Qwen-Image 2.1 คืออะไร
Qwen-Image 2.1 เป็น checkpoint เดียวสำหรับสองงาน: สร้างภาพจากข้อความ และแก้ไขภาพที่มีอยู่จากประโยคเดียวบวกภาพอ้างอิงได้ถึงสิบภาพ ส่วนที่ใช้สร้างภาพคือ diffusion transformer ขนาด 7 พันล้านพารามิเตอร์ จับคู่กับ text encoder Qwen3-VL 8B ซึ่งเป็นไฟล์ที่ ComfyUI โหลดให้ การใช้โมเดลภาษาเป็น encoder คือสิ่งที่ทำให้มันอ่านทั้งประโยค คำสั่งจัดวาง และคำในเครื่องหมายคำพูดได้ แทนที่จะเป็นรายการคีย์เวิร์ด และการทดสอบของเรายืนยันเรื่องนี้ นอกจากนี้ยังส่งออกภาพที่มี alpha channel จริงเมื่อ prompt ขอพื้นหลังโปร่งใส
Qwen นำเสนอ 2.1 ว่าปรับปรุงเรื่องพื้นผิว ตัวอักษร และแสงในภาพบุคคล และมันทำงานที่ 2K แบบ native: 2048 × 2048 สำหรับจัตุรัส, 2528 × 1696 สำหรับ 3:2, 2752 × 1536 สำหรับ 16:9 โดยไม่ต้องอัปสเกล ราคาที่ต้องจ่ายคือเวลา บนการ์ดจอทั่วไปที่มีหน่วยความจำ 16 GB weights แบบ int8 ให้ภาพ 1 ล้านพิกเซลในราว 40 วินาที และภาพ 4 ล้านพิกเซลในราวสี่นาทีครึ่งด้วยการตั้งค่าด้านล่าง
ก่อนอื่นเลย: weights อยู่ภายใต้ Qwen Research License ใช้เพื่อการวิจัยและประเมินผลเท่านั้น การใช้เชิงพาณิชย์ใด ๆ ต้องขอใบอนุญาตแยกจาก Qwen ส่วน Qwen-Image รุ่นแรกที่ออกเมื่อสิงหาคม 2025 ใช้ Apache 2.0 แต่ 2.1 ไม่ใช่
วิธีเขียน prompt ให้ Qwen-Image 2.1
เขียนเป็นประโยค ไม่ใช่แท็ก text encoder เป็นโมเดลภาษา: มันอ่านลำดับคำ คำบุพบท และเครื่องหมายคำพูด และตีความทุกอย่างตามตัวอักษร "lighthouse cat" จะกลายเป็นแมวที่วาดอยู่บนประภาคาร โครงสร้างที่ให้ผลดีที่สุดกับเราจากภาพราวหนึ่งพันภาพคือแบบด้านล่าง ตามลำดับนี้
- สื่อและตัวแบบมาก่อน: "An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms" สื่อที่กำหนดไว้ตอนต้นจะย้อมทุกอย่างที่ตามมา
- ฉาก: สถานที่ ยุคสมัย สภาพอากาศ หรือสิ่งที่ลอยอยู่ในอากาศ "in falling cherry blossoms", "in the 1980s", "during a blizzard"
- แสงพร้อมทิศทาง: "lit from the front by soft diffuse light, with gentle shadows" ทิศทางจะถูกทำตาม แต่ "dramatic light" ลอย ๆ จะไม่
- การจัดเฟรม: "close-up of the subject, looking at the viewer", medium shot, มองจากด้านบน, ตัวแบบเล็กจิ๋วในทิวทัศน์กว้างใหญ่
- วัสดุและโทนสี: "flowing ink lines, flat gold leaf background, muted jade and plum" นี่คือสิ่งที่โมเดลเรนเดอร์ได้ดีที่สุดที่ 2K
- ข้อห้าม เขียนไว้ใน prompt: "no lettering, no watermark", "five fingers on each hand" ที่ guidance 1 negative prompt จะถูกมองข้าม prompt จึงต้องแบกข้อห้ามเหล่านี้เอง
prompt ทั้งหมดของภาพประกอบด้านบน ตามลำดับนี้: 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.
