Qwen-Image-2.1 i2i: Ausgehend von Ihrem eigenen Bild und warum es keinen Stärke-Slider gibt

Wenn Sie nach Qwen-Image-2.1 i2i gesucht haben, wissen Sie bereits, was Image-to-Image (i2i) bedeutet: Sie übergeben einem Modell ein Bild statt eines leeren Latents, und Sie bekommen ein Bild zurück, das ihm ähnelt. Was diese Seite klärt, ist, wann das bei Qwen-Image-2.1 der richtige Schritt ist – und der Teil, der Leute überrascht, die von anderen Bildmodellen kommen. Bei diesem nämlich gibt es den Strength-Regler, den Sie suchen, nicht. Die eigene Pipeline von Qwen-Image-2.1 nimmt überhaupt kein strength- oder denoise-Argument entgegen: Ihr Referenzbild geht als Kontext ein, das Zielbild startet von reinem Rauschen, und was darüber entscheidet, wie weit die Ausgabe von Ihrer Eingabe abdriftet, ist das, was Sie schreiben. Wenn Sie tatsächlich eine einzelne benannte Sache geändert haben möchten und der Rest unangetastet bleiben soll, ist das eine andere Aufgabe, die von einer anderen Linie innerhalb der Familie erledigt wird – den Qwen-Image-Edit Checkpoints –, und der Vergleich auf dieser Seite ist der Teil, den es sich zuerst zu lesen lohnt, denn wer nach „i2i“ sucht, ist oft nur eine Suche vom falschen Werkzeug entfernt.

Was das Eingabebild tatsächlich tut

Bei Qwen-Image-2.1 gelangt ein Conditioning-Bild über zwei Türen in das Modell, und keine von beiden ist „ein verrauschtes Start-Latent, das man herunterregelt“. Das Repository und die für dieses Modell veröffentlichte diffusers-Pipeline-Klasse beschreiben beides:

• Text-Encoder — beim Text-Encoder handelt es sich um Qwen3-VL 8B, ein Vision-Language-Modell, und im Repository des Anbieters heißt es, dass er die Textanweisung und die Konditionsbilder in eine einzige vereinheitlichte Repräsentation kodiert. Ihr Bild ist buchstäblich Teil dessen, was das Modell als seinen Prompt liest.

• VAE — dasselbe Bild wird in latente Tokens kodiert und dem Rauschen vorangestellt, vor den eigenen Tokens des Zielbilds, sodass der Transformer eine einzige gemeinsame Sequenz sieht, wobei Ihre Referenz zuerst kommt und das, was generiert wird, danach.

• Zielbeginn — die Ziel-Latents werden aus einer Gauß-Verteilung gezogen und über den vollständigen Zeitplan hinweg entrauscht, von Sigma 1,0 abwärts. In dieser Pipeline gibt es keinen Einstiegspunkt für partielles Entrauschen.

Der dritte Punkt ist der ganze Unterschied zu dem i2i, das die meisten Leute verwendet haben. Im klassischen Schema kodierst du dein Eingabebild, fügst ihm Rauschen proportional zu einem Strength-Wert hinzu und entrauschst von diesem Punkt aus – das Eingabebild ist also tatsächlich im Start-Latent vorhanden, und die Strength-Zahl entscheidet, wie viel davon erhalten bleibt. Auf dem eigenen Pfad von Qwen-Image-2.1 ist dein Bild nie der Ausgangspunkt. Es ist Kontext. Die Ausgabe ist keine bereinigte Version deiner Datei; sie ist ein neues Bild, das mit deiner Datei im Raum gemalt wird.

Ein weiteres Detail ist wissenswert, denn genau hier steckt tatsächlich die Abkürzung, die der Leser eingegeben hat. Die Diffusers-Pipeline löst einen expliziten Fehler aus, wenn man versucht, vorab kodierte Latents als Bild zu übergeben, mit dem Kommentar, dass „der Text-Encoder das Bild selbst sehen muss“. Das Bedingungsbild muss aus Pixeln bestehen, nicht aus einem Tensor.

Die Stärkesteuerung und wohin sie verschwunden ist

Diffusers stellt tatsächlich eine img2img-Pipeline für diese Familie bereit, und ihr strength-Argument verhält sich genau so, wie es Ihnen die Fachwelt zu erwarten beigebracht hat. Lesen Sie im Docstring der Klasse selbst nach: Das Bild "wird als Ausgangspunkt verwendet, und es wird mehr Rauschen hinzugefügt, je höher die strength ist", und "ein Wert von 1 ignoriert im Wesentlichen image". Ihre Standardwerte sind strength=0.6 und num_inference_steps=50. Die beiden Enden sind daher die beiden Enden, die Sie bereits kennen:

• Stärke nahe 0 – es wird fast kein Rauschen hinzugefügt, die Denoise-Schleife ist kurz, und die Ausgabe ist kaum von deiner Eingabe zu unterscheiden. Das ist die Einstellung für Farbkorrektur, einen leichten Textur-Durchlauf, eine Beinahe-Kopie.

