Was Qwen-Image 2.1 ist
Qwen-Image 2.1 ist ein einziger Checkpoint für zwei Aufgaben: ein Bild aus Text erzeugen und ein vorhandenes Bild anhand eines Satzes und bis zu zehn Referenzbildern bearbeiten. Der Erzeugungsteil ist ein Diffusions-Transformer mit 7 Milliarden Parametern, gekoppelt an einen Qwen3-VL-8B-Text-Encoder, die Datei, die ComfyUI dafür lädt. Ein Sprachmodell als Encoder ist der Grund, warum es ganze Sätze, Layout-Anweisungen und Wörter in Anführungszeichen liest statt Stichwortlisten, und unsere Tests bestätigen das. Es gibt außerdem Bilder mit echtem Alphakanal aus, wenn der Prompt einen transparenten Hintergrund verlangt.
Laut Qwen ist 2.1 bei Texturen, Typografie und Porträtlicht besser geworden, und es arbeitet in nativem 2K: 2048 × 2048 für ein Quadrat, 2528 × 1696 für 3:2, 2752 × 1536 für 16:9, ohne Hochskalierung. Der Preis ist Zeit. Auf einer Consumer-Karte mit 16 GB Videospeicher liefern die int8-Gewichte mit den Einstellungen unten ein 1-Megapixel-Bild in etwa 40 Sekunden und ein 4-Megapixel-Bild in etwa viereinhalb Minuten.
Vorweg das Wichtigste: Die Gewichte stehen unter der Qwen Research License, nur für Forschung und Evaluation, und jede kommerzielle Nutzung braucht eine separate Lizenz von Qwen. Das erste Qwen-Image, veröffentlicht im August 2025, war Apache 2.0; 2.1 ist es nicht.
So schreibt man einen Prompt für Qwen-Image 2.1
Schreiben Sie Sätze, keine Tags. Der Text-Encoder ist ein Sprachmodell: Er liest Wortstellung, Präpositionen und Anführungszeichen, und er nimmt alles wörtlich. Aus einer „lighthouse cat“ wird eine Katze, die auf einen Leuchtturm gemalt ist. Die Struktur, die uns über etwa tausend Bilder die besten Ergebnisse gebracht hat, ist die folgende, in dieser Reihenfolge.
- Medium und Motiv zuerst: „An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms“. Das am Anfang gesetzte Medium färbt alles, was danach kommt.
- Umgebung: Ort, Epoche, Wetter oder das, was die Luft erfüllt. „in falling cherry blossoms“, „in the 1980s“, „during a blizzard“.
- Licht mit Richtung: „lit from the front by soft diffuse light, with gentle shadows“. Der Richtung wird gefolgt; einem bloßen „dramatic light“ nicht.
- Bildausschnitt: „close-up of the subject, looking at the viewer“, Halbtotale, von oben gesehen, das Motiv winzig in einer weiten Landschaft.
- Materialien und Palette: „flowing ink lines, flat gold leaf background, muted jade and plum“. Das ist es, was das Modell in 2K am besten rendert.
- Einschränkungen, in den Prompt geschrieben: „no lettering, no watermark“, „five fingers on each hand“. Bei Guidance 1 wird der Negativ-Prompt ignoriert, also muss der Prompt selbst sie tragen.
Der gesamte Prompt der Illustration oben, in dieser Reihenfolge: 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.
Text funktioniert, wenn er in Anführungszeichen steht und platziert wird: „a banner above the door reads 'OPEN ALL NIGHT'“ kommt fast jedes Mal richtig heraus, in Großbuchstaben oder nicht. Das Umgekehrte gilt auch: Eine Ladenfront, ein Diner oder eine Spielhalle ohne angeforderten Text bekommt ein erfundenes Schild, sagen Sie also „no lettering“, sobald die Szene eine Fassade enthält. Figuren, die das Modell nicht kennt, werden ohne Vorwarnung durch einen Doppelgänger ersetzt: Aus dem Marsupilami wurde ein Affe, während Mothra und Marvin the Martian richtig herauskamen. Jede Qwen-Karte auf unserer Seite mit Prompt-Beispielen folgt dieser Struktur, mit Seed, Größe und Einstellungen.
