Qué es Qwen-Image 2.1
Qwen-Image 2.1 es un solo checkpoint para dos tareas: generar una imagen a partir de un texto y editar una imagen existente a partir de una frase y hasta diez imágenes de referencia. La parte de generación es un transformador de difusión de 7.000 millones de parámetros emparejado con un codificador de texto Qwen3-VL 8B, el archivo que ComfyUI carga para él. Que el codificador sea un modelo de lenguaje es lo que le permite leer frases enteras, instrucciones de composición y palabras entrecomilladas en lugar de listas de palabras clave, y nuestras pruebas lo confirman. También produce imágenes con un canal alfa real cuando el prompt pide un fondo transparente.
Qwen presenta la 2.1 como una mejora en texturas, tipografía e iluminación de retratos, y trabaja en 2K nativo: 2048 × 2048 en cuadrado, 2528 × 1696 en 3:2, 2752 × 1536 en 16:9, sin escalado. El precio es el tiempo. En una tarjeta de consumo con 16 GB de memoria de vídeo, los pesos int8 dan una imagen de 1 megapíxel en unos 40 segundos y una de 4 megapíxeles en unos cuatro minutos y medio con los ajustes de abajo.
Antes que nada: los pesos están bajo la Qwen Research License, solo investigación y evaluación, y cualquier uso comercial necesita una licencia aparte de Qwen. El primer Qwen-Image, publicado en agosto de 2025, era Apache 2.0; la 2.1 no lo es.
Cómo escribir un prompt para Qwen-Image 2.1
Escribe frases, no etiquetas. El codificador de texto es un modelo de lenguaje: lee el orden de las palabras, las preposiciones y las comillas, y se lo toma todo al pie de la letra. Un «lighthouse cat» se convierte en un gato dibujado sobre un faro. La estructura que nos dio los mejores resultados a lo largo de unas mil imágenes es la siguiente, en este orden.
- Medio y sujeto primero: «An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms». El medio fijado al principio tiñe todo lo que viene después.
- Escenario: lugar, época, clima, o lo que llena el aire. «in falling cherry blossoms», «in the 1980s», «during a blizzard».
- Luz con su dirección: «lit from the front by soft diffuse light, with gentle shadows». La dirección se respeta; un simple «dramatic light», no.
- Encuadre: «close-up of the subject, looking at the viewer», plano medio, visto desde arriba, el sujeto diminuto en un paisaje inmenso.
- Materiales y paleta: «flowing ink lines, flat gold leaf background, muted jade and plum». Es lo que el modelo mejor renderiza en 2K.
- Restricciones, escritas en el prompt: «no lettering, no watermark», «five fingers on each hand». Con guidance 1 el prompt negativo se ignora, así que el propio prompt tiene que cargar con ellas.
El prompt completo de la ilustración de arriba, en este orden: 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.
El texto funciona cuando va entrecomillado y con un lugar asignado: «a banner above the door reads 'OPEN ALL NIGHT'» sale bien casi siempre, en mayúsculas o no. Lo contrario también es cierto: un escaparate, un diner o un salón recreativo sin texto pedido acaban con un rótulo inventado, así que di «no lettering» siempre que la escena contenga una fachada. Los personajes que el modelo no conoce se sustituyen por un doble sin avisar: el Marsupilami se convirtió en un mono, mientras que Mothra y Marvin the Martian salieron bien. Cada ficha Qwen de nuestra página de ejemplos de prompts sigue esta estructura, con su seed, su tamaño y sus ajustes.
