Qwen-Image-Edit-Causal：用分块因果注意力加速图像编辑推理

Light AI 近日发布了 Qwen-Image-Edit-Causal V1.0，这是对 Qwen-Image-Edit-2511 的一次关键优化。新模型通过引入 分块因果注意力（block causal attention） 机制，在保持编辑质量的同时显著提升推理速度。

• GitHub：https://github.com/ModelTC/Qwen-Image-Edit-Causal
• 模型：https://huggingface.co/lightx2v/Qwen-Image-Edit-Causal

核心设计：让参考图像“专注自己”

在传统多图编辑流程中，参考图像的查询（queries）通常会与所有其他图像的键（keys）和值（values）交互，导致计算复杂度随推理步数线性增长。

Qwen-Image-Edit-Causal 改变了这一点：每个参考图像的查询仅关注其自身的键和值。这种设计带来两个关键优势：

• 减少训练时计算开销：注意力范围被严格限制，避免冗余交叉计算
• 解耦推理步骤与注意力复杂度：无论生成需要多少步（如 4 步或 50 步），参考图像的注意力计算量保持恒定，从而大幅提升推理效率

这一机制特别适合需要快速响应的本地或边缘端图像编辑场景。

快速上手

项目已开源，支持通过 uv 快速搭建环境：

git clone https://github.com/ModelTC/Qwen-Image-Edit-Causal.git
cd Qwen-Image-Edit-Causal
uv venv
uv sync
source .venv/bin/activate

使用 Diffusers 接口运行图像编辑：

python generate_with_diffusers.py \
--model_name lightx2v/Qwen-Image-Edit-Causal \
--prompt_list_file examples/prompt_list.txt \
--image_path_list_file examples/image_path_list.txt \
--out_dir results/Qwen-Image-Edit-Causal \
--base_seed 0 --steps 4 --cfg 1.0

仅需 4 步推理 和 CFG=1.0（无分类器引导），即可完成高质量编辑，进一步体现其高效特性。

开源与合规

模型基于 Apache 2.0 许可证发布，允许商用与修改。项目明确声明：不对用户生成内容主张任何权利，但使用者需确保输出内容合法合规，不得用于传播虚假信息、侵犯隐私或伤害他人。

代码复用了 Qwen-Image 与 Qwen-Image-Lightning 的部分实现，测试用例来自 Qwen 官方博客、Reddit 及社区 API 调用记录，具备真实场景代表性。