Czym jest Qwen-Image 2.1
Qwen-Image 2.1 to jeden checkpoint do dwóch zadań: generowania obrazu z tekstu i edycji istniejącego obrazu na podstawie zdania i maksymalnie dziesięciu obrazów referencyjnych. Część generująca to transformer dyfuzyjny z 7 miliardami parametrów sparowany z enkoderem tekstu Qwen3-VL 8B, czyli plikiem, który ComfyUI do niego ładuje. Model językowy w roli enkodera sprawia, że czyta on całe zdania, instrukcje dotyczące układu i słowa w cudzysłowie, a nie listy słów kluczowych, i nasze testy to potwierdzają. Gdy prompt prosi o przezroczyste tło, model zwraca też obraz z prawdziwym kanałem alfa.
Qwen przedstawia 2.1 jako wersję ulepszoną pod względem tekstur, typografii i oświetlenia portretów, a model pracuje w natywnym 2K: 2048 × 2048 dla kwadratu, 2528 × 1696 dla 3:2, 2752 × 1536 dla 16:9, bez upscalera. Ceną jest czas. Na karcie konsumenckiej z 16 GB pamięci wideo wagi int8 dają obraz 1-megapikselowy w około 40 sekund, a 4-megapikselowy w około cztery i pół minuty z ustawieniami opisanymi niżej.
Zanim zaczniesz: wagi są objęte licencją Qwen Research License, wyłącznie do badań i ewaluacji, a każde użycie komercyjne wymaga osobnej licencji od Qwen. Pierwszy Qwen-Image, wydany w sierpniu 2025 roku, był na licencji Apache 2.0; 2.1 już nie.
Jak napisać prompt do Qwen-Image 2.1
Pisz zdania, nie tagi. Enkoder tekstu to model językowy: czyta szyk wyrazów, przyimki i cudzysłowy, i wszystko bierze dosłownie. Prompt „lighthouse cat” zamienia się w kota narysowanego na latarni morskiej. Struktura, która dała nam najlepsze wyniki na około tysiącu obrazów, wygląda tak, w tej kolejności.
- Najpierw medium i temat: „An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms”. Medium ustawione na początku zabarwia wszystko, co po nim następuje.
- Sceneria: miejsce, epoka, pogoda albo to, co wypełnia powietrze. „in falling cherry blossoms”, „in the 1980s”, „during a blizzard”.
- Światło wraz z kierunkiem: „lit from the front by soft diffuse light, with gentle shadows”. Kierunek jest respektowany; samo „dramatic light” już nie.
- Kadr: „close-up of the subject, looking at the viewer”, plan średni, widok z góry, maleńka postać w ogromnym krajobrazie.
- Materiały i paleta: „flowing ink lines, flat gold leaf background, muted jade and plum”. To właśnie model renderuje najlepiej w 2K.
- Ograniczenia, wpisane w prompt: „no lettering, no watermark”, „five fingers on each hand”. Przy guidance 1 negatywny prompt jest ignorowany, więc sam prompt musi je zawierać.
Cały prompt ilustracji powyżej, w tej kolejności: 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.
Tekst działa, gdy jest w cudzysłowie i ma wskazane miejsce: „a banner above the door reads 'OPEN ALL NIGHT'” wychodzi poprawnie niemal za każdym razem, wielkimi literami lub nie. Działa to też w drugą stronę: witryna sklepu, bar czy salon gier bez zamówionego tekstu obrośnie wymyślonym szyldem, więc dopisuj „no lettering” zawsze, gdy w scenie jest fasada. Postacie, których model nie zna, bez ostrzeżenia zastępuje sobowtórem: Marsupilami stał się małpą, a Mothra i Marvin the Martian wyszli poprawnie. Każda karta Qwen na naszej stronie z przykładami promptów trzyma się tej struktury, wraz z seedem, rozmiarem i ustawieniami.
