Hur får man de bästa bilderna ur Qwen-Image 2.1?

Vad Qwen-Image 2.1 är

Qwen-Image 2.1 är ett enda checkpoint för två uppgifter: att generera en bild från text och att redigera en befintlig bild utifrån en mening och upp till tio referensbilder. Genereringsdelen är en diffusionstransformer med 7 miljarder parametrar, parad med en Qwen3-VL 8B-textkodare, filen som ComfyUI laddar för den. En språkmodell som kodare är det som gör att den läser hela meningar, layoutinstruktioner och citerade ord i stället för nyckelordslistor, och våra tester bekräftar det. Den ger också bilder med en riktig alfakanal när prompten ber om en transparent bakgrund.

Qwen presenterar 2.1 som förbättrad på texturer, typografi och porträttljus, och den arbetar i nativ 2K: 2048 × 2048 för en kvadrat, 2528 × 1696 för 3:2, 2752 × 1536 för 16:9, utan uppskalning. Priset är tid. På ett konsumentgrafikkort med 16 GB videominne ger int8-vikterna en bild på 1 megapixel på ungefär 40 sekunder och en på 4 megapixel på ungefär fyra och en halv minut med inställningarna nedan.

Före allt annat: vikterna ligger under Qwen Research License, enbart forskning och utvärdering, och all kommersiell användning kräver en separat licens från Qwen. Den första Qwen-Image, släppt i augusti 2025, var Apache 2.0; det är inte 2.1.

Så skriver du en prompt för Qwen-Image 2.1

Skriv meningar, inte taggar. Textkodaren är en språkmodell: den läser ordföljd, prepositioner och citattecken, och den tar allt bokstavligt. En ”lighthouse cat” blir en katt ritad på en fyr. Strukturen som gav oss de bästa resultaten över ungefär tusen bilder är den nedan, i den här ordningen.

• Medium och motiv först: ”An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms”. Mediet som sätts först färgar allt som kommer efter.
• Miljö: plats, epok, väder eller det som fyller luften. ”in falling cherry blossoms”, ”in the 1980s”, ”during a blizzard”.
• Ljus med riktning: ”lit from the front by soft diffuse light, with gentle shadows”. Riktningen följs; ett naket ”dramatic light” gör det inte.
• Bildutsnitt: ”close-up of the subject, looking at the viewer”, medium shot, sett uppifrån, motivet pyttelitet i ett vidsträckt landskap.
• Material och palett: ”flowing ink lines, flat gold leaf background, muted jade and plum”. Det är det modellen renderar bäst i 2K.
• Begränsningar, skrivna i prompten: ”no lettering, no watermark”, ”five fingers on each hand”. På guidance 1 ignoreras den negativa prompten, så prompten själv måste bära dem.

Hela prompten till illustrationen ovan, i den ordningen: 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.

Text fungerar när den är citerad och placerad: ”a banner above the door reads 'OPEN ALL NIGHT'” blir rätt nästan varje gång, med versaler eller inte. Det omvända gäller också: en butiksfasad, en diner eller en spelhall utan begärd text får en påhittad skylt, så säg ”no lettering” så fort scenen innehåller en fasad. Figurer som modellen inte känner till byts ut mot en dubbelgångare utan förvarning: Marsupilami blev en apa, medan Mothra och Marvin the Martian blev rätt. Varje Qwen-kort på vår sida med promptexempel följer den här strukturen, med seed, storlek och inställningar.

Inställningar som fungerar, mätta

Den officiella ComfyUI-mallen körs med en guidance (CFG) på 1 och 25 steg, och modellkortet använder 40 steg. Vi valde en högre guidance. Senast testat den 16 oktober 2026, på samma seeds, gav de här inställningarna de mest detaljerade och mest trogna bilderna:

Guidance är den enda inställningen som inte ändrar scenen: med samma seed och storlek ger CFG 1 och CFG 3 nästan samma komposition, och det som skiljer är renderingen. På CFG 1 är bilden plattare och tappar fin textur: broderistygn blir tyg, ett tecknat ansikte tappar pupiller och mun, metall tappar sina nitar. Att driva CFG 1 till 30 steg ger tillbaka skärpan men varken materialen eller kontrasten; 40 steg vid 2 megapixel är rent men fortfarande plattare, och läste prompten mindre tillförlitligt. APG hindrar CFG 3 från att övermätta, och FreSca skärper de höga frekvenserna; båda verkar bara när guidance är över 1.

Kostnaden för guidance över 1 är ett andra pass per steg: CFG 1 är dubbelt så snabb. På vårt kort är det 120 till 135 sekunder mot 255 till 275 för en bild på 4 megapixel, och vi tyckte att den långsammare var värd det i vart och ett av tio testpar.

Upplösning och steg: vad som ändrar bilden

Två saker överraskade oss. Att ändra storleken skalar inte om bilden, det ger en annan tagning av samma seed. Att gå från 1 megapixel till 2,5 eller 4 gav oss alltid en annan bild; mellan 2,5 och 4 megapixel höll kompositionen i åtta par av tio, som i illustrationen nedan, där bara detaljerna flyttade på sig: vid 2,5 megapixel lämnade kretskortsbanorna glorian för håret. Att ändra antalet steg ändrar också bilden när gapet är stort: 20 och 25 steg ger nästan samma bild, 16 steg driver iväg. Det går alltså inte att förhandsgranska i 1 megapixel och rendera samma bild större. Välj storleken först, sedan seedet.

