Hvad Qwen-Image 2.1 er
Qwen-Image 2.1 er ét checkpoint til to opgaver: at generere et billede ud fra tekst og at redigere et eksisterende billede ud fra en sætning og op til ti referencebilleder. Genereringsdelen er en diffusion transformer med 7 milliarder parametre, parret med en Qwen3-VL 8B-tekst-encoder, den fil, ComfyUI indlæser til den. En sprogmodel som encoder er det, der gør, at den læser hele sætninger, layoutanvisninger og ord i anførselstegn frem for nøgleordslister, og vores tests bekræfter det. Den leverer også billeder med en ægte alfakanal, når prompten beder om en gennemsigtig baggrund.
Qwen præsenterer 2.1 som forbedret på teksturer, typografi og portrætlys, og den arbejder i native 2K: 2048 × 2048 til et kvadrat, 2528 × 1696 til 3:2, 2752 × 1536 til 16:9, uden opskalering. Prisen er tid. På et almindeligt grafikkort med 16 GB videohukommelse giver int8-vægtene et billede på 1 megapixel på cirka 40 sekunder og et på 4 megapixel på cirka fire et halvt minut med indstillingerne nedenfor.
Før alt andet: vægtene er udgivet under Qwen Research License, kun til forskning og evaluering, og enhver kommerciel brug kræver en særskilt licens fra Qwen. Den første Qwen-Image, udgivet i august 2025, var Apache 2.0; det er 2.1 ikke.
Sådan skriver du en prompt til Qwen-Image 2.1
Skriv sætninger, ikke tags. Tekst-encoderen er en sprogmodel: den læser ordstilling, forholdsord og anførselstegn, og den tager alt bogstaveligt. En "lighthouse cat" bliver til en kat tegnet på et fyrtårn. Den struktur, der gav os de bedste resultater over cirka tusind billeder, er den nedenfor, i denne rækkefølge.
- Medie og motiv først: "An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms". Mediet, der står først, farver alt det efterfølgende.
- Omgivelser: sted, epoke, vejr eller det, der fylder luften. "in falling cherry blossoms", "in the 1980s", "during a blizzard".
- Lys med retning: "lit from the front by soft diffuse light, with gentle shadows". Retningen bliver fulgt; et nøgent "dramatic light" bliver det ikke.
- Beskæring: "close-up of the subject, looking at the viewer", medium shot, set oppefra, motivet bittelille i et vældigt landskab.
- Materialer og palet: "flowing ink lines, flat gold leaf background, muted jade and plum". Det er det, modellen gengiver bedst i 2K.
- Begrænsninger, skrevet ind i prompten: "no lettering, no watermark", "five fingers on each hand". Ved guidance 1 ignoreres den negative prompt, så prompten selv må bære dem.
Hele prompten til illustrationen ovenfor, i den rækkefølge: An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms, a halo of circuit traces around her head like a stained glass window. Lit from the front by soft diffuse light, with gentle shadows. Close-up of the subject, looking at the viewer. Rendered with flowing ink lines, flat gold leaf background, muted jade and plum, fine ornamental borders. The atmosphere is calm and melancholic. Natural proportions, the face in focus. No text, no watermark.
Tekst virker, når den står i anførselstegn og har fået en plads: "a banner above the door reads 'OPEN ALL NIGHT'" kommer rigtigt ud næsten hver gang, med eller uden store bogstaver. Det omvendte gælder også: en butiksfacade, en diner eller en spillehal uden ønsket tekst får et opdigtet skilt, så sig "no lettering", hver gang scenen indeholder en facade. Figurer, modellen ikke kender, erstattes uden varsel af en dobbeltgænger: Marsupilami blev til en abe, mens Mothra og Marvin the Martian kom rigtigt ud. Hvert Qwen-kort på vores side med prompteksempler følger denne struktur, med seed, størrelse og indstillinger.