Ustawienia, które działają, zmierzone
Oficjalny szablon ComfyUI pracuje z guidance (CFG) 1 i 25 krokami, a karta modelu używa 40 kroków. My wybraliśmy wyższe guidance. W ostatnim teście 16 października 2026 roku, na tych samych seedach, najbardziej szczegółowe i najwierniejsze obrazy dały te ustawienia:
| Ustawienie | Wartość |
|---|---|
| Guidance (CFG) | 3, z negatywnym promptem |
| Negatywny prompt | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| Patche modelu | APG (eta 1, norm threshold 10, momentum 0.3), potem FreSca (low 1, high 2, cutoff 8), przed samplerem |
| Sampler | euler, scheduler simple |
| Kroki | 25 przy 1 megapikselu, 20 przy 4 megapikselach |
| LoRA | brak |
Guidance to jedyne ustawienie, które nie zmienia sceny: przy tym samym seedzie i rozmiarze CFG 1 i CFG 3 dają niemal tę samą kompozycję, a różni się rendering. Przy CFG 1 obraz jest bardziej płaski i traci drobną fakturę: ściegi haftu zamieniają się w tkaninę, kreskówkowa twarz traci źrenice i usta, metal traci nity. Podniesienie CFG 1 do 30 kroków przywraca ostrość, ale nie materiały ani kontrast; 40 kroków przy 2 megapikselach daje czysty, lecz wciąż bardziej płaski obraz, który rzadziej trzymał się promptu. APG nie pozwala CFG 3 przesycić kolorów, a FreSca wyostrza wysokie częstotliwości; oba działają tylko wtedy, gdy guidance jest większe niż 1.
Kosztem guidance powyżej 1 jest drugi przebieg na każdy krok: CFG 1 jest dwa razy szybsze. Na naszej karcie to 120 do 135 sekund wobec 255 do 275 dla obrazu 4-megapikselowego, a wolniejszy wariant okazał się tego wart w każdej z dziesięciu par testowych.
Rozdzielczość i kroki: co zmienia obraz
Dwie rzeczy nas zaskoczyły. Zmiana rozmiaru nie skaluje obrazu, lecz daje inne ujęcie tego samego seeda. Przejście z 1 megapiksela do 2,5 lub 4 za każdym razem dawało nam inny obraz; między 2,5 a 4 megapikselami kompozycja utrzymała się w ośmiu parach na dziesięć, jak na ilustracji poniżej, gdzie przesunęły się tylko detale: przy 2,5 megapiksela ścieżki obwodów przeszły z aureoli na włosy. Zmiana liczby kroków również zmienia obraz, gdy różnica jest duża: 20 i 25 kroków dają niemal ten sam obraz, 16 kroków już odbiega. Nie da się więc zrobić podglądu w 1 megapikselu i wyrenderować tego samego obrazu w większym rozmiarze. Najpierw wybierz rozmiar, potem seed.
Czasy zmierzone z CFG 3, APG i FreSca, wagami int8, na jednej karcie konsumenckiej 16 GB:
| Rozmiar | Kroki | Czas na obraz |
|---|---|---|
| 1 megapiksel (1216 × 832) | 25 | około 40 s |
| 2,5 megapiksela (1920 × 1312) | 20 | 120 do 135 s |
| 4 megapiksele (2432 × 1664) | 20 | 255 do 275 s |
| 4 megapiksele | 25 | 315 do 335 s |
Przy 2,5 megapiksela detal jest nieco bardziej miękki niż przy 4, gdy porównać ten sam fragment w skali 100%, ale model trzyma się stylu promptu co najmniej równie dobrze, a w naszych dziesięciu parach testowych czasem lepiej: haft zachował widoczne ściegi przy 2,5 megapiksela, a przy 4 zamienił się w fotografię. Do galerii serwowanej w 1024 pikselach optimum to 2,5 megapiksela przy 20 krokach. Do druku: 4 megapiksele przy 20 krokach.
Przyspieszenia: oficjalny Turbo, zmierzony
Pierwsza LoRA Lightning. 8-krokowa LoRA Qwen-Image-Lightning z 2025 roku była trenowana na pierwszym Qwen-Image, którego warstwy uwagi mają szerokość 3072. Qwen-Image 2.1 używa 4096. ComfyUI wypisuje po jednym błędzie na każdą wagę uwagi, pomija je i renderuje goły model w 8 krokach: na pierwszy rzut oka dość ostro, ale LoRA w ogóle nie działa, a 8-krokowy obraz z niedestylowanego modelu nie jest tym, czego chciałeś.
