Qwen-Image 2.1 で最良の画像を得るには？

Qwen-Image 2.1 とは

Qwen-Image 2.1 は、一つのチェックポイントで二つの仕事をこなします。テキストからの画像生成と、一文と最大10枚の参照画像による既存画像の編集です。生成部分は 70億パラメータの拡散トランスフォーマーで、ComfyUI が読み込むファイルである Qwen3-VL 8B のテキストエンコーダと組み合わされています。エンコーダが言語モデルだからこそ、キーワードの羅列ではなく、文章全体、レイアウトの指示、引用符で囲んだ語を読み取れるのです。当サイトのテストもそれを裏付けています。また、プロンプトで透明な背景を求めると、本物のアルファチャンネル付きの画像を出力します。

Qwen は 2.1 を、質感、タイポグラフィ、ポートレートの照明が改善されたと説明しており、ネイティブ 2K で動作します。正方形なら 2048 × 2048、3:2 なら 2528 × 1696、16:9 なら 2752 × 1536 で、アップスケーラーは不要です。代償は時間です。VRAM 16 GB の民生用カードでは、int8 ウェイトと下記の設定で、1 メガピクセルの画像に約40秒、4 メガピクセルの画像に約4分半かかります。

何より先に：ウェイトは Qwen Research License の下にあり、研究と評価のみに使えます。商用利用には Qwen から別途ライセンスを得る必要があります。2025年8月に公開された最初の Qwen-Image は Apache 2.0 でしたが、2.1 は違います。

Qwen-Image 2.1 のプロンプトの書き方

タグではなく文章を書きます。テキストエンコーダは言語モデルなので、語順、前置詞、引用符を読み取り、すべてを文字どおりに受け取ります。「lighthouse cat」は灯台に描かれた猫になります。約千枚の画像を通じて最も良い結果を出した構成は以下のとおりで、この順に書きます。

• 技法と被写体を最初に：「An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms」。冒頭で決めた技法が、その後のすべてを染めます。
• 舞台：場所、時代、天候、あるいは空気を満たしているもの。「in falling cherry blossoms」「in the 1980s」「during a blizzard」。
• 光とその方向：「lit from the front by soft diffuse light, with gentle shadows」。方向は守られますが、ただの「dramatic light」は守られません。
• 構図：「close-up of the subject, looking at the viewer」、ミディアムショット、俯瞰、広大な風景の中の小さな被写体。
• 素材とパレット：「flowing ink lines, flat gold leaf background, muted jade and plum」。モデルが 2K で最も美しく描くのはここです。
• 制約はプロンプトの中に書く：「no lettering, no watermark」「five fingers on each hand」。ガイダンス1ではネガティブプロンプトが無視されるため、プロンプト自体がこれらを担う必要があります。

上のイラストのプロンプト全文を、この順番のまま示します：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.

文字は、引用符で囲んで場所を指定すればうまくいきます。「a banner above the door reads 'OPEN ALL NIGHT'」は、大文字でもそうでなくても、ほぼ毎回正しく描かれます。逆も成り立ちます。文字を求めていない店先、ダイナー、ゲームセンターには勝手に看板が生えてくるので、ファサードのある場面では必ず「no lettering」と書いてください。モデルが知らないキャラクターは、警告なしに似た何かに置き換えられます。Marsupilami はサルになりましたが、モスラ と Marvin the Martian は正しく描かれました。当サイトのプロンプト例ページにある Qwen のカードはすべてこの構成に従っており、シード、サイズ、設定が付いています。

効く設定、計測結果

ComfyUI の公式テンプレートはガイダンス（CFG）1 で25ステップ、モデルカードは40ステップを使います。当サイトはより高いガイダンスを選びました。2026年10月16日に同じシードで最終確認したところ、最も細部が豊かで、最も忠実な画像が得られたのは次の設定です：

ガイダンスは、場面を変えない唯一の設定です。同じシードとサイズなら、CFG 1 と CFG 3 の構図はほぼ同じで、違うのは描き込みです。CFG 1 では画像が平板になり、細かな質感が失われます。刺繍のステッチはただの布になり、カートゥーンの顔から瞳と口が消え、金属からリベットが消えます。CFG 1 のまま30ステップに増やすとシャープさは戻りますが、素材感とコントラストは戻りません。2 メガピクセルで40ステップにすると破綻はないものの、やはり平板で、プロンプトの読み取りも不安定でした。APG は CFG 3 の彩度過多を抑え、FreSca は高周波を引き締めます。どちらもガイダンスが1より大きいときにだけ働きます。

ガイダンスを1より上げる代償は、ステップごとに2回目のパスが走ることです。CFG 1 は2倍速くなります。当サイトのカードでは、4 メガピクセルの画像で 120〜135秒に対して 255〜275秒ですが、10組のテストペアすべてで、遅いほうに価値があると判断しました。

解像度とステップ：何が画像を変えるか

意外だったことが二つあります。サイズを変えても画像は拡大縮小されず、同じシードの別テイクになります。1 メガピクセルから 2.5 または 4 に上げると、毎回違う絵になりました。2.5 と 4 メガピクセルの間では、10組中8組で構図が保たれました。下のイラストもその一つで、動いたのは細部だけです。2.5 メガピクセルでは、回路パターンが光輪を離れて髪へ移りました。ステップ数も、差が大きければ画像を変えます。20と25ステップはほぼ同じ絵ですが、16ステップはずれます。つまり、1 メガピクセルでプレビューして同じ画像を大きく描く方法はありません。先にサイズを決め、それからシードを選んでください。

