Qwen-Image 2.1이란
Qwen-Image 2.1은 체크포인트 하나로 두 가지 일을 합니다. 텍스트에서 이미지를 생성하는 것과, 문장 하나와 최대 열 장의 참조 이미지로 기존 그림을 편집하는 것입니다. 생성 부분은 70억 파라미터의 디퓨전 트랜스포머이며, ComfyUI가 이 모델용으로 불러오는 파일인 Qwen3-VL 8B 텍스트 인코더와 짝을 이룹니다. 인코더가 언어 모델이기 때문에 키워드 목록이 아니라 문장 전체, 레이아웃 지시, 따옴표 안의 단어를 읽어 낼 수 있고, 저희 테스트도 이를 뒷받침합니다. 프롬프트에서 투명 배경을 요구하면 실제 알파 채널이 있는 이미지도 출력합니다.
Qwen은 2.1이 질감, 타이포그래피, 인물 조명에서 개선되었다고 소개하며, 모델은 네이티브 2K로 동작합니다. 정사각형은 2048 × 2048, 3:2는 2528 × 1696, 16:9는 2752 × 1536이고 업스케일러는 필요 없습니다. 대가는 시간입니다. VRAM 16GB의 소비자용 그래픽카드에서 int8 가중치와 아래 설정을 쓰면 1메가픽셀 이미지에 약 40초, 4메가픽셀 이미지에 약 4분 30초가 걸립니다.
무엇보다 먼저 알아 둘 점: 가중치는 Qwen Research License를 따르며 연구와 평가 용도로만 쓸 수 있고, 상업적 이용에는 Qwen에서 별도 라이선스를 받아야 합니다. 2025년 8월에 공개된 첫 Qwen-Image는 Apache 2.0이었지만 2.1은 아닙니다.
Qwen-Image 2.1 프롬프트 작성법
태그가 아니라 문장을 쓰세요. 텍스트 인코더는 언어 모델입니다. 어순, 전치사, 따옴표를 읽고 모든 것을 글자 그대로 받아들입니다. "lighthouse cat"은 등대 위에 그려진 고양이가 됩니다. 약 천 장의 이미지를 거치며 가장 좋은 결과를 낸 구조는 아래와 같고, 이 순서대로 씁니다.
- 매체와 피사체를 먼저: "An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms". 맨 앞에 정한 매체가 그 뒤의 모든 것에 색을 입힙니다.
- 배경: 장소, 시대, 날씨, 또는 공중을 채우는 것. "in falling cherry blossoms", "in the 1980s", "during a blizzard".
- 빛과 그 방향: "lit from the front by soft diffuse light, with gentle shadows". 방향은 지켜지지만, 달랑 "dramatic light"만 쓰면 지켜지지 않습니다.
- 프레이밍: "close-up of the subject, looking at the viewer", 미디엄 숏, 위에서 내려다본 구도, 광활한 풍경 속의 조그만 피사체.
- 재질과 색감: "flowing ink lines, flat gold leaf background, muted jade and plum". 모델이 2K에서 가장 잘 렌더링하는 부분입니다.
- 제한 조건은 프롬프트 안에: "no lettering, no watermark", "five fingers on each hand". 가이던스 1에서는 네거티브 프롬프트가 무시되므로 프롬프트 자체가 이 역할을 맡아야 합니다.
위 일러스트의 전체 프롬프트를 그 순서 그대로 옮기면 이렇습니다: 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.
글자는 따옴표로 감싸고 위치를 정해 주면 잘 나옵니다. "a banner above the door reads 'OPEN ALL NIGHT'"는 대문자든 아니든 거의 매번 제대로 나옵니다. 반대도 마찬가지입니다. 글자를 요구하지 않은 가게 전면, 식당, 오락실에는 지어낸 간판이 돋아나므로, 장면에 건물 정면이 있을 때마다 "no lettering"을 쓰세요. 모델이 모르는 캐릭터는 아무 경고 없이 닮은꼴로 바뀝니다. Marsupilami는 원숭이가 되었고, 모스라와 Marvin the Martian은 제대로 나왔습니다. 저희 프롬프트 예시 페이지의 Qwen 카드는 모두 이 구조를 따르며 시드, 크기, 설정이 함께 적혀 있습니다.
