Qwen-Image 2.1 là gì
Qwen-Image 2.1 là một checkpoint làm hai việc: tạo ảnh từ văn bản và chỉnh sửa một bức ảnh có sẵn bằng một câu cùng tối đa mười ảnh tham chiếu. Phần tạo ảnh là một diffusion transformer 7 tỷ tham số, ghép với bộ mã hóa văn bản Qwen3-VL 8B, chính là tệp mà ComfyUI nạp cho nó. Nhờ bộ mã hóa là một mô hình ngôn ngữ, nó đọc được trọn câu, chỉ dẫn bố cục và các từ đặt trong ngoặc kép thay vì danh sách từ khóa, và các thử nghiệm của chúng tôi xác nhận điều đó. Nó cũng xuất ảnh có kênh alpha thật sự khi prompt yêu cầu nền trong suốt.
Qwen giới thiệu 2.1 là bản cải thiện về chất liệu bề mặt, kiểu chữ và ánh sáng chân dung, và nó chạy ở 2K gốc: 2048 × 2048 cho ảnh vuông, 2528 × 1696 cho tỷ lệ 3:2, 2752 × 1536 cho 16:9, không cần upscaler. Cái giá phải trả là thời gian. Trên card phổ thông 16 GB VRAM, trọng số int8 cho một ảnh 1 megapixel trong khoảng 40 giây và một ảnh 4 megapixel trong khoảng bốn phút rưỡi với các thiết lập bên dưới.
Trước hết: trọng số được phát hành theo Qwen Research License, chỉ dành cho nghiên cứu và đánh giá, mọi mục đích thương mại đều cần một giấy phép riêng từ Qwen. Qwen-Image đầu tiên, phát hành tháng 8 năm 2025, theo Apache 2.0; 2.1 thì không.
Cách viết prompt cho Qwen-Image 2.1
Hãy viết thành câu, đừng viết tag. Bộ mã hóa văn bản là một mô hình ngôn ngữ: nó đọc trật tự từ, giới từ và dấu ngoặc kép, và hiểu mọi thứ theo nghĩa đen. “lighthouse cat” sẽ thành một con mèo vẽ trên ngọn hải đăng. Cấu trúc cho chúng tôi kết quả tốt nhất sau khoảng một nghìn bức ảnh là cấu trúc dưới đây, theo đúng thứ tự này.
- Chất liệu và chủ thể trước tiên: “An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms”. Chất liệu đặt ở đầu sẽ nhuộm màu mọi thứ theo sau.
- Bối cảnh: nơi chốn, thời đại, thời tiết, hoặc thứ đang lấp đầy không trung. “in falling cherry blossoms”, “in the 1980s”, “during a blizzard”.
- Ánh sáng kèm hướng chiếu: “lit from the front by soft diffuse light, with gentle shadows”. Hướng chiếu được tuân theo; một câu “dramatic light” trơ trọi thì không.
- Khung hình: “close-up of the subject, looking at the viewer”, trung cảnh, nhìn từ trên cao, chủ thể bé xíu giữa một khung cảnh mênh mông.
- Vật liệu và bảng màu: “flowing ink lines, flat gold leaf background, muted jade and plum”. Đây là thứ mô hình thể hiện đẹp nhất ở 2K.
- Các giới hạn, viết ngay trong prompt: “no lettering, no watermark”, “five fingers on each hand”. Ở guidance 1, negative prompt bị bỏ qua, nên chính prompt phải gánh những điều này.
Toàn bộ prompt của bức minh họa phía trên, theo đúng thứ tự ấy: 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.
Chữ sẽ ra đúng khi được đặt trong ngoặc kép và chỉ rõ vị trí: “a banner above the door reads 'OPEN ALL NIGHT'” gần như lần nào cũng đúng, viết hoa hay không cũng vậy. Điều ngược lại cũng đúng: một mặt tiền cửa hàng, một quán ăn hay một tiệm trò chơi mà không yêu cầu chữ sẽ tự mọc ra một tấm biển bịa đặt, nên hãy ghi “no lettering” mỗi khi cảnh có mặt tiền nhà. Nhân vật nào mô hình không biết sẽ bị thay bằng một hình tương tự mà không báo trước: Marsupilami thành một con khỉ, trong khi Mothra và Marvin the Martian ra đúng. Mọi thẻ Qwen trên trang prompt mẫu của chúng tôi đều theo cấu trúc này, kèm seed, kích thước và thiết lập.
