מה זה Qwen-Image 2.1
Qwen-Image 2.1 הוא checkpoint אחד לשתי משימות: יצירת תמונה מטקסט ועריכה של תמונה קיימת לפי משפט ועד עשר תמונות ייחוס. חלק היצירה הוא diffusion transformer של 7 מיליארד פרמטרים, מצומד למקודד הטקסט Qwen3-VL 8B, הקובץ ש-ComfyUI טוען בשבילו. מודל שפה כמקודד הוא מה שמאפשר לו לקרוא משפטים שלמים, הוראות פריסה ומילים במירכאות במקום רשימות מילות מפתח, והבדיקות שלנו מאשרות זאת. הוא גם מוציא תמונות עם ערוץ אלפא אמיתי כשהפרומפט מבקש רקע שקוף.
Qwen מציגה את 2.1 כמשופר בטקסטורות, בטיפוגרפיה ובתאורת פורטרטים, והוא עובד ב-2K מקורי: 2048 × 2048 לריבוע, 2528 × 1696 ל-3:2, 2752 × 1536 ל-16:9, בלי upscaler. המחיר הוא זמן. על כרטיס ביתי עם 16 GB של זיכרון וידאו, משקולות ה-int8 נותנות תמונה של 1 מגה-פיקסל בכ-40 שניות ותמונה של 4 מגה-פיקסל בכארבע דקות וחצי עם ההגדרות שלמטה.
לפני הכול: המשקולות נמצאות תחת Qwen Research License, למחקר ולהערכה בלבד, וכל שימוש מסחרי דורש רישיון נפרד מ-Qwen. ה-Qwen-Image הראשון, ששוחרר באוגוסט 2025, היה תחת Apache 2.0; 2.1 לא.
איך כותבים פרומפט ל-Qwen-Image 2.1
כתבו משפטים, לא תגיות. מקודד הטקסט הוא מודל שפה: הוא קורא סדר מילים, מילות יחס ומירכאות, ולוקח הכול כפשוטו. "lighthouse cat" הופך לחתול שמצויר על מגדלור. המבנה שנתן לנו את התוצאות הטובות ביותר לאורך כאלף תמונות הוא זה שלמטה, בסדר הזה.
- מדיום ונושא קודם: "An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms". המדיום שנקבע בהתחלה צובע את כל מה שבא אחריו.
- סביבה: מקום, תקופה, מזג אוויר, או מה שממלא את האוויר. "in falling cherry blossoms", "in the 1980s", "during a blizzard".
- אור עם הכיוון שלו: "lit from the front by soft diffuse light, with gentle shadows". לכיוון מצייתים; ל-"dramatic light" לבדו לא.
- מסגור: "close-up of the subject, looking at the viewer", medium shot, מבט מלמעלה, הנושא זעיר בנוף עצום.
- חומרים ופלטה: "flowing ink lines, flat gold leaf background, muted jade and plum". זה מה שהמודל מרנדר הכי טוב ב-2K.
- הגבלות, כתובות בתוך הפרומפט: "no lettering, no watermark", "five fingers on each hand". ב-guidance של 1 הפרומפט השלילי לא נלקח בחשבון, ולכן הפרומפט עצמו צריך לשאת אותן.
הפרומפט המלא של האיור שלמעלה, בסדר הזה: 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.
טקסט עובד כשהוא במירכאות וממוקם: "a banner above the door reads 'OPEN ALL NIGHT'" יוצא נכון כמעט בכל פעם, באותיות גדולות או לא. גם ההפך נכון: חזית חנות, דיינר או אולם משחקים בלי טקסט מבוקש יצמיחו שלט מומצא, אז אמרו "no lettering" בכל פעם שבסצנה יש חזית. דמויות שהמודל לא מכיר מוחלפות בכפיל בלי אזהרה: ה-Marsupilami הפך לקוף, בעוד Mothra ו-Marvin the Martian יצאו נכון. כל כרטיס Qwen בדף דוגמאות הפרומפטים שלנו בנוי לפי המבנה הזה, עם ה-seed, הגודל וההגדרות שלו.
