Comment obtenir les meilleures images avec Qwen-Image 2.1 ?

Ce qu'est Qwen-Image 2.1

Qwen-Image 2.1 est un seul checkpoint pour deux tâches : générer une image à partir d'un texte, et modifier une image existante à partir d'une phrase et de dix images de référence au maximum. La partie génération est un transformeur de diffusion de 7 milliards de paramètres associé à un encodeur de texte Qwen3-VL 8B, le fichier que ComfyUI charge pour lui. C'est parce que l'encodeur est un modèle de langage qu'il lit des phrases entières, des consignes de mise en page et des mots entre guillemets plutôt que des listes de mots-clés, et nos tests le confirment. Il produit aussi des images avec un vrai canal alpha quand le prompt demande un fond transparent.

Qwen présente la 2.1 comme améliorée sur les textures, la typographie et la lumière des portraits, et elle travaille en 2K natif : 2048 × 2048 en carré, 2528 × 1696 en 3:2, 2752 × 1536 en 16:9, sans agrandissement. Le prix, c'est le temps. Sur une carte grand public de 16 Go de mémoire vidéo, les poids int8 donnent une image de 1 mégapixel en 40 secondes environ et une image de 4 mégapixels en quatre minutes et demie environ, avec les réglages ci-dessous.

Avant toute chose : les poids sont sous Qwen Research License, recherche et évaluation uniquement, et tout usage commercial exige une licence séparée auprès de Qwen. Le premier Qwen-Image, sorti en août 2025, était sous Apache 2.0 ; la 2.1 ne l'est pas.

Comment écrire un prompt pour Qwen-Image 2.1

Écrivez des phrases, pas des tags. L'encodeur de texte est un modèle de langage : il lit l'ordre des mots, les prépositions et les guillemets, et il prend tout au pied de la lettre. Un « lighthouse cat » devient un chat dessiné sur un phare. La structure qui nous a donné les meilleurs résultats sur un millier d'images environ est celle-ci, dans cet ordre.

• Le médium et le sujet d'abord : « An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms ». Le médium posé en tête colore tout ce qui suit.
• Le décor : lieu, époque, météo, ou ce qui remplit l'air. « in falling cherry blossoms », « in the 1980s », « during a blizzard ».
• La lumière avec sa direction : « lit from the front by soft diffuse light, with gentle shadows ». La direction est suivie ; un simple « dramatic light » ne l'est pas.
• Le cadrage : « close-up of the subject, looking at the viewer », plan moyen, vue de dessus, le sujet minuscule dans un paysage immense.
• Les matières et la palette : « flowing ink lines, flat gold leaf background, muted jade and plum ». C'est ce que le modèle rend le mieux en 2K.
• Les restrictions, écrites dans le prompt : « no lettering, no watermark », « five fingers on each hand ». À guidance 1, le prompt négatif est ignoré, c'est donc au prompt lui-même de les porter.

Le prompt entier de l'illustration ci-dessus, dans cet ordre : 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.

Le texte fonctionne quand il est entre guillemets et qu'on lui donne une place : « a banner above the door reads 'OPEN ALL NIGHT' » sort juste presque à chaque fois, en capitales ou non. L'inverse est vrai aussi : une devanture, un diner ou une salle d'arcade sans texte demandé se couvre d'une enseigne inventée, alors écrivez « no lettering » dès que la scène contient une façade. Les personnages que le modèle ne connaît pas sont remplacés sans prévenir par un sosie : le Marsupilami est devenu un singe, tandis que Mothra et Marvin the Martian sont sortis corrects. Chaque fiche Qwen de notre page d'exemples de prompts suit cette structure, avec sa seed, sa taille et ses réglages.

Des réglages qui marchent, mesurés

Le template ComfyUI officiel tourne à une guidance (CFG) de 1 avec 25 étapes, et la fiche du modèle utilise 40 étapes. Nous avons choisi une guidance plus haute. Au dernier test, le 16 octobre 2026, sur les mêmes seeds, ces réglages ont donné les images les plus détaillées et les plus fidèles :

La guidance est le seul réglage qui ne change pas la scène : à seed et taille égales, CFG 1 et CFG 3 donnent presque la même composition, et c'est le rendu qui diffère. À CFG 1, l'image est plus plate et perd les textures fines : les points de broderie deviennent du tissu, un visage de cartoon perd ses pupilles et sa bouche, le métal perd ses rivets. Pousser le CFG 1 à 30 étapes ramène la netteté, mais ni les matières ni le contraste ; 40 étapes à 2 mégapixels donnent une image propre, mais qui reste plus plate et a lu le prompt moins fidèlement. L'APG empêche le CFG 3 de sursaturer, et FreSca accentue les hautes fréquences ; les deux n'agissent que si la guidance dépasse 1.

Le coût d'une guidance supérieure à 1 est une seconde passe par étape : le CFG 1 est deux fois plus rapide. Sur notre carte, cela fait 120 à 135 secondes contre 255 à 275 pour une image de 4 mégapixels, et sur chacune de nos dix paires de test, la version lente valait l'attente.

Résolution et étapes : ce qui change l'image

Deux choses nous ont surpris. Changer la taille ne redimensionne pas l'image, cela produit une autre prise de la même seed. Passer de 1 mégapixel à 2,5 ou 4 nous a toujours donné une autre image ; entre 2,5 et 4 mégapixels, la composition a tenu dans huit paires sur dix, comme dans l'illustration ci-dessous, où seuls les détails ont bougé : à 2,5 mégapixels, les pistes de circuit ont quitté l'auréole pour les cheveux. Changer le nombre d'étapes change aussi l'image dès que l'écart est grand : 20 et 25 étapes donnent presque la même image, 16 étapes dérive. Il n'y a donc aucun moyen de prévisualiser à 1 mégapixel puis de rendre la même image en plus grand. Choisissez la taille d'abord, puis la seed.