Những thiết lập hiệu quả, đã đo
Template ComfyUI chính thức chạy ở guidance (CFG) 1 với 25 bước, còn model card dùng 40 bước. Chúng tôi chọn guidance cao hơn. Thử nghiệm lần cuối ngày 16 tháng 10 năm 2026, trên cùng các seed, các thiết lập sau cho ảnh chi tiết nhất và bám prompt nhất:
| Thiết lập | Giá trị |
|---|---|
| Guidance (CFG) | 3, kèm 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 |
| Các patch mô hình | APG (eta 1, norm threshold 10, momentum 0.3) rồi FreSca (low 1, high 2, cutoff 8), đặt trước sampler |
| Sampler | euler, scheduler simple |
| Số bước | 25 ở 1 megapixel, 20 ở 4 megapixel |
| LoRA | không |
Guidance là thiết lập duy nhất không làm đổi cảnh: cùng seed và kích thước, CFG 1 và CFG 3 cho bố cục gần như giống hệt, khác nhau ở cách thể hiện. Ở CFG 1 ảnh phẳng hơn và mất các chi tiết chất liệu nhỏ: mũi thêu biến thành vải, mặt nhân vật hoạt hình mất con ngươi và miệng, kim loại mất đinh tán. Đẩy CFG 1 lên 30 bước lấy lại được độ nét nhưng không lấy lại được vật liệu lẫn độ tương phản; 40 bước ở 2 megapixel thì sạch nhưng vẫn phẳng hơn, và đọc prompt kém ổn định hơn. APG giữ cho CFG 3 không bị quá bão hòa, còn FreSca làm nét các tần số cao; cả hai chỉ có tác dụng khi guidance lớn hơn 1.
Cái giá của guidance trên 1 là thêm một lượt tính mỗi bước: CFG 1 nhanh gấp đôi. Trên card của chúng tôi, đó là 120 đến 135 giây so với 255 đến 275 giây cho một ảnh 4 megapixel, và trong cả mười cặp thử nghiệm, chúng tôi đều thấy bản chậm hơn đáng giá.
Độ phân giải và số bước: điều gì làm thay đổi bức ảnh
Có hai điều khiến chúng tôi bất ngờ. Đổi kích thước không phóng to hay thu nhỏ ảnh, mà tạo ra một phiên bản khác của cùng seed. Đi từ 1 megapixel lên 2.5 hay 4 lần nào cũng cho chúng tôi một bức khác; giữa 2.5 và 4 megapixel, bố cục giữ nguyên ở tám trên mười cặp, như bức minh họa bên dưới, nơi chỉ có chi tiết là dịch chuyển: ở 2.5 megapixel, những đường mạch điện rời vầng hào quang để chuyển sang mái tóc. Đổi số bước cũng làm đổi ảnh khi chênh lệch đủ lớn: 20 và 25 bước cho gần như cùng một bức, 16 bước thì lệch đi. Vì vậy không có cách nào xem trước ở 1 megapixel rồi tạo lại đúng bức ấy ở cỡ lớn hơn. Hãy chọn kích thước trước, rồi mới chọn seed.
Thời gian đo với CFG 3, APG và FreSca, trọng số int8, trên một card phổ thông 16 GB:
| Kích thước | Số bước | Thời gian mỗi ảnh |
|---|---|---|
| 1 megapixel (1216 × 832) | 25 | khoảng 40 giây |
| 2.5 megapixel (1920 × 1312) | 20 | 120 đến 135 giây |
| 4 megapixel (2432 × 1664) | 20 | 255 đến 275 giây |
| 4 megapixel | 25 | 315 đến 335 giây |
Ở 2.5 megapixel, chi tiết hơi mềm hơn so với 4 khi so cùng một vùng ở 100%, nhưng mô hình bám phong cách của prompt ít nhất cũng tốt bằng, và trong mười cặp thử nghiệm của chúng tôi đôi khi còn tốt hơn: một bức thêu giữ được mũi chỉ nhìn thấy rõ ở 2.5 megapixel và biến thành ảnh chụp ở 4. Với một thư viện hiển thị ở 1024 pixel, 2.5 megapixel với 20 bước là điểm tối ưu. Để in, 4 megapixel với 20 bước.
Tăng tốc: bản Turbo chính thức, đã đo
LoRA Lightning đầu tiên. LoRA Qwen-Image-Lightning 8 bước của năm 2025 được huấn luyện trên Qwen-Image đời đầu, có các lớp attention rộng 3072. Qwen-Image 2.1 dùng 4096. ComfyUI in một lỗi cho mỗi trọng số attention, bỏ qua chúng và chạy mô hình gốc không có LoRA trong 8 bước: thoạt nhìn đủ nét, nhưng bạn không hề nhận được LoRA, và một ảnh 8 bước từ mô hình chưa chưng cất không phải thứ bạn muốn.