הגדרות שעובדות, במדידה
התבנית הרשמית של ComfyUI רצה ב-guidance (CFG) של 1 עם 25 צעדים, וכרטיס המודל משתמש ב-40 צעדים. אנחנו בחרנו guidance גבוה יותר. בבדיקה האחרונה, ב-16 באוקטובר 2026, על אותם seeds, ההגדרות האלה נתנו את התמונות המפורטות והנאמנות ביותר:
| הגדרה | ערך |
|---|---|
| Guidance (CFG) | 3, עם פרומפט שלילי |
| פרומפט שלילי | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| פאצ'ים למודל | APG (eta 1, norm threshold 10, momentum 0.3) ואז FreSca (low 1, high 2, cutoff 8), לפני ה-sampler |
| Sampler | euler, scheduler מסוג simple |
| צעדים | 25 ב-1 מגה-פיקסל, 20 ב-4 מגה-פיקסל |
| LoRA | ללא |
ה-guidance הוא ההגדרה היחידה שלא משנה את הסצנה: באותו seed ובאותו גודל, CFG 1 ו-CFG 3 נותנים כמעט אותה קומפוזיציה, ומה ששונה הוא הרינדור. ב-CFG 1 התמונה שטוחה יותר ומאבדת טקסטורה עדינה: תפרי רקמה הופכים לבד, פרצוף מצויר מאבד את האישונים ואת הפה, מתכת מאבדת את המסמרות. דחיפת CFG 1 ל-30 צעדים מחזירה את החדות אבל לא את החומרים ולא את הניגודיות; 40 צעדים ב-2 מגה-פיקסל נקיים אבל עדיין שטוחים יותר, וקראו את הפרומפט בצורה פחות אמינה. APG מונע מ-CFG 3 רוויית-יתר, ו-FreSca מחדד את התדרים הגבוהים; שניהם פועלים רק כשה-guidance גבוה מ-1.
המחיר של guidance מעל 1 הוא מעבר שני בכל צעד: CFG 1 מהיר פי שניים. על הכרטיס שלנו זה 120 עד 135 שניות לעומת 255 עד 275 לתמונה של 4 מגה-פיקסל, ומצאנו שהאיטי יותר שווה את זה בכל אחד מעשרת זוגות הבדיקה.
רזולוציה וצעדים: מה משנה את התמונה
שני דברים הפתיעו אותנו. שינוי הגודל לא מגדיל את אותה תמונה, אלא מפיק טייק אחר של אותו seed. מעבר מ-1 מגה-פיקסל ל-2.5 או ל-4 תמיד נתן לנו תמונה אחרת; בין 2.5 ל-4 מגה-פיקסל הקומפוזיציה החזיקה בשמונה זוגות מתוך עשרה, כמו באיור שלמטה, שבו זזו רק הפרטים: ב-2.5 מגה-פיקסל נתיבי המעגלים עברו מההילה אל השיער. גם שינוי מספר הצעדים משנה את התמונה כשהפער גדול: 20 ו-25 צעדים נותנים כמעט אותה תמונה, 16 צעדים נסחפים. כך שאין דרך לעשות תצוגה מקדימה ב-1 מגה-פיקסל ולרנדר את אותה תמונה בגדול. בחרו קודם את הגודל, ואז את ה-seed.
זמנים שנמדדו עם CFG 3, APG ו-FreSca, משקולות int8, על כרטיס ביתי אחד של 16 GB:
| גודל | צעדים | זמן לתמונה |
|---|---|---|
| 1 מגה-פיקסל (1216 × 832) | 25 | כ-40 שניות |
| 2.5 מגה-פיקסל (1920 × 1312) | 20 | 120 עד 135 שניות |
| 4 מגה-פיקסל (2432 × 1664) | 20 | 255 עד 275 שניות |
| 4 מגה-פיקסל | 25 | 315 עד 335 שניות |
ב-2.5 מגה-פיקסל הפירוט רך מעט יותר מאשר ב-4 כשמשווים את אותו אזור ב-100 %, אבל המודל עוקב אחרי סגנון הפרומפט לפחות באותה מידה, ובעשרת זוגות הבדיקה שלנו לפעמים טוב יותר: רקמה שמרה על התפרים הגלויים שלה ב-2.5 מגה-פיקסל והפכה לצילום ב-4. לגלריה שמוגשת ב-1024 פיקסלים, 2.5 מגה-פיקסל ב-20 צעדים הם האיזון הטוב ביותר. להדפסה, 4 מגה-פיקסל ב-20 צעדים.
האצה: ה-Turbo הרשמי, במדידה
ה-Lightning LoRA הראשון. ה-Qwen-Image-Lightning LoRA של 8 צעדים מ-2025 אומן על ה-Qwen-Image הראשון, ששכבות ה-attention שלו ברוחב 3072. Qwen-Image 2.1 משתמש ב-4096. ComfyUI מדפיס שגיאה אחת לכל משקולת attention, מדלג עליהן ומרנדר את המודל החשוף ב-8 צעדים: חד מספיק במבט ראשון, אבל אתם לא מקבלים את ה-LoRA, ותמונה של 8 צעדים ממודל לא מזוקק היא לא מה שרציתם.
