怎样用 Qwen-Image 2.1 生成最好的图像？

Qwen-Image 2.1 是什么

Qwen-Image 2.1 用一个检查点做两件事。它从文字生成图像，也能用一句话加最多十张参考图来编辑现有图片。生成部分是一个 70 亿参数的扩散 Transformer。它搭配 Qwen3-VL 8B 文本编码器，在 ComfyUI 中作为单独的文件加载。

正因为编码器是语言模型，它才能读懂完整的句子、版面指令和引号内的词，而不只是关键词列表。

Qwen 称 2.1 在质感、文字排版和人像光照上有所改进。它以原生 2K 工作，无需放大模型：正方形 2048 × 2048，3:2 为 2528 × 1696，16:9 为 2752 × 1536。当提示词要求透明背景时，它还能输出真正的 Alpha 通道。

代价是时间。在一张 16 GB 显存的消费级显卡上，int8 权重生成一张 100 万像素的图约需 40 秒。用下文的参数，一张 400 万像素的图约需四分半钟。

下载前有一点要知道。权重采用 Qwen Research License：仅限研究和评估。任何商业用途都需要向 Qwen 另行申请许可。2025 年 8 月发布的第一代 Qwen-Image 是 Apache 2.0。2.1 不是。

如何为 Qwen-Image 2.1 写提示词

写句子，不要写标签。文本编码器是语言模型。它会读词序、介词和引号，并且把一切都照字面理解。“lighthouse cat”会变成一只画在灯塔上的猫。

下面这个结构在大约一千张图的测试中给出了最好的结果。请保持这个顺序。

• 媒介和主体放最前：“An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms”。开头定下的媒介会给后面的一切染上色彩。
• 场景：地点、年代、天气，或是弥漫在空中的东西。“in falling cherry blossoms”、“in the 1980s”、“during a blizzard”。
• 光线及其方向：“lit from the front by soft diffuse light, with gentle shadows”。方向会被遵守。只写一句“dramatic light”则不会。
• 取景：“close-up of the subject, looking at the viewer”、中景、俯视、辽阔风景中的渺小主体。
• 材质与色板：“flowing ink lines, flat gold leaf background, muted jade and plum”。这是模型在 2K 下渲染得最好的部分。
• 限制条件，直接写进提示词：“no lettering, no watermark”、“five fingers on each hand”。引导系数为 1 时负面提示词会被忽略，所以这些要由提示词本身来承担。

上面这幅插画的完整提示词，按原来的顺序：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.

文字只要加引号并指明位置就能成功。“A banner above the door reads 'OPEN ALL NIGHT'”几乎每次都正确，大写与否都一样。

反过来也成立。没有要求文字的店面、餐馆或游戏厅会自己长出一块编造的招牌。所以只要场景里有外立面，就写上“no lettering”。

模型不认识的角色会被悄悄换成一个相似的替身。Marsupilami 变成了猴子。摩斯拉和 Marvin the Martian 都画对了。

提示词示例页上的每张 Qwen 卡片都遵循这个结构，并附有种子、尺寸和参数。

有效的参数，实测

ComfyUI 官方模板以引导系数（CFG）1 跑 25 步。模型卡用 40 步。下面的参数最终定在 CFG 3。

最近一次测试在 2026 年 10 月 16 日，使用相同的种子，以下参数给出了最细致、也最忠实于提示词的图像：

引导系数是唯一不改变场景的参数。相同种子和尺寸下，CFG 1 和 CFG 3 的构图几乎一样。不同的是渲染。

CFG 1 的图像更平，丢失细微质感。刺绣的针脚变成一块布。卡通脸失去瞳孔和嘴巴。金属没了铆钉。

把 CFG 1 加到 30 步能找回锐度，却找不回材质和对比度。在只试过一次的 200 万像素下，40 步画面干净但仍然偏平，对提示词的理解也不那么可靠。

APG 防止 CFG 3 过饱和。FreSca 锐化高频细节。两者都只在引导系数高于 1 时起作用。

引导系数高于 1 时每一步要多算一遍，所以 CFG 1 快一倍。在测试显卡上，一张 400 万像素的图是 120 到 135 秒对 255 到 275 秒。在十组测试对里，慢的那张每一组都值得。

分辨率与步数：什么会改变画面

和任何扩散模型一样，Qwen-Image 2.1 在尺寸改变时并不会把图放大缩小。它得到的是同一种子的另一次生成，所以在 100 万像素下找到的种子不能沿用到 2K。

从 100 万像素到 250 万或 400 万像素，测试的每一组都得到了一张不同的图。250 万与 400 万像素之间，十组里有八组构图保持不变。

下面的插画里只有细节动了。250 万像素下，电路纹路离开了光环，跑到了头发上。

步数变化一旦拉大，也会改变画面。20 步和 25 步几乎是同一张图。16 步就漂移了。所以没有办法先在 100 万像素下预览、再把同一张图放大渲染。先定尺寸，再挑种子。

以 CFG 3、APG 和 FreSca、int8 权重，在一张 16 GB 消费级显卡上，以横版或对应的竖版实测的时间：

在 250 万像素下，以 100% 比较同一区域时细节比 400 万像素稍软。但模型对提示词风格的遵循至少同样好，在十组测试对里有时还更好。一幅刺绣在 250 万像素下的针脚比 400 万像素更清晰。

