Mi a Qwen-Image 2.1
A Qwen-Image 2.1 egyetlen checkpoint két feladatra. Képet generál szövegből, és meglévő képet szerkeszt egy mondat és legfeljebb tíz referenciakép alapján. A generáló rész egy 7 milliárd paraméteres diffúziós transzformer. Párja egy Qwen3-VL 8B szövegkódoló, amelyet a ComfyUI külön fájlként tölt be.
A nyelvi modell mint kódoló teszi lehetővé, hogy kulcsszólisták helyett egész mondatokat, elrendezési utasításokat és idézőjelbe tett szavakat olvasson.
A Qwen szerint a 2.1 a textúrákban, a tipográfiában és a portrémegvilágításban javult. Natív 2K-ban dolgozik, felskálázó nélkül: 2048 × 2048 négyzetnél, 2528 × 1696 3:2-nél, 2752 × 1536 16:9-nél. Ha a prompt átlátszó hátteret kér, valódi alfa-csatornát is kiad.
Az ára az idő. Egy 16 GB videomemóriás otthoni kártyán az int8 súlyokkal egy 1 megapixeles kép körülbelül 40 másodperc. Egy 4 megapixeles kép körülbelül négy és fél perc az alábbi beállításokkal.
Egy dolog, amit letöltés előtt tudni kell. A súlyok a Qwen Research License alatt állnak: kizárólag kutatásra és kiértékelésre. Bármilyen kereskedelmi használathoz külön licenc kell a Qwentől. Az első, 2025 augusztusában kiadott Qwen-Image Apache 2.0 licencű volt. A 2.1 nem az.
Hogyan írj promptot a Qwen-Image 2.1-hez
Mondatokat írj, ne címkéket. A szövegkódoló nyelvi modell. Olvassa a szórendet, az elöljárószavakat és az idézőjeleket, és mindent szó szerint vesz. A „lighthouse cat” egy világítótoronyra rajzolt macska lesz.
Az alábbi felépítés adta a legjobb eredményt nagyjából ezer képen. Tartsd meg ezt a sorrendet.
- Először a médium és a téma: „An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms”. Az elöl megadott médium mindent átszínez, ami utána jön.
- Helyszín: hely, korszak, időjárás, vagy ami a levegőt betölti. „in falling cherry blossoms”, „in the 1980s”, „during a blizzard”.
- Fény, az irányával együtt: „lit from the front by soft diffuse light, with gentle shadows”. Az irányt követi. A puszta „dramatic light”-ot nem.
- Képkivágás: „close-up of the subject, looking at the viewer”, félközeli, felülnézet, a téma aprón egy hatalmas tájban.
- Anyagok és paletta: „flowing ink lines, flat gold leaf background, muted jade and plum”. Ezt rendereli a modell a legjobban 2K-ban.
- Tiltások, a promptba írva: „no lettering, no watermark”, „five fingers on each hand”. 1-es guidance mellett a negatív prompt figyelmen kívül marad, ezért magának a promptnak kell hordoznia őket.
A fenti illusztráció teljes promptja, ebben a sorrendben: 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.
A szöveg akkor működik, ha idézőjelben van, és a helye is meg van adva. „A banner above the door reads 'OPEN ALL NIGHT'” szinte mindig jól jön ki, csupa nagybetűvel vagy anélkül.
A fordítottja is igaz. Egy kirakat, egy étkezde vagy egy játékterem, ahová nem kértél szöveget, kitalált feliratot növeszt. Írd oda tehát a „no lettering”-et, valahányszor homlokzat van a jelenetben.
A modell által nem ismert szereplőket figyelmeztetés nélkül hasonmásra cseréli. A Marsupilamiból majom lett. Mothra és Marvin the Martian jól sikerült.
A promptpéldák oldalán minden Qwen-kártya ezt a felépítést követi, a seedjével, méretével és beállításaival együtt.