Tider mätta med CFG 3, APG och FreSca, int8-vikter, på ett enda 16 GB-konsumentkort:

Vid 2,5 megapixel är detaljerna lite mjukare än vid 4 när man jämför samma yta i 100 %, men modellen följer promptens stil minst lika bra, och i våra tio testpar ibland bättre: ett broderi behöll sina synliga stygn vid 2,5 megapixel och blev ett fotografi vid 4. För ett galleri som visas i 1024 pixlar är 2,5 megapixel på 20 steg den bästa avvägningen. För ett tryck, 4 megapixel på 20 steg.

Snabbare: den officiella Turbo, mätt

Det första Lightning-LoRA:t. 8-stegs Qwen-Image-Lightning-LoRA:t från 2025 tränades på den första Qwen-Image, vars attention-lager är 3072 breda. Qwen-Image 2.1 använder 4096. ComfyUI skriver ut ett fel per attention-vikt, hoppar över dem och renderar den nakna modellen i 8 steg: tillräckligt skarpt vid första anblicken, men LoRA-filen är inte med, och en 8-stegsbild från en odestillerad modell är inte vad du ville ha.

Den officiella Turbo. Qwen släppte Qwen-Image-2.1-Turbo den 9 oktober 2026: ett destillerat checkpoint som körs i 8 steg på CFG 1 med ett fast sigmaschema, levererat av Comfy-Org som int8-fil och som LoRA för basmodellen, med egna mallar i ComfyUI. Vi mätte det den 17 oktober på samma tio seeds och storlekar som våra CFG 3-renderingar, med mallens exakta graf.

Sju gånger snabbare vid 4 megapixel, fyra gånger vid 1, och bilderna är rena: skarpa, väl belysta, inga anatomimissar på våra tio seeds, text rätt där basmodellen också får den rätt. Promptens objekt finns med, ibland bättre än med basmodellen: sköldpaddan i sin racerbil, som basmodellen hade tappat i varenda en av våra renderingar, dök upp med Turbo. Det den förlorar är mediet. Den destillerade modellen driver mot fotografisk realism vad prompten än ber om: ett broderi av en krokodil blev ett fotografi av en krokodil, en kolteckning tappade sin kornighet, en Marvin the Martian i pappersklipp blev en vinylfigur. Påhittad text på fasader är densamma som med basmodellen. LoRA-filen på bas-checkpointet ger samma bilder som Turbo-checkpointet, bara långsammare, så det är checkpointet du ska ladda ner. Ett seed ger en annan bild än med basmodellen, som vid varje storleksändring, och licensen är densamma, enbart forskning och utvärdering.

Så använder vi den: som utkastläge. Sju gånger fler kandidater i timmen att sålla bland, och den slutliga renderingen med CFG 3 för allt som är målat, tecknat eller gjort för hand. För fotografiska prompts är Turbo-resultatet ofta bra nog som det är.

Andra destillationer. LightX2V publicerade ett 4-stegs Lightning-LoRA för 2.1 den 13 oktober 2026, och det finns även ett 8-stegs-LoRA från communityn, Turbo8; båda körs på CFG 1 som den officiella Turbo. Vi har inte mätt dem.

Prefixcache-noden. ComfyUI:s nod QwenImage21Cache sätter bara enhet och precision för den cache modellen redan håller; med standardvärdena ändrar den ingenting. Dess int8-läge halverar cachen och hjälper när minnet tar slut i 2K eller vid redigering med flera referensbilder. Vi såg ingen synlig förlust med den.

Färre steg. 16 steg sparar ungefär en femtedel av tiden men ändrar kompositionen och vinner ingen skärpa jämfört med 20. Om tiden är begränsningen, sänk storleken före stegen.

Köra Qwen-Image 2.1 lokalt

ComfyUI stöder modellen nativt. Tre filer läggs i de vanliga mapparna: diffusionsmodellen i diffusion_models, Qwen3-VL-textkodaren i text_encoders, VAE:n i vae. De int8-versioner som Comfy-Org publicerat är de man ska ta på ett 16 GB-kort: bf16-vikterna fungerar också men svämmar över i systemminnet och tar två till sex gånger längre för identiska bilder.

Grafen är kort: UNETLoader, CLIPLoader med typen qwen_image, VAELoader, noden TextEncodeQwenImage21, som tar prompten och den negativa prompten tillsammans och ger båda konditioneringarna, en tom latent i vald storlek, sedan APG och FreSca på modellvägen, en KSampler på CFG 3 med euler och scheduler simple, och VAEDecode. För en transparent bild sveper du in motivet i formen som modellkortet rekommenderar: ”This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.”, och sparar som PNG.

Minne: int8-modellen, kodaren och VAE:n ryms i 16 GB vid 1 megapixel med marginal; 4 megapixel körde vi med prefixcachen satt till int8 och fick aldrig slut på minne. Den första bilden i en session tar längre tid medan filerna laddas.