Cos'è Qwen-Image 2.1
Qwen-Image 2.1 è un solo checkpoint per due compiti: generare un'immagine dal testo e modificare un'immagine esistente a partire da una frase e fino a dieci immagini di riferimento. La parte di generazione è un transformer di diffusione da 7 miliardi di parametri abbinato a un codificatore di testo Qwen3-VL 8B, il file che ComfyUI carica a questo scopo. È il codificatore basato su un modello linguistico a permettergli di leggere frasi intere, istruzioni di composizione e parole tra virgolette invece di elenchi di parole chiave, e le nostre prove lo confermano. Produce anche immagini con un vero canale alfa quando il prompt chiede uno sfondo trasparente.
Qwen presenta la 2.1 come migliorata su texture, tipografia e illuminazione dei ritratti, e lavora in 2K nativo: 2048 × 2048 per il quadrato, 2528 × 1696 per il 3:2, 2752 × 1536 per il 16:9, senza ingrandimento. Il prezzo è il tempo. Su una scheda consumer con 16 GB di memoria video, i pesi int8 danno un'immagine da 1 megapixel in circa 40 secondi e una da 4 megapixel in circa quattro minuti e mezzo con le impostazioni qui sotto.
Prima di tutto: i pesi sono sotto Qwen Research License, solo ricerca e valutazione, e qualunque uso commerciale richiede una licenza separata da Qwen. Il primo Qwen-Image, uscito ad agosto 2025, era Apache 2.0; la 2.1 non lo è.
Come scrivere un prompt per Qwen-Image 2.1
Scrivi frasi, non tag. Il codificatore di testo è un modello linguistico: legge l'ordine delle parole, le preposizioni e le virgolette, e prende tutto alla lettera. Un «lighthouse cat» diventa un gatto disegnato su un faro. La struttura che ci ha dato i risultati migliori su circa mille immagini è questa, in quest'ordine.
- Prima tecnica e soggetto: «An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms». La tecnica messa all'inizio colora tutto ciò che segue.
- Ambientazione: luogo, epoca, meteo, o ciò che riempie l'aria. «in falling cherry blossoms», «in the 1980s», «during a blizzard».
- Luce con la sua direzione: «lit from the front by soft diffuse light, with gentle shadows». La direzione viene rispettata; un semplice «dramatic light» no.
- Inquadratura: «close-up of the subject, looking at the viewer», piano medio, visto dall'alto, il soggetto minuscolo in un paesaggio immenso.
- Materiali e tavolozza: «flowing ink lines, flat gold leaf background, muted jade and plum». È ciò che il modello rende meglio in 2K.
- Restrizioni, scritte nel prompt: «no lettering, no watermark», «five fingers on each hand». A guidance 1 il prompt negativo viene ignorato, quindi deve farsene carico il prompt stesso.
Il prompt intero dell'illustrazione qui sopra, in quest'ordine: 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.
Il testo funziona quando è tra virgolette e gli si dà un posto: «a banner above the door reads 'OPEN ALL NIGHT'» esce giusto quasi ogni volta, in maiuscolo o no. Vale anche il contrario: una vetrina, un diner o una sala giochi senza testo richiesto si riempiono di un'insegna inventata, quindi scrivi «no lettering» ogni volta che la scena contiene una facciata. I personaggi che il modello non conosce vengono sostituiti da un sosia senza avviso: il Marsupilami è diventato una scimmia, mentre Mothra e Marvin the Martian sono usciti giusti. Ogni card Qwen della nostra pagina di esempi di prompt segue questa struttura, con seed, dimensione e impostazioni.