ה-Turbo הרשמי. Qwen שחררה את Qwen-Image-2.1-Turbo ב-9 באוקטובר 2026: checkpoint מזוקק שרץ ב-8 צעדים ב-CFG 1 עם לוח sigma קבוע, ש-Comfy-Org מפיצה כקובץ int8 וכ-LoRA למודל הבסיס, עם תבניות משלו ב-ComfyUI. מדדנו אותו ב-17 באוקטובר על אותם עשרה seeds וגדלים כמו רינדורי ה-CFG 3 שלנו, עם הגרף המדויק של התבנית.
| הגדרה | זמן לתמונה |
|---|---|
| checkpoint של Turbo, 8 צעדים, 1 מגה-פיקסל | 9 עד 10 שניות |
| checkpoint של Turbo, 8 צעדים, 4 מגה-פיקסל | 38 עד 39 שניות |
| checkpoint הבסיס עם ה-Turbo LoRA, 8 צעדים, 4 מגה-פיקסל | 52 עד 55 שניות |
| ההגדרה שלנו, CFG 3, 20 צעדים, 4 מגה-פיקסל | 255 עד 275 שניות |
מהיר פי שבעה ב-4 מגה-פיקסל, פי ארבעה ב-1, והתמונות נקיות: חדות, מוארות היטב, בלי מעידות אנטומיה בעשרת ה-seeds שלנו, טקסט נכון בדיוק היכן שמודל הבסיס מצליח. האובייקטים של הפרומפט נמצאים שם, לפעמים טוב יותר מאשר במודל הבסיס: הצבה במכונית המרוץ שלה, שמודל הבסיס השמיט בכל אחד מהרינדורים שלנו, הופיעה עם Turbo. מה שהוא מאבד הוא המדיום. המודל המזוקק נסחף לריאליזם צילומי יהיה הפרומפט אשר יהיה: רקמה של תנין הפכה לצילום של תנין, רישום פחם איבד את הגרעיניות שלו, Marvin the Martian מנייר גזור הפך לצעצוע ויניל. כיתוב מומצא על חזיתות זהה למודל הבסיס. ה-LoRA על checkpoint הבסיס נותן את אותן תמונות כמו ה-checkpoint של Turbo, רק לאט יותר, ולכן ה-checkpoint הוא זה שכדאי להוריד. seed נותן תמונה שונה מזו של מודל הבסיס, כמו בכל שינוי גודל, והרישיון זהה, למחקר ולהערכה בלבד.
השימוש שלנו בו: מצב טיוטה. פי שבעה מועמדים בשעה למיון, והרינדור הסופי עם CFG 3 לכל מה שמצויר, מרושם או עשוי ביד. לפרומפטים צילומיים התוצאה של Turbo לעתים קרובות טובה מספיק כמות שהיא.
זיקוקים אחרים. LightX2V פרסמה Lightning LoRA של 4 צעדים ל-2.1 ב-13 באוקטובר 2026, וקיים גם LoRA קהילתי של 8 צעדים, Turbo8; שניהם רצים ב-CFG 1 כמו ה-Turbo הרשמי. לא מדדנו אותם.
צומת מטמון הקידומת. הצומת QwenImage21Cache של ComfyUI רק קובע את ההתקן ואת הדיוק של המטמון שהמודל ממילא שומר; בברירות המחדל שלו הוא לא משנה כלום. מצב ה-int8 שלו מקטין את המטמון בחצי ועוזר כשהזיכרון אוזל ב-2K או בעריכה עם כמה תמונות ייחוס. לא ראינו איתו שום אובדן נראה לעין.
פחות צעדים. 16 צעדים חוסכים כחמישית מהזמן אבל משנים את הקומפוזיציה ולא מרוויחים חדות לעומת 20. אם הזמן הוא המגבלה, הורידו קודם את הגודל ורק אז את הצעדים.
הרצת Qwen-Image 2.1 מקומית
ComfyUI תומך במודל באופן מובנה. שלושה קבצים נכנסים לתיקיות הרגילות: מודל הדיפוזיה ב-diffusion_models, מקודד הטקסט Qwen3-VL ב-text_encoders, ה-VAE ב-vae. גרסאות ה-int8 ש-Comfy-Org פרסמה הן אלה שכדאי לקחת על כרטיס של 16 GB: משקולות ה-bf16 גם עובדות, אבל גולשות לזיכרון המערכת ולוקחות פי שניים עד פי שישה זמן לתמונות זהות.
הגרף קצר: UNETLoader, CLIPLoader עם הסוג qwen_image, VAELoader, הצומת TextEncodeQwenImage21, שמקבל את הפרומפט ואת הפרומפט השלילי יחד ומוציא את שני ה-conditionings, latent ריק בגודל שנבחר, ואז APG ו-FreSca על נתיב המודל, KSampler ב-CFG 3 עם euler וה-scheduler מסוג simple, ו-VAEDecode. לתמונה שקופה, עטפו את הנושא בנוסח שכרטיס המודל ממליץ עליו: "This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.", ושמרו כ-PNG.
זיכרון: מודל ה-int8, המקודד וה-VAE נכנסים ב-16 GB ב-1 מגה-פיקסל עם מקום לרווחה; הרצנו 4 מגה-פיקסל עם מטמון הקידומת מוגדר ל-int8 ואף פעם לא נגמר לנו הזיכרון. התמונה הראשונה בסשן לוקחת יותר זמן בזמן שהקבצים נטענים.