Що таке Qwen-Image 2.1
Qwen-Image 2.1 — це один чекпойнт для двох завдань. Модель генерує зображення з тексту й редагує наявну картинку за реченням і щонайбільше десятьма референсними зображеннями. Генеративна частина — дифузійний трансформер на 7 мільярдів параметрів. У парі з ним працює текстовий енкодер Qwen3-VL 8B, який ComfyUI завантажує окремим файлом.
Саме мовна модель у ролі енкодера дає змогу читати цілі речення, вказівки щодо розташування й слова в лапках, а не списки ключових слів.
Qwen подає 2.1 як покращену в текстурах, типографіці й освітленні портретів. Вона працює в нативному 2K без апскейлера: 2048 × 2048 для квадрата, 2528 × 1696 для 3:2, 2752 × 1536 для 16:9. Коли промпт просить прозорий фон, модель також видає справжній альфа-канал.
Ціна — час. На споживчій карті з 16 ГБ відеопам’яті ваги int8 дають зображення на 1 мегапіксель приблизно за 40 секунд. Зображення на 4 мегапікселі займає приблизно чотири з половиною хвилини з наведеними нижче налаштуваннями.
Одне варто знати перед завантаженням. Ваги поширюються за ліцензією Qwen Research License: лише для досліджень та оцінювання. Будь-яке комерційне використання потребує окремої ліцензії від Qwen. Перша Qwen-Image, випущена в серпні 2025 року, була під Apache 2.0. Версія 2.1 — ні.
Як написати промпт для Qwen-Image 2.1
Пишіть речення, а не теги. Текстовий енкодер — мовна модель. Вона читає порядок слів, прийменники й лапки і сприймає все буквально. Промпт «lighthouse cat» перетворюється на кота, намальованого на маяку.
Структура нижче дала найкращі результати приблизно на тисячі зображень. Дотримуйтеся цього порядку.
- Спершу техніка й об’єкт: «An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms». Техніка, задана на початку, забарвлює все, що йде далі.
- Обстановка: місце, епоха, погода або те, що наповнює повітря. «in falling cherry blossoms», «in the 1980s», «during a blizzard».
- Світло з його напрямком: «lit from the front by soft diffuse light, with gentle shadows». Напрямок модель виконує. Голе «dramatic light» — ні.
- Кадрування: «close-up of the subject, looking at the viewer», середній план, вид згори, крихітний об’єкт у величезному пейзажі.
- Матеріали й палітра: «flowing ink lines, flat gold leaf background, muted jade and plum». Саме це модель рендерить найкраще у 2K.
- Обмеження, вписані в промпт: «no lettering, no watermark», «five fingers on each hand». За guidance 1 негативний промпт ігнорується, тож нести їх має сам промпт.
Увесь промпт ілюстрації вище, саме в такому порядку: 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.
Текст виходить, коли він у лапках і має своє місце. «A banner above the door reads 'OPEN ALL NIGHT'» відтворюється правильно майже щоразу, великими літерами чи ні.
Працює і зворотне. Вітрина, закусочна чи зал ігрових автоматів, для яких тексту не просили, обростуть вигаданою вивіскою. Тож пишіть «no lettering» щоразу, коли в сцені є фасад.
Персонажів, яких модель не знає, вона без попередження замінює на двійника. Marsupilami став мавпою. Mothra і Marvin the Martian вийшли правильно.
Кожна картка Qwen на сторінці прикладів промптів дотримується цієї структури, зі своїм seed, розміром і налаштуваннями.
Налаштування, які працюють: виміряно
Офіційний шаблон ComfyUI працює з guidance (CFG) 1 і 25 кроками. Картка моделі використовує 40 кроків. Налаштування нижче зупинилися на CFG 3.
Під час останнього тесту 16 жовтня 2026 року, на тих самих seed, найдетальніші й найточніші зображення дали такі налаштування:
| Налаштування | Значення |
|---|---|
| Guidance (CFG) | 3, з негативним промптом |
| Негативний промпт | artifacts, washed-out colors, low quality, low resolution, blurry, extra fingers, missing fingers, deformed hands, bad anatomy, extra limbs, text, watermark, signature |
| Патчі моделі | APG (eta 1, norm threshold 10, momentum 0.3), потім FreSca (low 1, high 2, cutoff 8), перед семплером |
| Семплер | euler, планувальник simple |
| Кроки | 25 на 1 мегапікселі, 20 на 2.5 і 4 мегапікселях |
| LoRA | немає |
Guidance — єдине налаштування, яке не змінює сцену. За того самого seed і розміру CFG 1 і CFG 3 дають майже однакову композицію. Різниться рендеринг.
За CFG 1 зображення пласкіше і втрачає дрібну фактуру. Стібки вишивки перетворюються на тканину. Мультяшне обличчя втрачає зіниці й рот. Метал втрачає заклепки.