Einstellungen, die funktionieren, gemessen
Das offizielle ComfyUI-Template läuft mit einer Guidance (CFG) von 1 und 25 Schritten, die Modellkarte nutzt 40 Schritte. Wir haben uns für eine höhere Guidance entschieden. Beim letzten Test am 16. Oktober 2026 lieferten diese Einstellungen auf denselben Seeds die detailliertesten und treuesten Bilder:
| Einstellung | Wert |
|---|---|
| Guidance (CFG) | 3, mit 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 |
| Modell-Patches | APG (eta 1, norm threshold 10, momentum 0,3), dann FreSca (low 1, high 2, cutoff 8), vor dem Sampler |
| Sampler | euler, Scheduler simple |
| Schritte | 25 bei 1 Megapixel, 20 bei 4 Megapixeln |
| LoRA | keines |
Die Guidance ist die einzige Einstellung, die die Szene nicht verändert: Bei gleichem Seed und gleicher Größe ergeben CFG 1 und CFG 3 fast dieselbe Komposition, was sich unterscheidet, ist das Rendering. Bei CFG 1 ist das Bild flacher und verliert feine Textur: Stickstiche werden zu Stoff, ein Cartoon-Gesicht verliert Pupillen und Mund, Metall verliert seine Nieten. CFG 1 auf 30 Schritte zu treiben, bringt die Schärfe zurück, aber weder die Materialien noch den Kontrast; 40 Schritte bei 2 Megapixeln sind sauber, aber immer noch flacher, und lasen den Prompt weniger zuverlässig. APG hält CFG 3 davon ab, zu übersättigen, und FreSca schärft die hohen Frequenzen; beide wirken nur, wenn die Guidance über 1 liegt.
Der Preis einer Guidance über 1 ist ein zweiter Durchlauf pro Schritt: CFG 1 ist doppelt so schnell. Auf unserer Karte sind das 120 bis 135 Sekunden gegenüber 255 bis 275 für ein 4-Megapixel-Bild, und wir fanden das langsamere bei jedem einzelnen von zehn Testpaaren die Mühe wert.
Auflösung und Schritte: Was das Bild verändert
Zwei Dinge haben uns überrascht. Die Größe zu ändern, skaliert das Bild nicht, es erzeugt eine andere Version desselben Seeds. Von 1 Megapixel auf 2,5 oder 4 zu gehen, ergab bei uns immer ein anderes Bild; zwischen 2,5 und 4 Megapixeln hielt die Komposition in acht von zehn Paaren, wie in der Illustration unten, bei der sich nur die Details verschoben haben: Bei 2,5 Megapixeln sind die Leiterbahnen vom Heiligenschein ins Haar gewandert. Auch die Zahl der Schritte verändert das Bild, sobald der Abstand groß ist: 20 und 25 Schritte ergeben fast dasselbe Bild, 16 Schritte driften ab. Es gibt also keinen Weg, bei 1 Megapixel eine Vorschau zu machen und dasselbe Bild größer zu rendern. Wählen Sie zuerst die Größe, dann den Seed.
Zeiten gemessen mit CFG 3, APG und FreSca, int8-Gewichten, auf einer einzelnen 16-GB-Consumer-Karte:
| Größe | Schritte | Zeit pro Bild |
|---|---|---|
| 1 Megapixel (1216 × 832) | 25 | etwa 40 s |
| 2,5 Megapixel (1920 × 1312) | 20 | 120 bis 135 s |
| 4 Megapixel (2432 × 1664) | 20 | 255 bis 275 s |
| 4 Megapixel | 25 | 315 bis 335 s |
Bei 2,5 Megapixeln ist das Detail etwas weicher als bei 4, wenn man denselben Bereich bei 100 % vergleicht, aber das Modell folgt dem Stil des Prompts mindestens ebenso gut, und bei unseren zehn Testpaaren manchmal besser: Eine Stickerei behielt bei 2,5 Megapixeln ihre sichtbaren Stiche und wurde bei 4 zur Fotografie. Für eine Galerie, die mit 1024 Pixeln ausgeliefert wird, sind 2,5 Megapixel bei 20 Schritten der beste Kompromiss. Für einen Druck 4 Megapixel bei 20 Schritten.
Beschleunigung: das offizielle Turbo, gemessen
Das erste Lightning-LoRA. Das 8-Schritt-LoRA Qwen-Image-Lightning von 2025 wurde auf dem ersten Qwen-Image trainiert, dessen Attention-Schichten 3072 breit sind. Qwen-Image 2.1 verwendet 4096. ComfyUI gibt pro Attention-Gewicht einen Fehler aus, überspringt sie und rendert das nackte Modell in 8 Schritten: auf den ersten Blick scharf genug, aber Sie bekommen das LoRA nicht, und ein 8-Schritt-Bild aus einem nicht destillierten Modell ist nicht das, was Sie wollten.