Indstillinger, der virker, målt
Den officielle ComfyUI-skabelon kører med en guidance (CFG) på 1 og 25 steps, og modelkortet bruger 40 steps. Vi valgte en højere guidance. Senest testet den 16. oktober 2026, på de samme seeds, gav disse indstillinger de mest detaljerede og mest prompttro billeder:
| Indstilling | Værdi |
|---|---|
| Guidance (CFG) | 3, med en negativ prompt |
| Negativ prompt | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| Modelpatches | APG (eta 1, norm threshold 10, momentum 0,3) og derefter FreSca (low 1, high 2, cutoff 8), før sampleren |
| Sampler | euler, scheduler simple |
| Steps | 25 ved 1 megapixel, 20 ved 4 megapixel |
| LoRA | intet |
Guidance er den eneste indstilling, der ikke ændrer scenen: med samme seed og størrelse giver CFG 1 og CFG 3 næsten samme komposition, og det, der adskiller dem, er gengivelsen. Ved CFG 1 er billedet fladere og mister fin tekstur: broderisting bliver til stof, et tegnefilmsansigt mister pupiller og mund, metal mister sine nitter. Skruer man CFG 1 op til 30 steps, vender skarpheden tilbage, men hverken materialerne eller kontrasten; 40 steps ved 2 megapixel er rent, men stadig fladere, og læste prompten mindre pålideligt. APG holder CFG 3 fra at overmætte, og FreSca skærper de høje frekvenser; begge virker kun, når guidance er over 1.
Prisen for guidance over 1 er en ekstra gennemkørsel pr. trin: CFG 1 er dobbelt så hurtig. På vores kort er det 120 til 135 sekunder mod 255 til 275 for et billede på 4 megapixel, og vi fandt den langsommere umagen værd i hvert eneste af ti testpar.
Opløsning og steps: hvad der ændrer billedet
To ting overraskede os. At ændre størrelsen skalerer ikke billedet, det giver en ny udgave af samme seed. At gå fra 1 megapixel til 2,5 eller 4 gav os altid et andet billede; mellem 2,5 og 4 megapixel holdt kompositionen i otte par ud af ti, som i illustrationen nedenfor, hvor kun detaljerne flyttede sig: ved 2,5 megapixel vandrede printbanerne fra glorien over i håret. At ændre antallet af steps ændrer også billedet, når springet er stort: 20 og 25 steps giver næsten samme billede, 16 steps driver væk. Der er altså ingen måde at lave en forhåndsvisning i 1 megapixel på og gengive det samme billede større. Vælg størrelsen først, så seedet.
Tider målt med CFG 3, APG og FreSca, int8-vægte, på ét almindeligt grafikkort med 16 GB:
| Størrelse | Steps | Tid pr. billede |
|---|---|---|
| 1 megapixel (1216 × 832) | 25 | cirka 40 s |
| 2,5 megapixel (1920 × 1312) | 20 | 120 til 135 s |
| 4 megapixel (2432 × 1664) | 20 | 255 til 275 s |
| 4 megapixel | 25 | 315 til 335 s |
Ved 2,5 megapixel er detaljerne lidt blødere end ved 4, når man sammenligner samme område ved 100 %, men modellen følger promptens stil mindst lige så godt, og i vores ti testpar nogle gange bedre: et broderi beholdt sine synlige sting ved 2,5 megapixel og blev til et fotografi ved 4. Til et galleri, der vises i 1024 pixels, er 2,5 megapixel ved 20 steps det bedste kompromis. Til et print, 4 megapixel ved 20 steps.
Hurtigere: den officielle Turbo, målt
Det første Lightning LoRA. 8-step Qwen-Image-Lightning LoRA'et fra 2025 blev trænet på den første Qwen-Image, hvis attention-lag er 3072 brede. Qwen-Image 2.1 bruger 4096. ComfyUI skriver én fejl pr. attention-vægt, springer dem over og gengiver den nøgne model i 8 steps: skarpt nok ved første øjekast, men du får ikke LoRA'et, og et 8-step-billede fra en ikke-destilleret model er ikke det, du ville have.