ตัวอักษรจะได้ผลเมื่อใส่เครื่องหมายคำพูดและระบุตำแหน่ง: "a banner above the door reads 'OPEN ALL NIGHT'" ออกมาถูกต้องเกือบทุกครั้ง จะเป็นตัวพิมพ์ใหญ่หรือไม่ก็ตาม ในทางกลับกันก็จริงเช่นกัน: หน้าร้าน ร้านอาหาร หรือร้านเกมที่ไม่ได้ขอตัวอักษรจะงอกป้ายที่แต่งขึ้นเอง ดังนั้นให้ใส่ "no lettering" ทุกครั้งที่ฉากมีด้านหน้าอาคาร ตัวละครที่โมเดลไม่รู้จักจะถูกแทนด้วยตัวที่หน้าตาคล้ายกันโดยไม่เตือน: Marsupilami กลายเป็นลิง ส่วน Mothra และ Marvin the Martian ออกมาถูกต้อง การ์ด Qwen ทุกใบในหน้าตัวอย่าง prompt ของเราใช้โครงสร้างนี้ พร้อม seed ขนาด และการตั้งค่า
การตั้งค่าที่ได้ผล วัดจริง
เทมเพลตทางการของ ComfyUI รันที่ guidance (CFG) 1 กับ 25 step ส่วน model card ใช้ 40 step เราเลือก guidance ที่สูงกว่า ทดสอบล่าสุดเมื่อ 16 ตุลาคม 2026 บน seed ชุดเดิม การตั้งค่าเหล่านี้ให้ภาพที่ละเอียดที่สุดและตรงกับ prompt ที่สุด:
| การตั้งค่า | ค่า |
|---|---|
| Guidance (CFG) | 3 พร้อม negative prompt |
| Negative prompt | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| Model patch | APG (eta 1, norm threshold 10, momentum 0.3) ตามด้วย FreSca (low 1, high 2, cutoff 8) ก่อนถึง sampler |
| Sampler | euler, scheduler แบบ simple |
| Step | 25 ที่ 1 ล้านพิกเซล, 20 ที่ 4 ล้านพิกเซล |
| LoRA | ไม่ใช้ |
guidance เป็นค่าเดียวที่ไม่เปลี่ยนฉาก: ที่ seed และขนาดเดียวกัน CFG 1 กับ CFG 3 ให้องค์ประกอบแทบเหมือนกัน สิ่งที่ต่างคือการเรนเดอร์ ที่ CFG 1 ภาพแบนกว่าและเสียพื้นผิวละเอียด: ฝีเข็มของงานปักกลายเป็นผ้า หน้าการ์ตูนเสียรูม่านตาและปาก โลหะเสียหมุดย้ำ ดัน CFG 1 ไป 30 step ได้ความคมกลับมาแต่ไม่ได้วัสดุและคอนทราสต์ ส่วน 40 step ที่ 2 ล้านพิกเซลสะอาดแต่ยังแบนกว่า และอ่าน prompt ได้แม่นยำน้อยลง APG กัน CFG 3 ไม่ให้สีจัดเกิน ส่วน FreSca เพิ่มความคมของความถี่สูง ทั้งคู่ทำงานเฉพาะเมื่อ guidance สูงกว่า 1
ราคาของ guidance ที่สูงกว่า 1 คือการคำนวณรอบที่สองในทุก step: CFG 1 เร็วกว่าสองเท่า บนการ์ดของเราคือ 120 ถึง 135 วินาที เทียบกับ 255 ถึง 275 สำหรับภาพ 4 ล้านพิกเซล และเราพบว่าแบบช้ากว่าคุ้มค่าในทุกคู่จากสิบคู่ทดสอบ
ความละเอียดและ step: อะไรเปลี่ยนภาพ
สองอย่างทำให้เราประหลาดใจ การเปลี่ยนขนาดไม่ได้ย่อขยายภาพ แต่ให้เทคใหม่ของ seed เดิม การไปจาก 1 ล้านพิกเซลเป็น 2.5 หรือ 4 ให้ภาพคนละภาพเสมอ ระหว่าง 2.5 กับ 4 ล้านพิกเซล องค์ประกอบคงอยู่แปดคู่จากสิบ ดังภาพประกอบด้านล่าง ที่มีเพียงรายละเอียดที่ขยับ: ที่ 2.5 ล้านพิกเซล ลายเส้นวงจรย้ายจากรัศมีไปอยู่ที่เส้นผม การเปลี่ยนจำนวน step ก็เปลี่ยนภาพเมื่อช่วงห่างมากพอ: 20 กับ 25 step ให้ภาพแทบเหมือนกัน 16 step เพี้ยนไป จึงไม่มีทางพรีวิวที่ 1 ล้านพิกเซลแล้วเรนเดอร์ภาพเดิมให้ใหญ่ขึ้น เลือกขนาดก่อน แล้วค่อยเลือก seed