Das offizielle Turbo. Qwen hat Qwen-Image-2.1-Turbo am 9. Oktober 2026 veröffentlicht: einen destillierten Checkpoint, der in 8 Schritten bei CFG 1 mit einem festen Sigma-Schedule läuft, von Comfy-Org als int8-Datei und als LoRA für das Basismodell ausgeliefert, mit eigenen Templates in ComfyUI. Wir haben es am 17. Oktober auf denselben zehn Seeds und Größen wie unsere CFG-3-Renderings gemessen, mit dem exakten Graphen des Templates.
| Einstellung | Zeit pro Bild |
|---|---|
| Turbo-Checkpoint, 8 Schritte, 1 Megapixel | 9 bis 10 s |
| Turbo-Checkpoint, 8 Schritte, 4 Megapixel | 38 bis 39 s |
| Basis-Checkpoint plus Turbo-LoRA, 8 Schritte, 4 Megapixel | 52 bis 55 s |
| Unsere Einstellung, CFG 3, 20 Schritte, 4 Megapixel | 255 bis 275 s |
Siebenmal schneller bei 4 Megapixeln, viermal bei 1, und die Bilder sind sauber: scharf, gut ausgeleuchtet, keine Anatomiefehler auf unseren zehn Seeds, Text richtig dort, wo ihn auch das Basismodell richtig hinbekommt. Die Objekte des Prompts sind da, manchmal besser als beim Basismodell: Die Schildkröte in ihrem Rennwagen, die das Basismodell in jedem unserer Renderings weggelassen hatte, erschien mit Turbo. Was verloren geht, ist das Medium. Das destillierte Modell driftet zum fotografischen Realismus, egal was der Prompt verlangt: Eine Stickerei eines Krokodils wurde zum Foto eines Krokodils, eine Kohlezeichnung verlor ihre Körnung, ein Marvin the Martian aus Scherenschnitt wurde zur Vinylfigur. Erfundene Schriftzüge auf Fassaden sind dieselben wie beim Basismodell. Das LoRA auf dem Basis-Checkpoint liefert dieselben Bilder wie der Turbo-Checkpoint, nur langsamer, also ist der Checkpoint das, was Sie herunterladen sollten. Ein Seed ergibt ein anderes Bild als beim Basismodell, wie bei jeder Größenänderung, und die Lizenz ist dieselbe, nur Forschung und Evaluation.
Unsere Verwendung: ein Entwurfsmodus. Siebenmal mehr Kandidaten pro Stunde für die Auswahl, und das finale Rendering mit CFG 3 für alles Gemalte, Gezeichnete oder Handgemachte. Bei fotografischen Prompts ist das Turbo-Ergebnis oft gut genug, so wie es ist.
Andere Destillationen. LightX2V hat am 13. Oktober 2026 ein 4-Schritt-Lightning-LoRA für 2.1 veröffentlicht, und es gibt auch ein 8-Schritt-LoRA aus der Community, Turbo8; beide laufen wie das offizielle Turbo mit CFG 1. Wir haben sie nicht gemessen.
Der Prefix-Cache-Knoten. ComfyUIs Knoten QwenImage21Cache legt nur Gerät und Präzision des Caches fest, den das Modell ohnehin führt; mit seinen Standardwerten ändert er nichts. Sein int8-Modus halbiert den Cache und hilft, wenn der Speicher in 2K oder beim Bearbeiten mit mehreren Referenzbildern knapp wird. Wir haben damit keinen sichtbaren Verlust gesehen.
Weniger Schritte. 16 Schritte sparen etwa ein Fünftel der Zeit, verändern aber die Komposition und gewinnen gegenüber 20 keine Schärfe. Wenn die Zeit die Grenze ist, senken Sie zuerst die Größe, dann die Schritte.
Qwen-Image 2.1 lokal ausführen
ComfyUI unterstützt das Modell nativ. Drei Dateien kommen in die üblichen Ordner: das Diffusionsmodell nach diffusion_models, der Qwen3-VL-Text-Encoder nach text_encoders, die VAE nach vae. Die von Comfy-Org veröffentlichten int8-Versionen sind auf einer 16-GB-Karte die richtige Wahl: Die bf16-Gewichte funktionieren auch, laufen aber in den Systemspeicher über und brauchen für identische Bilder zwei- bis sechsmal so lang.
Der Graph ist kurz: UNETLoader, CLIPLoader mit dem Typ qwen_image, VAELoader, der Knoten TextEncodeQwenImage21, der Prompt und Negativ-Prompt zusammen entgegennimmt und beide Conditionings ausgibt, ein leeres Latent in der gewählten Größe, dann APG und FreSca auf dem Modellpfad, ein KSampler mit CFG 3, euler und dem Scheduler simple, und VAEDecode. Für ein transparentes Bild betten Sie das Motiv in die von der Modellkarte empfohlene Form ein: „This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.“, und speichern als PNG.
Speicher: Das int8-Modell, der Encoder und die VAE passen bei 1 Megapixel mit Luft nach oben in 16 GB; 4 Megapixel haben wir mit dem Prefix-Cache auf int8 gerechnet und sind nie an die Grenze gestoßen. Das erste Bild einer Sitzung dauert länger, während die Dateien geladen werden.