Ajustes que funcionan, medidos
La plantilla oficial de ComfyUI trabaja con una guidance (CFG) de 1 y 25 pasos, y la ficha del modelo usa 40 pasos. Nosotros elegimos una guidance más alta. En la última prueba, el 16 de octubre de 2026, con las mismas seeds, estos ajustes dieron las imágenes más detalladas y más fieles:
| Ajuste | Valor |
|---|---|
| Guidance (CFG) | 3, con prompt negativo |
| Prompt negativo | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| Parches del modelo | APG (eta 1, norm threshold 10, momentum 0,3) y después FreSca (low 1, high 2, cutoff 8), antes del sampler |
| Sampler | euler, scheduler simple |
| Pasos | 25 a 1 megapíxel, 20 a 4 megapíxeles |
| LoRA | ninguno |
La guidance es el único ajuste que no cambia la escena: con la misma seed y el mismo tamaño, CFG 1 y CFG 3 dan casi la misma composición, y lo que difiere es el acabado. Con CFG 1 la imagen es más plana y pierde la textura fina: las puntadas de un bordado se vuelven tela, una cara de dibujo animado pierde las pupilas y la boca, el metal pierde sus remaches. Subir CFG 1 a 30 pasos devuelve la nitidez, pero no los materiales ni el contraste; 40 pasos a 2 megapíxeles sale limpio pero sigue más plano, y leyó el prompt con menos fiabilidad. APG evita que CFG 3 sature de más, y FreSca afila las frecuencias altas; los dos solo actúan cuando la guidance está por encima de 1.
El coste de una guidance por encima de 1 es una segunda pasada por paso: CFG 1 es el doble de rápido. En nuestra tarjeta son de 120 a 135 segundos frente a 255 a 275 para una imagen de 4 megapíxeles, y en cada una de las diez parejas de prueba nos pareció que la lenta valía la pena.
Resolución y pasos: qué cambia la imagen
Dos cosas nos sorprendieron. Cambiar el tamaño no reescala la imagen: produce otra toma de la misma seed. Pasar de 1 megapíxel a 2,5 o 4 nos dio siempre una imagen distinta; entre 2,5 y 4 megapíxeles la composición se mantuvo en ocho parejas de diez, como en la ilustración de abajo, donde solo se movieron los detalles: a 2,5 megapíxeles las pistas de circuito dejaron el halo y pasaron al pelo. Cambiar el número de pasos también cambia la imagen en cuanto la diferencia es grande: 20 y 25 pasos dan casi la misma imagen, 16 pasos se desvía. Así que no hay forma de previsualizar a 1 megapíxel y renderizar la misma imagen más grande. Elige primero el tamaño, luego la seed.
Tiempos medidos con CFG 3, APG y FreSca, pesos int8, en una sola tarjeta de consumo de 16 GB:
| Tamaño | Pasos | Tiempo por imagen |
|---|---|---|
| 1 megapíxel (1216 × 832) | 25 | unos 40 s |
| 2,5 megapíxeles (1920 × 1312) | 20 | 120 a 135 s |
| 4 megapíxeles (2432 × 1664) | 20 | 255 a 275 s |
| 4 megapíxeles | 25 | 315 a 335 s |
A 2,5 megapíxeles el detalle es algo más suave que a 4 cuando comparas la misma zona al 100 %, pero el modelo sigue el estilo del prompt al menos igual de bien, y en nuestras diez parejas de prueba a veces mejor: un bordado conservó sus puntadas visibles a 2,5 megapíxeles y se convirtió en fotografía a 4. Para una galería servida a 1024 píxeles, 2,5 megapíxeles a 20 pasos es el punto óptimo. Para imprimir, 4 megapíxeles a 20 pasos.
Acelerar: el Turbo oficial, medido
El primer LoRA Lightning. El LoRA Qwen-Image-Lightning de 8 pasos de 2025 se entrenó sobre el primer Qwen-Image, cuyas capas de atención tienen una anchura de 3072. Qwen-Image 2.1 usa 4096. ComfyUI imprime un error por cada peso de atención, se los salta y renderiza el modelo a secas en 8 pasos: bastante nítido a primera vista, pero no estás usando el LoRA, y una imagen de 8 pasos de un modelo sin destilar no es lo que querías.