Temps mesurés avec CFG 3, APG et FreSca, poids int8, sur une seule carte grand public de 16 Go :

À 2,5 mégapixels, le détail est un peu plus doux qu'à 4 quand on compare la même zone à 100 %, mais le modèle suit le style du prompt au moins aussi bien, et parfois mieux sur nos dix paires de test : une broderie a gardé ses points visibles à 2,5 mégapixels et s'est changée en photographie à 4. Pour une galerie servie en 1024 pixels, 2,5 mégapixels à 20 étapes est le bon compromis. Pour un tirage, 4 mégapixels à 20 étapes.

Accélérer : le Turbo officiel, mesuré

Le premier LoRA Lightning. Le LoRA Qwen-Image-Lightning en 8 étapes de 2025 a été entraîné sur le premier Qwen-Image, dont les couches d'attention ont une largeur de 3072. Qwen-Image 2.1 utilise 4096. ComfyUI affiche une erreur par poids d'attention, les saute et rend le modèle seul en 8 étapes : assez net au premier coup d'œil, mais vous n'avez pas le LoRA, et une image en 8 étapes d'un modèle non distillé n'est pas ce que vous vouliez.

Le Turbo officiel. Qwen a publié Qwen-Image-2.1-Turbo le 9 octobre 2026 : un checkpoint distillé qui tourne en 8 étapes à CFG 1 avec une séquence de sigmas fixe, livré par Comfy-Org sous forme de fichier int8 et de LoRA pour le modèle de base, avec ses propres templates dans ComfyUI. Nous l'avons mesuré le 17 octobre sur les dix mêmes seeds et tailles que nos rendus à CFG 3, avec le graphe exact du template.

Sept fois plus rapide à 4 mégapixels, quatre fois à 1, et les images sont propres : nettes, bien éclairées, aucun accroc d'anatomie sur nos dix seeds, le texte correct exactement là où le modèle de base le réussit. Les objets du prompt sont là, parfois mieux qu'avec le modèle de base : la tortue dans sa voiture de course, que le modèle de base avait oubliée dans chacun de nos rendus, est apparue avec le Turbo. Ce qu'il perd, c'est le médium. Le modèle distillé glisse vers le réalisme photographique quoi que demande le prompt : une broderie de crocodile est devenue une photo de crocodile, un dessin au fusain a perdu son grain, un Marvin the Martian en papier découpé s'est changé en figurine en vinyle. Les lettrages inventés sur les façades sont les mêmes qu'avec le modèle de base. Le LoRA sur le checkpoint de base donne les mêmes images que le checkpoint Turbo, en plus lent, c'est donc le checkpoint qu'il faut télécharger. Une seed donne une autre image qu'avec le modèle de base, comme à tout changement de taille, et la licence est la même, recherche et évaluation uniquement.

Notre usage : un mode brouillon. Sept fois plus de candidats par heure pour le tri, et le rendu final à CFG 3 pour tout ce qui est peint, dessiné ou artisanal. Pour les prompts photographiques, le résultat du Turbo est souvent bon tel quel.

Les autres distillations. LightX2V a publié un LoRA Lightning en 4 étapes pour la 2.1 le 13 octobre 2026, et un LoRA communautaire en 8 étapes, Turbo8, existe aussi ; les deux tournent à CFG 1 comme le Turbo officiel. Nous ne les avons pas mesurés.

Le nœud de cache du préfixe. Le nœud QwenImage21Cache de ComfyUI ne fait que régler le périphérique et la précision du cache que le modèle garde déjà ; avec ses valeurs par défaut, il ne change rien. Son mode int8 divise le cache par deux et aide quand la mémoire manque en 2K ou en édition avec plusieurs images de référence. Nous n'avons vu aucune perte visible avec lui.

Moins d'étapes. 16 étapes économisent environ un cinquième du temps mais changent la composition et n'apportent aucune netteté de plus que 20. Si le temps est la contrainte, baissez la taille avant les étapes.

Faire tourner Qwen-Image 2.1 en local

ComfyUI prend le modèle en charge nativement. Trois fichiers vont dans les dossiers habituels : le modèle de diffusion dans diffusion_models, l'encodeur de texte Qwen3-VL dans text_encoders, le VAE dans vae. Les versions int8 publiées par Comfy-Org sont celles à prendre sur une carte de 16 Go : les poids bf16 fonctionnent aussi, mais débordent dans la mémoire système et prennent deux à six fois plus de temps pour des images identiques.

Le graphe est court : UNETLoader, CLIPLoader avec le type qwen_image, VAELoader, le nœud TextEncodeQwenImage21, qui prend le prompt et le prompt négatif ensemble et sort les deux conditionnements, un latent vide à la taille choisie, puis APG et FreSca sur le chemin du modèle, un KSampler à CFG 3 avec euler et le scheduler simple, et VAEDecode. Pour une image transparente, enveloppez le sujet dans la forme recommandée par la fiche du modèle : « This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent. », et enregistrez en PNG.

Mémoire : le modèle int8, l'encodeur et le VAE tiennent dans 16 Go à 1 mégapixel avec de la marge ; nous avons rendu du 4 mégapixels avec le cache du préfixe en int8 sans jamais manquer de mémoire. La première image d'une session prend plus longtemps, le temps que les fichiers se chargent.