Oficjalny Turbo. 9 października 2026 roku Qwen wydał Qwen-Image-2.1-Turbo: destylowany checkpoint, który działa w 8 krokach przy CFG 1 ze stałym harmonogramem sigm, dostarczany przez Comfy-Org jako plik int8 i jako LoRA do modelu bazowego, z własnymi szablonami w ComfyUI. Zmierzyliśmy go 17 października na tych samych dziesięciu seedach i rozmiarach co nasze rendery z CFG 3, z dokładnie takim grafem jak w szablonie.
| Ustawienie | Czas na obraz |
|---|---|
| Checkpoint Turbo, 8 kroków, 1 megapiksel | 9 do 10 s |
| Checkpoint Turbo, 8 kroków, 4 megapiksele | 38 do 39 s |
| Checkpoint bazowy plus LoRA Turbo, 8 kroków, 4 megapiksele | 52 do 55 s |
| Nasze ustawienie, CFG 3, 20 kroków, 4 megapiksele | 255 do 275 s |
Siedem razy szybciej przy 4 megapikselach, cztery razy przy 1, a obrazy są czyste: ostre, dobrze oświetlone, bez potknięć anatomii na naszych dziesięciu seedach, tekst poprawny tam, gdzie model bazowy też sobie z nim radzi. Obiekty z promptu są na miejscu, czasem lepiej niż w modelu bazowym: żółwica w swoim samochodzie wyścigowym, którą model bazowy gubił w każdym naszym renderze, z Turbo się pojawiła. To, co traci, to medium. Destylowany model dryfuje w stronę fotograficznego realizmu niezależnie od tego, o co prosi prompt: haft z krokodylem stał się zdjęciem krokodyla, rysunek węglem stracił ziarno, Marvin the Martian z wycinanki zamienił się w winylową figurkę. Wymyślone napisy na fasadach są takie same jak w modelu bazowym. LoRA na checkpoincie bazowym daje te same obrazy co checkpoint Turbo, tylko wolniej, więc pobierać warto checkpoint. Seed daje inny obraz niż w modelu bazowym, jak przy każdej zmianie rozmiaru, a licencja jest ta sama: wyłącznie badania i ewaluacja.
Nasze zastosowanie: tryb szkicu. Siedem razy więcej kandydatów na godzinę do selekcji, a finalny render z CFG 3 dla wszystkiego, co malowane, rysowane lub rękodzielnicze. Przy promptach fotograficznych wynik Turbo często jest wystarczająco dobry taki, jaki jest.
Inne destylacje. LightX2V opublikował 13 października 2026 roku 4-krokową LoRA Lightning dla 2.1, istnieje też społecznościowa 8-krokowa LoRA, Turbo8; obie działają przy CFG 1, tak jak oficjalny Turbo. Nie mierzyliśmy ich.
Węzeł cache prefiksu. Węzeł QwenImage21Cache w ComfyUI ustawia tylko urządzenie i precyzję cache, który model i tak utrzymuje; z domyślnymi wartościami nie zmienia niczego. Jego tryb int8 zmniejsza cache o połowę i pomaga, gdy brakuje pamięci w 2K albo przy edycji z kilkoma obrazami referencyjnymi. Nie zauważyliśmy z nim żadnej widocznej straty.
Mniej kroków. 16 kroków oszczędza około jednej piątej czasu, ale zmienia kompozycję i nie daje więcej ostrości niż 20. Jeśli ograniczeniem jest czas, obniż najpierw rozmiar, a dopiero potem liczbę kroków.
Uruchamianie Qwen-Image 2.1 lokalnie
ComfyUI obsługuje model natywnie. Trzy pliki trafiają do zwykłych folderów: model dyfuzyjny do diffusion_models, enkoder tekstu Qwen3-VL do text_encoders, VAE do vae. Na karcie 16 GB bierz wersje int8 opublikowane przez Comfy-Org: wagi bf16 też działają, ale wylewają się do pamięci systemowej i potrzebują od dwóch do sześciu razy więcej czasu na identyczne obrazy.
Graf jest krótki: UNETLoader, CLIPLoader z typem qwen_image, VAELoader, węzeł TextEncodeQwenImage21, który przyjmuje prompt i negatywny prompt razem i zwraca oba conditioningi, pusty latent w wybranym rozmiarze, następnie APG i FreSca na ścieżce modelu, KSampler z CFG 3, euler i schedulerem simple, oraz VAEDecode. Dla przezroczystego obrazu obuduj temat zalecaną przez kartę modelu formułą: „This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.”, i zapisz jako PNG.
Pamięć: model int8, enkoder i VAE mieszczą się w 16 GB przy 1 megapikselu z zapasem; 4 megapiksele renderowaliśmy z cache prefiksu ustawionym na int8 i ani razu nie zabrakło pamięci. Pierwszy obraz w sesji trwa dłużej, bo pliki się ładują.