효과가 있는 설정, 측정 결과
ComfyUI 공식 템플릿은 가이던스(CFG) 1에 25스텝으로 돌아가고, 모델 카드는 40스텝을 씁니다. 저희는 더 높은 가이던스를 골랐습니다. 2026년 10월 16일에 같은 시드로 마지막으로 테스트했을 때, 가장 디테일이 풍부하고 가장 충실한 이미지를 낸 설정은 다음과 같습니다.
| 설정 | 값 |
|---|---|
| 가이던스(CFG) | 3, 네거티브 프롬프트와 함께 |
| 네거티브 프롬프트 | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| 모델 패치 | APG(eta 1, norm threshold 10, momentum 0.3) 다음에 FreSca(low 1, high 2, cutoff 8), 샘플러 앞에 |
| 샘플러 | euler, simple 스케줄러 |
| 스텝 | 1메가픽셀에서 25, 4메가픽셀에서 20 |
| LoRA | 없음 |
가이던스는 장면을 바꾸지 않는 유일한 설정입니다. 같은 시드와 크기에서 CFG 1과 CFG 3는 구도가 거의 같고, 달라지는 것은 렌더링입니다. CFG 1에서는 이미지가 더 밋밋해지고 미세한 질감이 사라집니다. 자수의 땀은 그냥 천이 되고, 만화풍 얼굴은 눈동자와 입을 잃고, 금속은 리벳을 잃습니다. CFG 1을 30스텝으로 늘리면 선명함은 돌아오지만 재질감과 대비는 돌아오지 않습니다. 2메가픽셀에서 40스텝은 깨끗하지만 여전히 밋밋하고, 프롬프트도 덜 안정적으로 읽었습니다. APG는 CFG 3가 과포화되지 않게 막아 주고, FreSca는 고주파 디테일을 선명하게 합니다. 둘 다 가이던스가 1보다 클 때만 작동합니다.
가이던스를 1보다 높이는 대가는 스텝마다 한 번 더 계산하는 것입니다. CFG 1은 두 배 빠릅니다. 저희 그래픽카드에서 4메가픽셀 이미지는 120~135초 대 255~275초였지만, 테스트한 열 쌍 모두에서 느린 쪽이 그만한 가치가 있다고 판단했습니다.
해상도와 스텝: 무엇이 이미지를 바꾸나
두 가지가 뜻밖이었습니다. 크기를 바꾸면 이미지가 확대되거나 축소되는 것이 아니라 같은 시드의 다른 테이크가 나옵니다. 1메가픽셀에서 2.5나 4로 올리면 매번 다른 그림이 나왔습니다. 2.5와 4메가픽셀 사이에서는 열 쌍 중 여덟 쌍에서 구도가 유지되었고, 아래 일러스트가 그런 경우입니다. 움직인 것은 디테일뿐이라, 2.5메가픽셀에서는 회로 패턴이 후광을 떠나 머리카락으로 옮겨 갔습니다. 스텝 수도 차이가 커지면 이미지를 바꿉니다. 20스텝과 25스텝은 거의 같은 그림이지만 16스텝은 달라집니다. 그러니 1메가픽셀로 미리 보고 같은 이미지를 더 크게 렌더링하는 방법은 없습니다. 크기를 먼저 정하고, 그다음에 시드를 고르세요.
CFG 3, APG와 FreSca, int8 가중치로 16GB 소비자용 그래픽카드 한 장에서 측정한 시간:
| 크기 | 스텝 | 이미지 한 장당 시간 |
|---|---|---|
| 1메가픽셀(1216 × 832) | 25 | 약 40초 |
| 2.5메가픽셀(1920 × 1312) | 20 | 120~135초 |
| 4메가픽셀(2432 × 1664) | 20 | 255~275초 |
| 4메가픽셀 | 25 | 315~335초 |
2.5메가픽셀은 같은 영역을 100%로 비교하면 4보다 디테일이 조금 부드럽지만, 프롬프트의 스타일은 적어도 그만큼 잘 따르고, 열 쌍의 테스트에서는 때로 더 잘 따랐습니다. 자수는 2.5메가픽셀에서 땀이 보이는 채로 남았지만 4에서는 사진이 되어 버렸습니다. 1024픽셀로 보여 주는 갤러리라면 2.5메가픽셀에 20스텝이 최적점입니다. 인쇄용이라면 4메가픽셀에 20스텝입니다.
속도 높이기: 공식 Turbo 측정 결과
첫 번째 Lightning LoRA. 2025년의 8스텝 Qwen-Image-Lightning LoRA는 어텐션 레이어 폭이 3072인 첫 Qwen-Image로 학습되었습니다. Qwen-Image 2.1은 4096을 씁니다. ComfyUI는 어텐션 가중치마다 오류를 하나씩 출력하고 건너뛴 뒤 LoRA 없는 모델을 8스텝으로 렌더링합니다. 언뜻 보기에는 충분히 선명하지만 LoRA는 적용되지 않은 것이고, 증류되지 않은 모델의 8스텝 이미지는 원하던 결과가 아닙니다.