Якщо підняти CFG 1 до 30 кроків, різкість повертається, але не матеріали й не контраст. На 2 мегапікселях, розмірі, випробуваному один раз, 40 кроків дають чисте, але все одно пласкіше зображення, і промпт воно читає менш надійно.
APG не дає CFG 3 перенаситити кольори. FreSca підкреслює високі частоти. Обидва діють лише тоді, коли guidance вищий за 1.
Guidance вище 1 коштує другого проходу на кожному кроці, тож CFG 1 удвічі швидший. На тестовій карті це 120–135 секунд проти 255–275 для зображення на 4 мегапікселі. Повільніший варіант виявився вартим того в кожній із десяти тестових пар.
Роздільність і кроки: що змінює зображення
Як і будь-яка дифузійна модель, Qwen-Image 2.1 не масштабує зображення, коли змінюється розмір. Вона дає інший дубль того самого seed, тож seed, знайдений на 1 мегапікселі, не переноситься на 2K.
Перехід від 1 мегапікселя до 2.5 чи 4 давав іншу картинку в кожній перевіреній парі. Між 2.5 і 4 мегапікселями композиція втрималася у восьми парах із десяти.
На ілюстрації нижче зрушили лише деталі. На 2.5 мегапікселя провідні доріжки перейшли з ореолу у волосся.
Зміна кількості кроків теж змінює зображення, щойно розрив стає великим. 20 і 25 кроків дають майже ту саму картинку. 16 кроків — уже іншу. Тож немає способу зробити прев’ю на 1 мегапікселі й відрендерити те саме зображення більшим. Спершу виберіть розмір, потім seed.
Час, виміряний із CFG 3, APG і FreSca, вагами int8, на одній споживчій карті з 16 ГБ, у горизонтальній або відповідній вертикальній орієнтації:
| Розмір | Кроки | Час на зображення |
|---|---|---|
| 1 мегапіксель (1216 × 832) | 25 | близько 40 с |
| 2.5 мегапікселя (1920 × 1312) | 20 | 120–135 с |
| 4 мегапікселі (2432 × 1664) | 20 | 255–275 с |
| 4 мегапікселі | 25 | 315–335 с |
На 2.5 мегапікселя деталі трохи м’якші, ніж на 4, якщо порівнювати ту саму ділянку у 100 %. Але стилю промпту модель дотримується щонайменше так само добре, а в десяти тестових парах подекуди й краще. Вишивка показала стібки чіткіше на 2.5 мегапікселя, ніж на 4.
Для галереї, яку віддають у 1024 пікселях, оптимум — 2.5 мегапікселя за 20 кроків. Для друку — 4 мегапікселі за 20 кроків.
Прискорення: Turbo, керований Turbo і решта
Turbo. 9 жовтня 2026 року Qwen випустила Qwen-Image-2.1-Turbo. Це дистильований чекпойнт, який працює за 8 кроків із CFG 1 і фіксованим розкладом сигм. Comfy-Org постачає його як файл int8 і як LoRA для базової моделі, з власними шаблонами в ComfyUI. Його виміряно 17 жовтня на тих самих десяти seed і розмірах, що й рендери з CFG 3 у цьому посібнику, із точним графом шаблону.
| Налаштування | Час на зображення |
|---|---|
| Чекпойнт Turbo, 8 кроків, CFG 1, 1 мегапіксель | 9–10 с |
| Чекпойнт Turbo, 8 кроків, CFG 1, 4 мегапікселі | 38–39 с |
| Керований Turbo, описаний нижче: чекпойнт Turbo, 8 кроків, CFG 3 з APG і FreSca, 4 мегапікселі | 66–71 с |
| Базовий чекпойнт плюс LoRA Turbo, 8 кроків, CFG 1, 4 мегапікселі | 52–55 с |
| Базовий чекпойнт, CFG 3, 20 кроків, 4 мегапікселі | 255–275 с |
Усемеро швидше на 4 мегапікселях, учетверо — на 1. Зображення чисті: різкі, добре освітлені, без анатомічних похибок на десяти seed, текст правильний на тих самих промптах, що й у базової моделі. Об’єкти з промпту на місці, подекуди навіть краще, ніж у базової моделі. Черепаха у своєму гоночному авто, яку базова модель губила в кожному рендері, з Turbo з’явилася.
Втрачає він техніку. На кожному нефотографічному промпті з десяти seed дистильована модель дрейфувала до фотографічного реалізму. Вишивка з крокодилом стала фотографією крокодила. Вугільний малюнок втратив зерно. Marvin the Martian у техніці витинанки перетворився на вінілову іграшку. Вигадані написи на фасадах такі самі, як у базової моделі.