Impostazioni che funzionano, misurate
Il template ufficiale di ComfyUI gira con una guidance (CFG) di 1 e 25 passi, e la scheda del modello usa 40 passi. Noi abbiamo scelto una guidance più alta. All'ultimo test, il 16 ottobre 2026, sugli stessi seed, queste impostazioni hanno dato le immagini più dettagliate e più fedeli:
| Impostazione | Valore |
|---|---|
| Guidance (CFG) | 3, con un 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 |
| Patch del modello | APG (eta 1, norm threshold 10, momentum 0,3) e poi FreSca (low 1, high 2, cutoff 8), prima del sampler |
| Sampler | euler, scheduler simple |
| Passi | 25 a 1 megapixel, 20 a 4 megapixel |
| LoRA | nessuno |
La guidance è l'unica impostazione che non cambia la scena: a parità di seed e dimensione, CFG 1 e CFG 3 danno quasi la stessa composizione, e ciò che differisce è la resa. A CFG 1 l'immagine è più piatta e perde la texture fine: i punti di un ricamo diventano stoffa, un viso da cartone animato perde pupille e bocca, il metallo perde i rivetti. Portare CFG 1 a 30 passi riporta la nitidezza ma non i materiali né il contrasto; 40 passi a 2 megapixel è pulito ma resta più piatto, e ha letto il prompt con meno affidabilità. APG evita che CFG 3 saturi troppo, e FreSca affila le alte frequenze; entrambi agiscono solo quando la guidance è sopra 1.
Il costo di una guidance sopra 1 è un secondo passaggio per ogni passo: CFG 1 è due volte più veloce. Sulla nostra scheda sono da 120 a 135 secondi contro 255 a 275 per un'immagine da 4 megapixel, e in ognuna delle dieci coppie di prova la versione lenta ci è sembrata valerne la pena.
Risoluzione e passi: cosa cambia l'immagine
Due cose ci hanno sorpreso. Cambiare la dimensione non ridimensiona l'immagine: produce un'altra ripresa dello stesso seed. Passare da 1 megapixel a 2,5 o 4 ci ha sempre dato un'immagine diversa; tra 2,5 e 4 megapixel la composizione ha tenuto in otto coppie su dieci, come nell'illustrazione qui sotto, dove si sono mossi solo i dettagli: a 2,5 megapixel le piste di circuito hanno lasciato l'aureola per i capelli. Anche cambiare il numero di passi cambia l'immagine quando lo scarto è grande: 20 e 25 passi danno quasi la stessa immagine, 16 passi se ne allontana. Non c'è quindi modo di fare un'anteprima a 1 megapixel e poi renderizzare la stessa immagine più grande. Scegli prima la dimensione, poi il seed.
Tempi misurati con CFG 3, APG e FreSca, pesi int8, su una sola scheda consumer da 16 GB:
| Dimensione | Passi | Tempo per immagine |
|---|---|---|
| 1 megapixel (1216 × 832) | 25 | circa 40 s |
| 2,5 megapixel (1920 × 1312) | 20 | da 120 a 135 s |
| 4 megapixel (2432 × 1664) | 20 | da 255 a 275 s |
| 4 megapixel | 25 | da 315 a 335 s |
A 2,5 megapixel il dettaglio è un po' più morbido che a 4 quando confronti la stessa zona al 100 %, ma il modello segue lo stile del prompt almeno altrettanto bene, e nelle nostre dieci coppie di prova a volte meglio: un ricamo ha mantenuto i punti visibili a 2,5 megapixel ed è diventato una fotografia a 4. Per una galleria servita a 1024 pixel, 2,5 megapixel a 20 passi è il punto giusto. Per una stampa, 4 megapixel a 20 passi.
Accelerare: il Turbo ufficiale, misurato
Il primo LoRA Lightning. Il LoRA Qwen-Image-Lightning a 8 passi del 2025 è stato addestrato sul primo Qwen-Image, i cui strati di attenzione sono larghi 3072. Qwen-Image 2.1 usa 4096. ComfyUI stampa un errore per ogni peso di attenzione, li salta e renderizza il modello da solo in 8 passi: abbastanza nitido a prima vista, ma il LoRA non lo stai usando, e un'immagine a 8 passi da un modello non distillato non è quello che volevi.