CFG 3、APG と FreSca、int8 ウェイト、16 GB の民生用カード1枚で計測した時間：

2.5 メガピクセルでは、同じ部分を 100% で比べると 4 より細部がやや柔らかいものの、プロンプトのスタイルへの追従は 4 と同等以上で、10組のテストペアでは勝ることもありました。刺繍は 2.5 メガピクセルではステッチが見えたままでしたが、4 では写真になってしまいました。1024 ピクセルで配信するギャラリーなら、2.5 メガピクセル・20ステップが最適点です。印刷なら 4 メガピクセル・20ステップです。

高速化：公式 Turbo の計測

最初の Lightning LoRA。2025年の 8ステップ Qwen-Image-Lightning LoRA は、アテンション層の幅が 3072 の初代 Qwen-Image で学習されたものです。Qwen-Image 2.1 は 4096 を使います。ComfyUI はアテンションのウェイトごとにエラーを出してそれらをスキップし、素のモデルを8ステップで描画します。一見シャープですが、LoRA は効いておらず、蒸留されていないモデルの8ステップ画像は望んだものではありません。

公式 Turbo。Qwen は 2026年10月9日に Qwen-Image-2.1-Turbo を公開しました。固定のシグマスケジュールで CFG 1・8ステップで動く蒸留チェックポイントで、Comfy-Org から int8 ファイルとして、またベースモデル用の LoRA として配布され、ComfyUI に専用テンプレートがあります。当サイトは10月17日に、CFG 3 の描画と同じ10個のシードとサイズで、テンプレートどおりのグラフを使って計測しました。

4 メガピクセルで7倍、1 メガピクセルで4倍速く、画像もきれいです。シャープで、光も良く、10個のシードで解剖学的な破綻はなく、文字はベースモデルが正しく描くところでは同じく正しく描かれます。プロンプトの物体はきちんと存在し、ベースモデルより良いこともあります。レースカーに乗ったカメは、ベースモデルでは当サイトのどの描画でも抜け落ちていましたが、Turbo では現れました。失われるのは技法です。蒸留モデルは、プロンプトが何を求めても写真的なリアリズムへ流れます。ワニの刺繍はワニの写真になり、木炭画は粒子を失い、切り紙の Marvin the Martian はソフビのフィギュアになりました。ファサードに勝手に生える文字はベースモデルと同じです。ベースチェックポイントに LoRA を載せた場合は、Turbo チェックポイントと同じ画像がより遅く得られるだけなので、ダウンロードすべきはチェックポイントのほうです。シードは、サイズ変更のときと同様にベースモデルとは別の絵を出し、ライセンスは同じく研究と評価のみです。

当サイトでの使い方は下書きモードです。選別のために1時間あたり7倍の候補を出し、絵画・素描・工芸風のものは CFG 3 で最終描画します。写真的なプロンプトなら、Turbo の結果がそのままで十分なことも多いです。

その他の蒸留版。LightX2V は 2026年10月13日に 2.1 用の 4ステップ Lightning LoRA を公開し、コミュニティ製の 8ステップ LoRA、Turbo8 もあります。どちらも公式 Turbo と同じく CFG 1 で動きます。当サイトでは計測していません。

プレフィックスキャッシュのノード。ComfyUI の QwenImage21Cache ノードは、モデルがすでに保持しているキャッシュのデバイスと精度を設定するだけで、既定値では何も変わりません。int8 モードはキャッシュを半分にし、2K や複数の参照画像を使う編集でメモリが足りなくなるときに助けになります。目に見える劣化はありませんでした。

ステップを減らす。16ステップは時間を約2割節約しますが、構図が変わり、20ステップよりシャープになることもありません。時間が制約なら、ステップより先にサイズを下げてください。

Qwen-Image 2.1 をローカルで動かす

ComfyUI はこのモデルをネイティブにサポートしています。3つのファイルをいつものフォルダに置きます。拡散モデルは diffusion_models、Qwen3-VL テキストエンコーダは text_encoders、VAE は vae です。16 GB のカードなら、Comfy-Org が公開している int8 版を選んでください。bf16 ウェイトも動きますが、システムメモリにあふれ出し、同一の画像に2〜6倍の時間がかかります。

グラフは短いものです。UNETLoader、タイプ qwen_image の CLIPLoader、VAELoader、プロンプトとネガティブプロンプトをまとめて受け取り両方のコンディショニングを出力する TextEncodeQwenImage21 ノード、選んだサイズの空の潜在画像、次にモデル経路上の APG と FreSca、euler と simple スケジューラーで CFG 3 の KSampler、そして VAEDecode です。透明画像にするには、モデルカードが推奨する形で被写体を包みます。「This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.」とし、PNG で保存します。

メモリ：int8 モデル、エンコーダ、VAE は、1 メガピクセルなら 16 GB に余裕をもって収まります。4 メガピクセルはプレフィックスキャッシュを int8 にして動かし、メモリ不足になることは一度もありませんでした。セッション最初の1枚は、ファイルの読み込みのぶん時間がかかります。