เวลาที่วัดด้วย CFG 3, APG และ FreSca, weights แบบ int8 บนการ์ดจอทั่วไป 16 GB หนึ่งใบ:
| ขนาด | Step | เวลาต่อภาพ |
|---|---|---|
| 1 ล้านพิกเซล (1216 × 832) | 25 | ราว 40 วินาที |
| 2.5 ล้านพิกเซล (1920 × 1312) | 20 | 120 ถึง 135 วินาที |
| 4 ล้านพิกเซล (2432 × 1664) | 20 | 255 ถึง 275 วินาที |
| 4 ล้านพิกเซล | 25 | 315 ถึง 335 วินาที |
ที่ 2.5 ล้านพิกเซล รายละเอียดนุ่มกว่าที่ 4 เล็กน้อยเมื่อเทียบบริเวณเดียวกันที่ 100 % แต่โมเดลทำตามสไตล์ของ prompt ได้ดีอย่างน้อยเท่ากัน และในสิบคู่ทดสอบของเราบางครั้งดีกว่า: งานปักชิ้นหนึ่งยังเห็นฝีเข็มที่ 2.5 ล้านพิกเซล แต่กลายเป็นภาพถ่ายที่ 4 สำหรับแกลเลอรีที่แสดงผลที่ 1024 พิกเซล 2.5 ล้านพิกเซลที่ 20 step คือจุดที่ลงตัวที่สุด สำหรับงานพิมพ์ 4 ล้านพิกเซลที่ 20 step
ตัวเร่งความเร็ว: Turbo ทางการ วัดจริง
Lightning LoRA ตัวแรก Qwen-Image-Lightning LoRA แบบ 8 step ของปี 2025 ฝึกบน Qwen-Image รุ่นแรก ซึ่งชั้น attention กว้าง 3072 ส่วน Qwen-Image 2.1 ใช้ 4096 ComfyUI จะพิมพ์ error หนึ่งบรรทัดต่อ attention weight หนึ่งตัว ข้ามไป แล้วเรนเดอร์โมเดลเปล่าใน 8 step: มองผ่าน ๆ คมพอใช้ แต่คุณไม่ได้ LoRA เลย และภาพ 8 step จากโมเดลที่ไม่ได้ distill ไม่ใช่สิ่งที่คุณต้องการ
Turbo ทางการ Qwen ปล่อย Qwen-Image-2.1-Turbo เมื่อ 9 ตุลาคม 2026: checkpoint ที่ distill แล้ว รันใน 8 step ที่ CFG 1 ด้วย sigma schedule คงที่ Comfy-Org เผยแพร่เป็นไฟล์ int8 และเป็น LoRA สำหรับโมเดลฐาน พร้อมเทมเพลตของตัวเองใน ComfyUI เราวัดเมื่อ 17 ตุลาคม บน seed และขนาดสิบชุดเดียวกับการเรนเดอร์ CFG 3 ของเรา ด้วยกราฟตามเทมเพลตเป๊ะ
| การตั้งค่า | เวลาต่อภาพ |
|---|---|
| checkpoint Turbo, 8 step, 1 ล้านพิกเซล | 9 ถึง 10 วินาที |
| checkpoint Turbo, 8 step, 4 ล้านพิกเซล | 38 ถึง 39 วินาที |
| checkpoint ฐานบวก Turbo LoRA, 8 step, 4 ล้านพิกเซล | 52 ถึง 55 วินาที |
| การตั้งค่าของเรา, CFG 3, 20 step, 4 ล้านพิกเซล | 255 ถึง 275 วินาที |