Den officielle Turbo. Qwen udgav Qwen-Image-2.1-Turbo den 9. oktober 2026: et destilleret checkpoint, der kører i 8 steps ved CFG 1 med et fast sigma-skema, leveret af Comfy-Org som int8-fil og som LoRA til basismodellen, med egne skabeloner i ComfyUI. Vi målte Turbo den 17. oktober på de samme ti seeds og størrelser som vores CFG 3-gengivelser, med skabelonens nøjagtige graf.
| Indstilling | Tid pr. billede |
|---|---|
| Turbo-checkpoint, 8 steps, 1 megapixel | 9 til 10 s |
| Turbo-checkpoint, 8 steps, 4 megapixel | 38 til 39 s |
| Basis-checkpoint plus Turbo-LoRA, 8 steps, 4 megapixel | 52 til 55 s |
| Vores indstilling, CFG 3, 20 steps, 4 megapixel | 255 til 275 s |
Syv gange hurtigere ved 4 megapixel, fire gange ved 1, og billederne er rene: skarpe, godt belyste, ingen anatomifejl på vores ti seeds, tekst rigtig dér, hvor basismodellen også får den rigtig. Promptens objekter er med, nogle gange bedre end med basismodellen: skildpadden i sin racerbil, som basismodellen havde udeladt i hver eneste af vores gengivelser, dukkede op med Turbo. Det, den mister, er mediet. Den destillerede model driver mod fotografisk realisme, uanset hvad prompten beder om: et broderi af en krokodille blev til et fotografi af en krokodille, en kultegning mistede sin kornethed, en Marvin the Martian i papirklip blev til en vinylfigur. Opdigtede bogstaver på facader er de samme som med basismodellen. LoRA'et på basis-checkpointet giver de samme billeder som Turbo-checkpointet, bare langsommere, så det er checkpointet, du skal hente. Et seed giver et andet billede end med basismodellen, som ved enhver ændring af størrelsen, og licensen er den samme, kun forskning og evaluering.
Sådan bruger vi den: som kladdetilstand. Syv gange flere kandidater i timen til udvælgelsen, og den endelige gengivelse med CFG 3 til alt, der er malet, tegnet eller håndlavet. Til fotografiske prompts er Turbo-resultatet ofte godt nok, som det er.
Andre destillationer. LightX2V udgav et 4-step Lightning LoRA til 2.1 den 13. oktober 2026, og der findes også et 8-step LoRA fra fællesskabet, Turbo8; begge kører ved CFG 1 ligesom den officielle Turbo. Dem har vi ikke målt.
Prefix-cache-noden. ComfyUI's QwenImage21Cache-node sætter kun enhed og præcision for den cache, modellen i forvejen holder; med standardværdierne ændrer den ingenting. Dens int8-tilstand halverer cachen og hjælper, når hukommelsen bliver knap i 2K eller ved redigering med flere referencebilleder. Vi så intet synligt tab med den.
Færre steps. 16 steps sparer cirka en femtedel af tiden, men ændrer kompositionen og vinder ingen skarphed i forhold til 20. Er tiden begrænsningen, så sænk størrelsen før antallet af steps.
Kør Qwen-Image 2.1 lokalt
ComfyUI understøtter modellen native. Tre filer skal i de sædvanlige mapper: diffusionsmodellen i diffusion_models, Qwen3-VL-tekst-encoderen i text_encoders, VAE'en i vae. De int8-udgaver, Comfy-Org har udgivet, er dem, man skal tage på et kort med 16 GB: bf16-vægtene virker også, men løber over i systemhukommelsen og tager to til seks gange længere om identiske billeder.
Grafen er kort: UNETLoader, CLIPLoader med typen qwen_image, VAELoader, noden TextEncodeQwenImage21, som tager prompten og den negative prompt samlet og udsender begge conditionings, en tom latent i den valgte størrelse, derefter APG og FreSca på modelstien, en KSampler ved CFG 3 med euler og scheduleren simple, og VAEDecode. Til et gennemsigtigt billede pakker du motivet ind i den form, modelkortet anbefaler: "This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.", og gemmer som PNG.
Hukommelse: int8-modellen, encoderen og VAE'en kan være i 16 GB ved 1 megapixel med plads til overs; 4 megapixel kørte vi med prefix-cachen sat til int8 og løb aldrig tør. Det første billede i en session tager længere tid, mens filerne indlæses.