На десяти seed LoRA на базовому чекпойнті дала ті самі зображення, що й чекпойнт Turbo, лише повільніше. Тож завантажувати варто саме чекпойнт. Seed дає іншу картинку, ніж у базової моделі, як і за будь-якої зміни розміру. Ліцензія та сама: лише дослідження та оцінювання.
Керований Turbo. Turbo не прив’язаний до CFG 1. Перевірено 17 жовтня 2026 року на тих самих десяти seed і на ілюстрації цього посібника. Залиште його чекпойнт і його 8 фіксованих сигм, а з базового пресету візьміть лише блок guidance: CFG 3, негативний промпт, APG, потім FreSca.
Граф — це сам шаблон Turbo. Поставте в його CFGGuider 3 замість 1, заповніть негативний промпт і вставте APG, а потім FreSca на шляху моделі між завантажувачем і гайдером. Вузол ManualSigmas і семплер залишаються як є.
Результат зберігає композицію Turbo і повертає те, що CFG 1 сплощив: контраст, насиченість і дрібні деталі. На ілюстрації цього посібника провідні доріжки ореолу повертаються чіткими й позолоченими, а пелюстки з’являються знову. На десяти тестових seed луска, хутро й вишитий жилет стають так само різкішими. Техніку він не повертає. Вишивка залишається фотографією крокодила.
Ціна — другий прохід на кожному кроці: 66–71 секунда для зображення на 4 мегапікселі проти 38–39. Це все одно майже вчетверо швидше за базову модель.
Завантажте workflow. Workflow ComfyUI для керованого Turbo (JSON) рендерить цю ілюстрацію такою, як вона є: 1664 × 2432, seed 57658043, CFG 3 з APG і FreSca, негативний промпт цього посібника. Перетягніть файл у ComfyUI; він очікує три файли моделі, названі в останньому розділі. Вільне повторне використання за ліцензією CC BY 4.0, з посиланням на цю сторінку.
Не намагайтеся допомогти Turbo більшою кількістю кроків. З 20 кроками і планувальником simple на 4 мегапікселях і CFG 3, ніби це базова модель, він перепікає зображення: жорсткі пасма волосся, зернистий ореол, перетягнутий контраст. І це займає 169 секунд. Дистильований чекпойнт хоче своїх 8 сигм.
Розумний поділ. Звичайний Turbo як чорновий режим, з усемеро більшою кількістю кандидатів на годину для відбору. Керований Turbo, коли фотографічний промпт або промпт із чистими лініями потребує деталей швидко. Базова модель із CFG 3 для всього мальованого, рисованого чи рукотворного, де суть — у самій техніці.
Інші дистиляції. LightX2V опублікувала 4-крокову Lightning LoRA для 2.1 13 жовтня 2026 року. Існує й спільнотна 8-крокова LoRA, Turbo8. Обидві працюють із CFG 1, як і Turbo. Жодну з них тут не виміряно.
Вузол кешу префікса. Вузол QwenImage21Cache у ComfyUI лише задає пристрій і точність кешу, який модель і так веде. З типовими значеннями він нічого не змінює. Його режим int8 удвічі зменшує кеш, що допомагає, коли бракує пам’яті у 2K або в редагуванні з кількома референсними зображеннями. Помітних втрат у цих тестах із ним не було.
Менше кроків. 16 кроків економлять приблизно п’яту частину часу, але змінюють композицію і не додають різкості порівняно з 20. Якщо обмеження — час, спершу зменшуйте розмір, а вже потім кроки.
Як запустити Qwen-Image 2.1 локально
ComfyUI підтримує модель нативно. Три файли кладуть у звичні теки: дифузійну модель — у diffusion_models, текстовий енкодер Qwen3-VL — у text_encoders, VAE — у vae.
На карті з 16 ГБ беріть версії int8, опубліковані Comfy-Org. Ваги bf16 теж працюють, але виливаються в системну пам’ять і потребують у два–шість разів більше часу без помітного виграшу.
Граф короткий:
- UNETLoader, CLIPLoader із типом
qwen_image, VAELoader; - TextEncodeQwenImage21, який приймає промпт і негативний промпт разом і видає обидва кондиціонування;
- порожній латент потрібного розміру;
- APG, а потім FreSca на шляху моделі;
- KSampler із CFG 3, euler і планувальником simple, потім VAEDecode.
Для прозорого зображення обгорніть об’єкт у рекомендовану карткою моделі форму: «This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.» Потім збережіть як PNG.
Пам’ять: на 1 мегапікселі модель int8, енкодер і VAE працюють у 16 ГБ, не торкаючись системної пам’яті. ComfyUI вивантажує енкодер з відеопам’яті, щойно промпт закодовано. На 4 мегапікселях кеш префікса було встановлено в int8, і пам’ять не закінчилася жодного разу. Перше зображення в сеансі триває довше, поки завантажуються файли.