Bản Turbo chính thức. Qwen phát hành Qwen-Image-2.1-Turbo ngày 9 tháng 10 năm 2026: một checkpoint chưng cất chạy 8 bước ở CFG 1 với lịch sigma cố định, được Comfy-Org cung cấp dưới dạng tệp int8 và dạng LoRA cho mô hình gốc, có template riêng trong ComfyUI. Chúng tôi đo nó ngày 17 tháng 10 trên cùng mười seed và kích thước như các bản CFG 3 của mình, với đúng đồ thị của template.
| Thiết lập | Thời gian mỗi ảnh |
|---|---|
| Checkpoint Turbo, 8 bước, 1 megapixel | 9 đến 10 giây |
| Checkpoint Turbo, 8 bước, 4 megapixel | 38 đến 39 giây |
| Checkpoint gốc cộng LoRA Turbo, 8 bước, 4 megapixel | 52 đến 55 giây |
| Thiết lập của chúng tôi, CFG 3, 20 bước, 4 megapixel | 255 đến 275 giây |
Nhanh gấp bảy lần ở 4 megapixel, gấp bốn ở 1, và ảnh sạch: nét, sáng đẹp, không lỗi giải phẫu nào trên mười seed của chúng tôi, chữ đúng ở những chỗ mô hình gốc cũng làm đúng. Các đối tượng trong prompt đều có mặt, đôi khi còn tốt hơn mô hình gốc: con rùa trong chiếc xe đua, thứ mà mô hình gốc bỏ sót trong mọi lần tạo của chúng tôi, đã xuất hiện với Turbo. Thứ nó đánh mất là chất liệu. Mô hình chưng cất trôi về phía ảnh chụp thực tế bất kể prompt yêu cầu gì: một bức thêu cá sấu thành ảnh chụp cá sấu, một bức vẽ than mất đi chất hạt, một Marvin the Martian cắt giấy biến thành đồ chơi nhựa vinyl. Chữ bịa trên mặt tiền nhà thì giống hệt mô hình gốc. LoRA trên checkpoint gốc cho ảnh y như checkpoint Turbo, chỉ chậm hơn, nên checkpoint mới là thứ nên tải về. Cùng một seed cho bức khác với mô hình gốc, như mọi lần đổi kích thước, và giấy phép vẫn vậy, chỉ dành cho nghiên cứu và đánh giá.
Cách chúng tôi dùng nó: chế độ nháp. Mỗi giờ có số ứng viên gấp bảy lần để sàng lọc, rồi tạo bản cuối với CFG 3 cho bất cứ thứ gì thuộc loại tranh vẽ, hình vẽ tay hay thủ công. Với prompt kiểu ảnh chụp, kết quả Turbo thường đã đủ tốt để dùng ngay.
Các bản chưng cất khác. LightX2V công bố một LoRA Lightning 4 bước cho 2.1 ngày 13 tháng 10 năm 2026, và cũng có một LoRA 8 bước của cộng đồng, Turbo8; cả hai đều chạy ở CFG 1 như Turbo chính thức. Chúng tôi chưa đo chúng.
Node bộ nhớ đệm tiền tố. Node QwenImage21Cache của ComfyUI chỉ đặt thiết bị và độ chính xác cho bộ nhớ đệm mà mô hình vốn đã giữ; ở giá trị mặc định nó không thay đổi gì. Chế độ int8 của nó giảm một nửa bộ nhớ đệm và giúp ích khi thiếu bộ nhớ ở 2K hoặc khi chỉnh sửa với nhiều ảnh tham chiếu. Chúng tôi không thấy chất lượng giảm sút gì khi dùng nó.
Ít bước hơn. 16 bước tiết kiệm khoảng một phần năm thời gian nhưng làm đổi bố cục và không nét hơn 20 bước. Nếu thời gian là giới hạn, hãy hạ kích thước trước khi hạ số bước.
Chạy Qwen-Image 2.1 trên máy của bạn
ComfyUI hỗ trợ sẵn mô hình này. Ba tệp đặt vào các thư mục quen thuộc: mô hình diffusion vào diffusion_models, bộ mã hóa văn bản Qwen3-VL vào text_encoders, VAE vào vae. Các bản int8 do Comfy-Org phát hành là lựa chọn cho card 16 GB: trọng số bf16 cũng chạy được nhưng tràn sang bộ nhớ hệ thống và mất lâu gấp hai đến sáu lần cho những bức ảnh giống hệt.
Đồ thị khá ngắn: UNETLoader, CLIPLoader với type qwen_image, VAELoader, node TextEncodeQwenImage21 nhận cả prompt lẫn negative prompt và xuất ra cả hai conditioning, một latent rỗng ở kích thước đã chọn, rồi APG và FreSca trên đường mô hình, một KSampler ở CFG 3 với euler và scheduler simple, và VAEDecode. Để có ảnh trong suốt, bọc chủ thể trong dạng mà model card khuyến nghị: “This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.”, và lưu dưới dạng PNG.
Bộ nhớ: mô hình int8, bộ mã hóa và VAE vừa trong 16 GB ở 1 megapixel mà vẫn dư chỗ; chúng tôi chạy 4 megapixel với bộ nhớ đệm tiền tố đặt ở int8 và chưa bao giờ hết bộ nhớ. Ảnh đầu tiên của một phiên mất lâu hơn trong lúc các tệp được nạp.