공식 Turbo. Qwen은 2026년 10월 9일 Qwen-Image-2.1-Turbo를 공개했습니다. 고정된 시그마 스케줄로 CFG 1에서 8스텝으로 돌아가는 증류 체크포인트이며, Comfy-Org가 int8 파일과 베이스 모델용 LoRA로 배포하고 ComfyUI에 자체 템플릿이 있습니다. 저희는 10월 17일에 CFG 3 렌더링과 같은 열 개의 시드와 크기로, 템플릿의 그래프를 그대로 써서 측정했습니다.
| 설정 | 이미지 한 장당 시간 |
|---|---|
| Turbo 체크포인트, 8스텝, 1메가픽셀 | 9~10초 |
| Turbo 체크포인트, 8스텝, 4메가픽셀 | 38~39초 |
| 베이스 체크포인트에 Turbo LoRA, 8스텝, 4메가픽셀 | 52~55초 |
| 저희 설정, CFG 3, 20스텝, 4메가픽셀 | 255~275초 |
4메가픽셀에서 일곱 배, 1메가픽셀에서 네 배 빠르고 이미지도 깨끗합니다. 선명하고 조명이 좋으며, 열 개의 시드에서 해부학적 오류가 없고, 베이스 모델이 글자를 제대로 쓰는 곳에서는 글자도 제대로 나옵니다. 프롬프트의 사물은 빠짐없이 있고, 때로는 베이스 모델보다 낫습니다. 경주용 차를 탄 거북이는 베이스 모델이 저희 렌더링마다 빠뜨렸는데 Turbo에서는 나타났습니다. 잃는 것은 매체입니다. 증류 모델은 프롬프트가 무엇을 요구하든 사진 같은 사실주의로 흘러갑니다. 악어 자수는 악어 사진이 되었고, 목탄화는 입자감을 잃었으며, 종이 공예 Marvin the Martian은 비닐 피규어가 되었습니다. 건물 정면에 지어내는 글자는 베이스 모델과 같습니다. 베이스 체크포인트에 LoRA를 얹으면 Turbo 체크포인트와 같은 이미지가 더 느리게 나올 뿐이므로, 내려받을 것은 체크포인트입니다. 시드는 크기를 바꿀 때처럼 베이스 모델과 다른 그림을 내고, 라이선스는 같아서 연구와 평가 용도뿐입니다.
저희의 용도는 초안 모드입니다. 고르기 위한 후보를 시간당 일곱 배 뽑고, 그림, 드로잉, 공예 느낌이 필요한 것은 CFG 3로 최종 렌더링합니다. 사진 같은 프롬프트라면 Turbo 결과를 그대로 써도 충분할 때가 많습니다.
다른 증류 모델. LightX2V는 2026년 10월 13일에 2.1용 4스텝 Lightning LoRA를 공개했고, 커뮤니티의 8스텝 LoRA인 Turbo8도 있습니다. 둘 다 공식 Turbo처럼 CFG 1에서 돌아갑니다. 저희는 측정하지 않았습니다.
프리픽스 캐시 노드. ComfyUI의 QwenImage21Cache 노드는 모델이 이미 유지하는 캐시의 장치와 정밀도를 정할 뿐이며, 기본값에서는 아무것도 바꾸지 않습니다. int8 모드는 캐시를 절반으로 줄여서 2K나 참조 이미지 여러 장을 쓰는 편집에서 메모리가 부족할 때 도움이 됩니다. 눈에 띄는 손실은 없었습니다.
스텝 줄이기. 16스텝은 시간을 약 5분의 1 아끼지만 구도를 바꾸고 20스텝보다 선명해지지도 않습니다. 시간이 문제라면 스텝보다 크기를 먼저 낮추세요.
Qwen-Image 2.1을 로컬에서 실행하기
ComfyUI는 이 모델을 네이티브로 지원합니다. 파일 세 개를 평소 폴더에 넣습니다. 디퓨전 모델은 diffusion_models, Qwen3-VL 텍스트 인코더는 text_encoders, VAE는 vae에 넣습니다. 16GB 그래픽카드라면 Comfy-Org가 공개한 int8 버전을 고르세요. bf16 가중치도 돌아가지만 시스템 메모리로 넘쳐서 똑같은 이미지에 두 배에서 여섯 배 더 오래 걸립니다.
그래프는 짧습니다. UNETLoader, 타입이 qwen_image인 CLIPLoader, VAELoader, 프롬프트와 네거티브 프롬프트를 함께 받아 두 컨디셔닝을 출력하는 TextEncodeQwenImage21 노드, 원하는 크기의 빈 잠재 이미지, 그다음 모델 경로의 APG와 FreSca, euler와 simple 스케줄러로 CFG 3를 쓰는 KSampler, 그리고 VAEDecode입니다. 투명 이미지를 만들려면 모델 카드가 권장하는 형식으로 피사체를 감쌉니다. "This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent." 그리고 PNG로 저장하세요.
메모리: int8 모델, 인코더, VAE는 1메가픽셀에서 16GB에 여유 있게 들어갑니다. 4메가픽셀은 프리픽스 캐시를 int8로 두고 돌렸고 메모리가 모자란 적은 한 번도 없었습니다. 세션의 첫 이미지는 파일을 불러오는 동안 더 오래 걸립니다.