Il Turbo ufficiale. Qwen ha pubblicato Qwen-Image-2.1-Turbo il 9 ottobre 2026: un checkpoint distillato che gira in 8 passi a CFG 1 con una sequenza di sigma fissa, distribuito da Comfy-Org come file int8 e come LoRA per il modello base, con i suoi template in ComfyUI. Lo abbiamo misurato il 17 ottobre sugli stessi dieci seed e dimensioni dei nostri render a CFG 3, con il grafo esatto del template.
| Impostazione | Tempo per immagine |
|---|---|
| Checkpoint Turbo, 8 passi, 1 megapixel | da 9 a 10 s |
| Checkpoint Turbo, 8 passi, 4 megapixel | da 38 a 39 s |
| Checkpoint base più LoRA Turbo, 8 passi, 4 megapixel | da 52 a 55 s |
| La nostra impostazione, CFG 3, 20 passi, 4 megapixel | da 255 a 275 s |
Sette volte più veloce a 4 megapixel, quattro volte a 1, e le immagini sono pulite: nitide, ben illuminate, nessuno scivolone anatomico sui nostri dieci seed, testo corretto proprio dove lo è anche con il modello base. Gli oggetti del prompt ci sono, a volte meglio che con il modello base: la tartaruga nella sua auto da corsa, che il modello base aveva lasciato fuori in ognuno dei nostri render, con il Turbo è comparsa. Ciò che perde è la tecnica. Il modello distillato scivola verso il realismo fotografico qualunque cosa chieda il prompt: un ricamo di un coccodrillo è diventato una fotografia di un coccodrillo, un disegno a carboncino ha perso la grana, un Marvin the Martian in carta ritagliata si è trasformato in un giocattolo di vinile. Le scritte inventate sulle facciate sono le stesse del modello base. Il LoRA sul checkpoint base dà le stesse immagini del checkpoint Turbo, solo più lentamente, quindi è il checkpoint quello da scaricare. Un seed dà un'immagine diversa da quella del modello base, come a ogni cambio di dimensione, e la licenza è la stessa, solo ricerca e valutazione.
Il nostro uso: una modalità bozza. Sette volte più candidate all'ora per la selezione, e il render finale a CFG 3 per tutto ciò che è dipinto, disegnato o artigianale. Per i prompt fotografici il risultato del Turbo è spesso già abbastanza buono così com'è.
Altre distillazioni. LightX2V ha pubblicato un LoRA Lightning a 4 passi per la 2.1 il 13 ottobre 2026, ed esiste anche un LoRA della community a 8 passi, Turbo8; entrambi girano a CFG 1 come il Turbo ufficiale. Non li abbiamo misurati.
Il nodo di cache del prefisso. Il nodo QwenImage21Cache di ComfyUI imposta solo il dispositivo e la precisione della cache che il modello già mantiene; con i valori predefiniti non cambia nulla. La sua modalità int8 dimezza la cache e aiuta quando la memoria scarseggia in 2K o nell'editing con più immagini di riferimento. Usandola non abbiamo visto alcuna perdita visibile.
Meno passi. 16 passi fanno risparmiare circa un quinto del tempo ma cambiano la composizione e non guadagnano nitidezza rispetto a 20. Se il vincolo è il tempo, abbassa la dimensione prima dei passi.
Eseguire Qwen-Image 2.1 in locale
ComfyUI supporta il modello nativamente. Tre file vanno nelle cartelle consuete: il modello di diffusione in diffusion_models, il codificatore di testo Qwen3-VL in text_encoders, il VAE in vae. Le versioni int8 pubblicate da Comfy-Org sono quelle da prendere su una scheda da 16 GB: i pesi bf16 funzionano anch'essi, ma traboccano nella memoria di sistema e impiegano da due a sei volte di più per immagini identiche.
Il grafo è corto: UNETLoader, CLIPLoader con il tipo qwen_image, VAELoader, il nodo TextEncodeQwenImage21, che prende insieme il prompt e il prompt negativo e restituisce entrambi i conditioning, un latente vuoto alla dimensione scelta, poi APG e FreSca sul percorso del modello, un KSampler a CFG 3 con euler e lo scheduler simple, e VAEDecode. Per un'immagine trasparente, racchiudi il soggetto nella forma raccomandata dalla scheda del modello: «This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.», e salva in PNG.
Memoria: il modello int8, il codificatore e il VAE stanno in 16 GB a 1 megapixel con margine; noi abbiamo reso 4 megapixel con la cache del prefisso impostata su int8 senza mai esaurire la memoria. La prima immagine di una sessione richiede più tempo mentre i file si caricano.