对于以 1024 像素展示的图库，250 万像素、20 步是最佳平衡点。要打印的话，400 万像素、20 步。

提速：Turbo、带引导的 Turbo 及其他

Turbo。Qwen 于 2026 年 10 月 9 日发布了 Qwen-Image-2.1-Turbo。这是一个蒸馏检查点，以 CFG 1 跑 8 步，采用固定的 sigma 调度。Comfy-Org 以 int8 文件和基础模型用的 LoRA 两种形式提供，ComfyUI 中有它自己的模板。10 月 17 日，用与本指南 CFG 3 渲染相同的十个种子和尺寸、按模板的原始图结构做了实测。

400 万像素下快七倍，100 万像素下快四倍。图像干净：锐利、光照得当，十个种子里没有解剖错误，与基础模型相同的提示词下文字同样正确。提示词里的物体都在，有时比基础模型还好。那只开赛车的乌龟，基础模型在每一次渲染里都把它丢了，Turbo 却画了出来。

它丢掉的是媒介。在十个种子的每一条非摄影提示词上，蒸馏模型都滑向了摄影写实。一幅鳄鱼刺绣变成了鳄鱼照片。一张炭笔画失去了颗粒。一个剪纸的 Marvin the Martian 变成了搪胶玩偶。外立面上凭空出现的文字与基础模型相同。

在这十个种子上，基础检查点加 LoRA 给出的图像与 Turbo 检查点一样，只是更慢。所以该下载的是检查点。同一个种子会给出与基础模型不同的画面，就像任何尺寸改变一样。许可证相同：仅限研究和评估。

带引导的 Turbo。Turbo 并不锁死在 CFG 1。2026 年 10 月 17 日，在同样的十个种子加上本指南的插画上做了测试。保留它的检查点和 8 个固定 sigma，只取基础预设的引导部分：CFG 3、负面提示词、先 APG 再 FreSca。

图结构就是 Turbo 模板本身。把它的 CFGGuider 从 1 改为 3，填上负面提示词，并在加载器和引导器之间的模型路径上先后插入 APG 和 FreSca。ManualSigmas 节点和采样器保持不变。

结果保住了 Turbo 的构图，并找回了 CFG 1 压平的东西：对比度、饱和度和细微的细节。在本指南的插画上，光环的电路纹路重新变得清晰、镀金，花瓣也回来了。在十个测试种子上，鳞片、皮毛和刺绣背心也同样变得锐利。它找不回的是媒介。那幅刺绣仍然是一张鳄鱼照片。

代价是每一步多算一遍：一张 400 万像素的图 66 到 71 秒，对比 38 到 39 秒。这仍然比基础模型快将近四倍。

下载工作流。带引导的 Turbo 的 ComfyUI 工作流（JSON）可原样渲染出这幅插画：1664 × 2432，种子 57658043，CFG 3 配合 APG 和 FreSca，以及本指南的负面提示词。把文件拖入 ComfyUI 即可；它需要最后一节列出的三个模型文件。可在 CC BY 4.0 许可下自由复用，附上本页链接即可。

不要试图用更多步数来帮 Turbo。在 400 万像素、CFG 3 下给它 20 步和 simple 调度器，像对待基础模型那样，它会过火：发丝生硬，光环有颗粒感，对比度被推得过高。而且要花 169 秒。蒸馏检查点需要的就是它的 8 个 sigma。

一个合理的分工。普通 Turbo 作为草稿模式，每小时多出七倍的候选图用来筛选。带引导的 Turbo 用在摄影类或线条干净的提示词需要快速出细节的时候。CFG 3 的基础模型用于一切绘画、素描或手工质感的东西，也就是媒介本身才是重点的地方。

其他蒸馏版本。LightX2V 于 2026 年 10 月 13 日发布了面向 2.1 的 4 步 Lightning LoRA。社区也有一个 8 步 LoRA，Turbo8。两者都像 Turbo 一样以 CFG 1 运行。这里都没有实测。

前缀缓存节点。ComfyUI 的 QwenImage21Cache 节点只设置模型本就保留的那份缓存的设备和精度。默认值下它什么也不改变。它的 int8 模式把缓存减半，在 2K 或带多张参考图的编辑中显存吃紧时有帮助。这些测试中没有出现可见的损失。

减少步数。16 步省下约五分之一的时间，但会改变构图，锐度也不比 20 步高。如果时间是硬约束，先降尺寸，再降步数。

在本地运行 Qwen-Image 2.1

ComfyUI 原生支持这个模型。三个文件放进惯常的文件夹：扩散模型放 diffusion_models，Qwen3-VL 文本编码器放 text_encoders，VAE 放 vae。

16 GB 显卡应选 Comfy-Org 发布的 int8 版本。bf16 权重也能跑，但会溢出到系统内存，要花两到六倍的时间，却没有可见的收益。

图结构很短：

• UNETLoader，类型为 qwen_image 的 CLIPLoader，VAELoader；
• TextEncodeQwenImage21，同时接收提示词和负面提示词，输出两个条件；
• 一个所选尺寸的空潜在图像；
• 模型路径上先 APG 再 FreSca；
• 一个 CFG 3、euler 加 simple 调度器的 KSampler，然后是 VAEDecode。

要生成透明图像，用模型卡推荐的形式把主体包起来：“This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.”然后保存为 PNG。

显存：100 万像素下，int8 模型、编码器和 VAE 在 16 GB 内运行，不触及系统内存。提示词编码完成后，ComfyUI 会把编码器换出显存。400 万像素下把前缀缓存设为 int8，从未耗尽显存。一次会话的第一张图会因为加载文件而更慢。