เร็วขึ้นเจ็ดเท่าที่ 4 ล้านพิกเซล สี่เท่าที่ 1 และภาพสะอาด: คม แสงดี ไม่มีกายวิภาคพลาดบนสิบ seed ของเรา ตัวอักษรถูกต้องตรงจุดที่โมเดลฐานทำได้ถูก วัตถุใน prompt อยู่ครบ บางครั้งดีกว่าโมเดลฐานด้วยซ้ำ: เต่าในรถแข่งของมัน ซึ่งโมเดลฐานทำหล่นหายในทุกการเรนเดอร์ของเรา ปรากฏขึ้นมากับ Turbo สิ่งที่เสียไปคือสื่อ โมเดลที่ distill แล้วเอนไปทางภาพถ่ายสมจริงไม่ว่า prompt จะขออะไร: งานปักรูปจระเข้กลายเป็นภาพถ่ายจระเข้ ภาพวาดถ่านเสียเกรน Marvin the Martian แบบกระดาษตัดกลายเป็นของเล่นไวนิล ตัวอักษรที่แต่งขึ้นบนด้านหน้าอาคารเหมือนกับโมเดลฐาน LoRA บน checkpoint ฐานให้ภาพเดียวกับ checkpoint Turbo เพียงแต่ช้ากว่า checkpoint จึงเป็นตัวที่ควรดาวน์โหลด seed เดิมให้ภาพต่างจากโมเดลฐาน เหมือนทุกครั้งที่เปลี่ยนขนาด และใบอนุญาตเหมือนเดิม คือวิจัยและประเมินผลเท่านั้น
การใช้งานของเรา: โหมดร่าง ได้ตัวเลือกต่อชั่วโมงมากขึ้นเจ็ดเท่าไว้คัด แล้วเรนเดอร์จริงด้วย CFG 3 สำหรับทุกอย่างที่เป็นภาพวาด ภาพสเก็ตช์ หรืองานฝีมือ ส่วน prompt แนวภาพถ่าย ผลจาก Turbo มักดีพอใช้ได้เลย
การ distill อื่น ๆ LightX2V เผยแพร่ Lightning LoRA แบบ 4 step สำหรับ 2.1 เมื่อ 13 ตุลาคม 2026 และยังมี LoRA แบบ 8 step จากชุมชนชื่อ Turbo8 ทั้งคู่รันที่ CFG 1 เหมือน Turbo ทางการ เรายังไม่ได้วัด
โหนด prefix cache โหนด QwenImage21Cache ของ ComfyUI แค่กำหนดอุปกรณ์และความละเอียดเชิงตัวเลขของ cache ที่โมเดลเก็บอยู่แล้ว ที่ค่าเริ่มต้นมันไม่เปลี่ยนอะไรเลย โหมด int8 ของมันลด cache ลงครึ่งหนึ่ง และช่วยได้เมื่อหน่วยความจำไม่พอที่ 2K หรือตอนแก้ไขภาพด้วยภาพอ้างอิงหลายภาพ เราไม่เห็นความสูญเสียที่มองเห็นได้เลย
step น้อยลง 16 step ประหยัดเวลาราวหนึ่งในห้า แต่เปลี่ยนองค์ประกอบและไม่ได้คมขึ้นกว่า 20 ถ้าเวลาคือข้อจำกัด ลดขนาดก่อนลด step
รัน Qwen-Image 2.1 ในเครื่อง
ComfyUI รองรับโมเดลนี้แบบ native ไฟล์สามไฟล์ไปอยู่ในโฟลเดอร์ตามปกติ: โมเดล diffusion ใน diffusion_models, text encoder Qwen3-VL ใน text_encoders, VAE ใน vae เวอร์ชัน int8 ที่ Comfy-Org เผยแพร่คือตัวที่ควรใช้บนการ์ด 16 GB: weights แบบ bf16 ก็ใช้ได้ แต่ล้นไปใช้หน่วยความจำระบบ และใช้เวลานานกว่าสองถึงหกเท่าสำหรับภาพที่เหมือนกันทุกประการ
กราฟสั้น: UNETLoader, CLIPLoader ชนิด qwen_image, VAELoader, โหนด TextEncodeQwenImage21 ซึ่งรับ prompt และ negative prompt พร้อมกันและส่งออก conditioning ทั้งสอง, latent ว่างขนาดที่เลือก, จากนั้น APG และ FreSca บนเส้นทางของโมเดล, KSampler ที่ CFG 3 กับ euler และ scheduler แบบ simple, และ VAEDecode สำหรับภาพโปร่งใส ให้ครอบตัวแบบด้วยรูปแบบที่ model card แนะนำ: "This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent." แล้วบันทึกเป็น PNG
หน่วยความจำ: โมเดล int8, encoder และ VAE ใส่ใน 16 GB ที่ 1 ล้านพิกเซลได้สบาย ๆ เรารัน 4 ล้านพิกเซลโดยตั้ง prefix cache เป็น int8 และหน่วยความจำไม่เคยหมด ภาพแรกของแต่ละเซสชันใช้เวลานานกว่าระหว่างโหลดไฟล์