Beállítások, amelyek működnek, lemérve
A hivatalos ComfyUI-sablon 1-es guidance-szel (CFG) és 25 lépéssel fut. A modellkártya 40 lépést használ. Az alábbi beállítások CFG 3-nál állapodtak meg.
A legutóbbi, 2026. október 16-i teszten, azonos seedeken, ezek a beállítások adták a legrészletesebb és leghűbb képeket:
| Beállítás | Érték |
|---|---|
| Guidance (CFG) | 3, negatív prompttal |
| Negatív prompt | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| Modellpatch-ek | APG (eta 1, norm threshold 10, momentum 0.3), majd FreSca (low 1, high 2, cutoff 8), a sampler előtt |
| Sampler | euler, simple scheduler |
| Lépések | 25 lépés 1 megapixelnél, 20 lépés 2,5 és 4 megapixelnél |
| LoRA | nincs |
A guidance az egyetlen beállítás, amely nem változtatja meg a jelenetet. Azonos seed és méret mellett a CFG 1 és a CFG 3 szinte ugyanazt a kompozíciót adja. A különbség a renderelésben van.
CFG 1-en a kép laposabb, és elveszti a finom textúrát. A hímzés öltései szövetté válnak. Egy rajzfilmarc elveszti a pupilláit és a száját. A fémről eltűnnek a szegecsek.
Ha a CFG 1 30 lépést kap, az élesség visszajön, de az anyagok és a kontraszt nem. 2 megapixelen, egy egyszer kipróbált méreten, 40 lépés tiszta, de még mindig laposabb képet ad, és kevésbé megbízhatóan olvassa a promptot.
Az APG megakadályozza, hogy a CFG 3 túltelítsen. A FreSca élesíti a magas frekvenciákat. Mindkettő csak 1 fölötti guidance mellett hat.
Az 1 fölötti guidance lépésenként egy második menetbe kerül, ezért a CFG 1 kétszer gyorsabb. A tesztkártyán ez 120–135 másodperc a 255–275-tel szemben egy 4 megapixeles képnél. A lassabb mind a tíz tesztpárban megérte.
Felbontás és lépésszám: mi változtatja meg a képet
Mint minden diffúziós modell, a Qwen-Image 2.1 sem méretezi át a képet, ha a méret megváltozik. Ugyanannak a seednek egy másik felvételét adja, így egy 1 megapixelen talált seed nem vihető át 2K-ra.
1 megapixelről 2,5-re vagy 4-re váltva minden tesztelt párban más kép jött ki. 2,5 és 4 megapixel között a kompozíció tíz párból nyolcban megmaradt.
Az alábbi illusztráción csak a részletek mozdultak el. 2,5 megapixelen az áramköri vezetősávok a glóriából a hajba vándoroltak.
A lépésszám módosítása is megváltoztatja a képet, ha a különbség nagy. 20 és 25 lépés szinte ugyanazt a képet adja. 16 lépésnél elcsúszik. Nincs tehát mód arra, hogy 1 megapixelen előnézetet készíts, majd ugyanazt a képet nagyobban rendereld. Először a méretet válaszd ki, azután a seedet.
CFG 3, APG és FreSca mellett, int8 súlyokkal, egyetlen 16 GB-os otthoni kártyán, fekvő vagy a megfelelő álló tájolásban mért idők:
| Méret | Lépések | Idő képenként |
|---|---|---|
| 1 megapixel (1216 × 832) | 25 | kb. 40 s |
| 2,5 megapixel (1920 × 1312) | 20 | 120–135 s |
| 4 megapixel (2432 × 1664) | 20 | 255–275 s |
| 4 megapixel | 25 | 315–335 s |
2,5 megapixelen a részletek kicsit lágyabbak, mint 4-en, ha ugyanazt a területet 100%-on hasonlítod össze. De a modell legalább ugyanolyan jól követi a prompt stílusát, a tíz tesztpárban néha jobban is. Egy hímzés 2,5 megapixelen tisztábban mutatta az öltéseit, mint 4-en.
