句台词都写出来了（逐行命中 4/4），但配到了错的画格、还夹着乱码，所以字符准确率只有 34.8%。SenseNova 是 100% / 4/4。命中率回答「话说了没」，字符准确率回答「字对不对」——这道题必须两个一起看。

耗时

后面补的 8 道垂直题不在上表里，也不能拿来比：跑它们的时候 3 号卡被农场任务占着，Qwen 那臂改到借来的卡上、并全程用了更省显存的 sequential offload 档，单张 97 s（1024²）/ 208 s（2048²），是首轮 model 档的近 2 倍。offload 只改权重换进换出的时机、不改采样计算，同 seed 下出图质量不受影响，但耗时不可比，所以单独排除。

已知局限，请连同结论一起看

• 每题只出 1 张、单 seed。这是抽样体检，不是榜单成绩；n=4~7 的时候，±1 题就是 ±14%。
• 组合题与长描述题由人眼判读，不是官方 GenEval 的 Mask2Former / DPG 的 mPLUG+CLIP 自动打分。
• 消融臂的「长描述」是人工写的替身，不是官方增强器的真实输出。
• 三家没跑在完全相同的步数上（Qwen 20 / SenseNova 8 / FLUX 4）。这是「各自最佳配置」的口径，不是「同预算」的口径。
• 垂直套件那 26 道题是自建的，不是公开榜单；它是选型参考，同样每题只出 1 张。
• 对打的 FLUX 是 INT4 蒸馏 4 步的部署版，不是榜单上的满血 FLUX 2 Pro / Max。

如果你只想要一份结论

• 要出效果图 / 人像 / UI 稿 / 漫画分镜 → SenseNova，而且它 1024² 就能用，比 Qwen 快 5 倍以上
• 要出番剧海报的大标题、或要透明背景 PNG → Qwen，这两项它独占
• 用 Qwen 出组合复杂的画面 → 先上提示词增强，别用极简句式硬问
• 要成套且严格一致的多元素（比如 12 个图标）→ 三家都别指望，老老实实后期对齐
• 别拿榜单总分估算实际出图体验 —— 中间隔着一整套管线的默认值

题面原文、逐题出图、耗时与 OCR 分数全部公开在 qwen-image-2.1-bench，也有一份网页版报告和复现脚本。