El Turbo oficial. Qwen publicó Qwen-Image-2.1-Turbo el 9 de octubre de 2026: un checkpoint destilado que trabaja en 8 pasos con CFG 1 y una secuencia de sigmas fija, distribuido por Comfy-Org como archivo int8 y como LoRA para el modelo base, con sus propias plantillas en ComfyUI. Lo medimos el 17 de octubre con las mismas diez seeds y tamaños que nuestros renders a CFG 3, con el grafo exacto de la plantilla.
| Ajuste | Tiempo por imagen |
|---|---|
| Checkpoint Turbo, 8 pasos, 1 megapíxel | 9 a 10 s |
| Checkpoint Turbo, 8 pasos, 4 megapíxeles | 38 a 39 s |
| Checkpoint base más LoRA Turbo, 8 pasos, 4 megapíxeles | 52 a 55 s |
| Nuestro ajuste, CFG 3, 20 pasos, 4 megapíxeles | 255 a 275 s |
Siete veces más rápido a 4 megapíxeles, cuatro veces a 1, y las imágenes son limpias: nítidas, bien iluminadas, sin fallos de anatomía en nuestras diez seeds, con el texto correcto justo donde el modelo base también acierta. Los objetos del prompt están ahí, a veces mejor que con el modelo base: la tortuga en su coche de carreras, que el modelo base había omitido en todos nuestros renders, apareció con el Turbo. Lo que pierde es el medio. El modelo destilado deriva hacia el realismo fotográfico pida lo que pida el prompt: un bordado de un cocodrilo se convirtió en una fotografía de un cocodrilo, un dibujo al carboncillo perdió su grano, un Marvin the Martian de papel recortado se volvió un muñeco de vinilo. Los rótulos inventados en las fachadas son los mismos que con el modelo base. El LoRA sobre el checkpoint base da las mismas imágenes que el checkpoint Turbo, solo que más despacio, así que el checkpoint es lo que hay que descargar. Una seed da una imagen distinta de la del modelo base, como con cualquier cambio de tamaño, y la licencia es la misma, solo investigación y evaluación.
Nuestro uso: un modo borrador. Siete veces más candidatas por hora para la criba, y el render final con CFG 3 para todo lo pintado, dibujado o artesanal. Para prompts fotográficos, el resultado del Turbo suele ser suficientemente bueno tal cual.
Otras destilaciones. LightX2V publicó un LoRA Lightning de 4 pasos para la 2.1 el 13 de octubre de 2026, y existe también un LoRA comunitario de 8 pasos, Turbo8; los dos trabajan con CFG 1 como el Turbo oficial. No los hemos medido.
El nodo de caché de prefijo. El nodo QwenImage21Cache de ComfyUI solo fija el dispositivo y la precisión de la caché que el modelo ya mantiene; con sus valores por defecto no cambia nada. Su modo int8 reduce la caché a la mitad y ayuda cuando la memoria se queda corta en 2K o en edición con varias imágenes de referencia. No vimos ninguna pérdida visible con él.
Menos pasos. 16 pasos ahorran alrededor de una quinta parte del tiempo, pero cambian la composición y no ganan nitidez frente a 20. Si la limitación es el tiempo, baja el tamaño antes que los pasos.
Ejecutar Qwen-Image 2.1 en local
ComfyUI admite el modelo de forma nativa. Tres archivos van en las carpetas habituales: el modelo de difusión en diffusion_models, el codificador de texto Qwen3-VL en text_encoders, el VAE en vae. Las versiones int8 publicadas por Comfy-Org son las que conviene usar en una tarjeta de 16 GB: los pesos bf16 también funcionan, pero se desbordan a la memoria del sistema y tardan de dos a seis veces más para imágenes idénticas.
El grafo es corto: UNETLoader, CLIPLoader con el tipo qwen_image, VAELoader, el nodo TextEncodeQwenImage21, que recibe juntos el prompt y el prompt negativo y devuelve los dos condicionamientos, un latente vacío del tamaño elegido, después APG y FreSca en la ruta del modelo, un KSampler con CFG 3, euler y el scheduler simple, y VAEDecode. Para una imagen transparente, envuelve el sujeto en la forma recomendada por la ficha del modelo: «This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.», y guarda en PNG.
Memoria: el modelo int8, el codificador y el VAE caben en 16 GB a 1 megapíxel con margen de sobra; nosotros generamos a 4 megapíxeles con la caché de prefijo en int8 y nunca nos quedamos sin memoria. La primera imagen de una sesión tarda más mientras se cargan los archivos.