Egy 1024 pixelen kiszolgált galériához 2,5 megapixel 20 lépéssel az ideális. Nyomtatáshoz 4 megapixel 20 lépéssel.
Gyorsítások: Turbo, irányított Turbo és a többi
A Turbo. A Qwen 2026. október 9-én adta ki a Qwen-Image-2.1-Turbo modellt. Desztillált checkpoint, amely 8 lépésben, CFG 1-en, rögzített szigma-ütemezéssel fut. A Comfy-Org int8 fájlként és az alapmodellhez való LoRA-ként szállítja, saját sablonokkal a ComfyUI-ban. A mérés október 17-én készült, ugyanazon a tíz seeden és méreten, mint az útmutató CFG 3-as renderelései, a sablon pontos gráfjával.
| Beállítás | Idő képenként |
|---|---|
| Turbo checkpoint, 8 lépés, CFG 1, 1 megapixel | 9–10 s |
| Turbo checkpoint, 8 lépés, CFG 1, 4 megapixel | 38–39 s |
| Irányított Turbo, lásd alább: Turbo checkpoint, 8 lépés, CFG 3 APG és FreSca mellett, 4 megapixel | 66–71 s |
| Alap checkpoint plusz Turbo LoRA, 8 lépés, CFG 1, 4 megapixel | 52–55 s |
| Alap checkpoint, CFG 3, 20 lépés, 4 megapixel | 255–275 s |
Hétszer gyorsabb 4 megapixelen, négyszer 1-en. A képek tiszták: élesek, jól megvilágítottak, anatómiai hiba nélkül a tíz seeden, a felirat ugyanazokon a promptokon jó, mint az alapmodellnél. A prompt tárgyai ott vannak, néha jobban, mint az alapmodellnél. A versenyautójában ülő teknős, amelyet az alapmodell minden renderelésből kihagyott, a Turbo modellel megjelent.
Amit elveszít, az a médium. A tíz seed minden nem fotószerű promptján a desztillált modell a fotorealizmus felé sodródott. Egy krokodilhímzésből krokodilfotó lett. Egy szénrajz elvesztette a szemcséit. Egy papírkivágásos Marvin the Martian vinilfigurává vált. A homlokzatok kitalált feliratai ugyanolyanok, mint az alapmodellnél.
A tíz seeden az alap checkpointra tett LoRA ugyanazokat a képeket adta, mint a Turbo checkpoint, csak lassabban. Tehát a checkpointot érdemes letölteni. Egy seed más képet ad, mint az alapmodellel, akárcsak méretváltásnál. A licenc ugyanaz: kizárólag kutatás és kiértékelés.
Az irányított Turbo. A Turbo nincs CFG 1-hez kötve. A teszt 2026. október 17-én készült ugyanazon a tíz seeden, plusz az útmutató illusztrációján. Tartsd meg a checkpointját és a 8 rögzített szigmáját, és csak az alap-előbeállítás guidance-blokkját vedd át: CFG 3, a negatív prompt, APG, majd FreSca.
A gráf maga a Turbo-sablon. Állítsd a CFGGuider csomópontját 3-ra 1 helyett, töltsd ki a negatív promptot, és illeszd be az APG-t, majd a FreSca-t a modell útvonalára a betöltő és a guider közé. A ManualSigmas csomópont és a sampler marad, ahogy van.
Az eredmény megtartja a Turbo kompozícióját, és visszahozza, amit a CFG 1 ellapított: a kontrasztot, a telítettséget és a finom részleteket. Az útmutató illusztrációján a glória áramköri vezetősávjai élesen és aranyozva térnek vissza, és a szirmok is visszajönnek. A tíz tesztseeden a pikkelyek, a szőr és a hímzett mellény ugyanígy élesedik. Amit nem hoz vissza, az a médium. A hímzés krokodilfotó marad.
Az ár a lépésenkénti második menet: 66–71 másodperc egy 4 megapixeles képnél a 38–39-cel szemben. Ez még mindig közel négyszer gyorsabb az alapmodellnél.
Töltse le a workflow-t. Az irányított Turbo ComfyUI-workflow-ja (JSON) pontosan így rendereli ezt az illusztrációt: 1664 × 2432, seed 57658043, CFG 3 APG és FreSca mellett, az útmutató negatív promptja. Húzza a fájlt a ComfyUI-ba; az utolsó szakaszban megnevezett három modellfájlt várja. Szabadon újrafelhasználható CC BY 4.0 alatt, az erre az oldalra mutató linkkel.
Ne próbáld több lépéssel segíteni a Turbo modellt. 20 lépéssel és simple schedulerrel, 4 megapixelen és CFG 3-on, mintha az alapmodell volna, túlsül: kemény hajszálak, szemcsés glória, túltolt kontraszt. És 169 másodpercig tart. A desztillált checkpoint a 8 szigmáját kéri.
Egy ésszerű felosztás. A sima Turbo vázlatmódként, óránként hétszer több jelölttel a válogatáshoz. Az irányított Turbo, ha egy fotószerű vagy tiszta vonalú prompt gyorsan igényel részleteket. Az alapmodell CFG 3-mal mindenhez, ami festett, rajzolt vagy kézműves, ahol maga a médium a lényeg.
Más desztillációk. A LightX2V 2026. október 13-án tett közzé egy 4 lépéses Lightning LoRA-t a 2.1-hez. Létezik egy közösségi 8 lépéses LoRA is, a Turbo8. Mindkettő CFG 1-en fut, mint a Turbo. Egyik sincs itt lemérve.
A prefix-cache csomópont. A ComfyUI QwenImage21Cache csomópontja csak annak a gyorsítótárnak az eszközét és pontosságát állítja be, amelyet a modell amúgy is vezet. Alapértékeken semmit sem változtat. Az int8 módja felezi a gyorsítótárat, és segít, ha 2K-ban vagy több referenciaképes szerkesztésnél elfogy a memória. Ezekben a tesztekben látható veszteség nem járt vele.
Kevesebb lépés. A 16 lépés az idő körülbelül ötödét takarítja meg, de megváltoztatja a kompozíciót, és nem élesebb a 20-nál. Ha az idő a korlát, előbb a méretet csökkentsd, és csak utána a lépésszámot.
A Qwen-Image 2.1 futtatása helyben
A ComfyUI natívan támogatja a modellt. Három fájl kerül a szokásos mappákba: a diffúziós modell a diffusion_models, a Qwen3-VL szövegkódoló a text_encoders, a VAE a vae mappába.
16 GB-os kártyán a Comfy-Org által közzétett int8 változatokat válaszd. A bf16 súlyok is működnek, de átcsordulnak a rendszermemóriába, és kétszer-hatszor tovább tartanak látható nyereség nélkül.
A gráf rövid:
- UNETLoader, CLIPLoader
qwen_imagetípussal, VAELoader; - TextEncodeQwenImage21, amely a promptot és a negatív promptot együtt fogadja, és mindkét kondicionálást kiadja;
- egy üres latens a kívánt méretben;
- APG, majd FreSca a modell útvonalán;
- egy KSampler CFG 3-mal, euler samplerrel és simple schedulerrel, végül VAEDecode.
Átlátszó képhez foglald a témát a modellkártya ajánlott formájába: „This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.” Azután mentsd PNG-ként.
Memória: 1 megapixelen az int8 modell, a kódoló és a VAE 16 GB-ban fut, a rendszermemória érintése nélkül. A ComfyUI a prompt kódolása után kilapozza a kódolót a videomemóriából. 4 megapixelen a prefix-cache int8-ra volt állítva, és a memória soha nem fogyott el. A munkamenet első képe tovább tart, amíg a fájlok betöltődnek.