• Stärke auf 1 — das hinzugefügte Rauschen ist maximal, die Entrauschung durchläuft den vollständigen Ablauf, und das Eingabebild wird praktisch verworfen. Es ist Text-zu-Bild mit einem teuren Leerlauf obendrein.

Hier ist der Haken – und er ist der Grund, warum es diese Seite gibt. Das zusammen mit dieser Pipeline veröffentlichte Beispiel lädt den Checkpoint von 2025, nicht dieses Modell. Qwen-Image-2.1 hat eine eigene Pipeline-Klasse, QwenImage21Pipeline, und sie nimmt kein strengthArgument, kein denoiseArgument und keinen Einstiegspunkt für partielles Rauschen. Welchen Wert du auch immer auf einem anderen Modell gesetzt zu haben glaubst, auf dem 2.1-Pfad gibt es keinen Ort, um ihn zu setzen. Der Hebel ist von einer Zahl zum Prompt gewandert.

Das ist keine Lücke, die der Anbieter offen gelassen hat. Er liefert ein Modell aus, dessen einzige Aufgabe darin besteht, genau diesen Prompt zu schreiben: Qwen-Image-2.1-PE-I2I, einen feinabgestimmten Qwen3.5-VL-9B-Checkpoint, der eine vage Anweisung plus ein oder mehrere Eingabebilder entgegennimmt und ein JSON-Objekt mit einem rewritten_prompt und einem von zwei sich gegenseitig ausschließenden Feldern zurückgibt — wh_ratio, wenn die Anfrage eine neue Komposition erzeugt, oder ratio_follow, wenn sie das Seitenverhältnis eines nummerierten Eingabebildes übernehmen soll. Dieses JSON ist das, was bei Qwen-Image-2.1 einer Stärkeeinstellung am nächsten kommt. Es ist das Modell, das Ihnen sagt, ob Ihre Anfrage den Rahmen der Eingabe beibehält oder einen neuen aufbaut. Beachten Sie, wo die Zeichenfolge „i2i" in der Namensgebung des Anbieters selbst auftaucht: bei diesem Prompt-umschreibenden Checkpoint, nicht bei einem separaten Image-to-Image-Checkpoint. Die 2.1-Generation veröffentlicht keinen.

i2i oder Bearbeitung: die anzuwendende Regel

Wenn du eine Variante willst, greif zu i2i. Wenn du eine Änderung willst, greif zu Editing. Alles andere folgt aus diesem einen Satz.

• Variation — Dir gefällt das Bild und du möchtest mehr davon. Eine andere Aufnahme, anderes Licht, derselbe Charakter in einer neuen Szene, dasselbe Produkt in einer neuen Umgebung. Du kannst nicht eine einzige Sache nennen, die pixelgenau gleich bleiben muss, denn du bewahrst nicht — du malst neu. Das ist eine i2i-Aufgabe.

• Ändern — du kannst die Sache benennen. „Lass die Figur und die Pose unverändert und zieh ihr dieses Hemd an.“ Die Anweisung ist eine Einschränkung, und der Rest des Bildes ist ein Versprechen, das dir zurückgeschuldet wird. Das ist eine Bearbeitungsaufgabe.

Bei Qwen-Image-2.1 sind beide Verhaltensweisen in einem einzigen Checkpoint vereint. Das eigene Veröffentlichungsmaterial des Anbieters bezeichnet es als „ein einheitliches Modell für Text-zu-Bild-Generierung und Bildbearbeitung“, und der dokumentierte Pfad zur lokalen Bearbeitung ist maskenbasiert: den Bereich einkreisen oder bemalen oder das Originalbild und eine separate Maske als zwei Eingaben übergeben. Was die 2.1-Generation nicht mitliefert, ist ein separater Bearbeitungs-Checkpoint.

Die dedizierten Edit-Checkpoints sind eine andere Linie und andere Generationen. Die eigene Modellliste der Anbieterorganisation auf Hugging Face, gelesen am 13. Oktober 2026, führt neun Bildmodelle unter diesem Autor, und die Edit-Einträge darin sind Qwen-Image-Edit (erstellt am 17. August 2025), Qwen-Image-Edit-2509 (22. September 2025) und Qwen-Image-Edit-2511 (17. Dezember 2025). Keines davon ist ein 2.1-Modell. Behandeln Sie daher jede Seite, die „Qwen-Image-Edit 2.1“ sagt, mit Vorsicht: Unter diesem Namen existiert kein Repository in der Auflistung des Anbieters, und die Schreibweisen, die Leute eingeben — „qwen image edit 3“, „qwen image edit 2512“ — entsprechen auch keinem veröffentlichten Repository des Anbieters. Was auch immer eine Behauptung über die Edit-Linie Ihnen sagt, prüfen Sie, um welche Generation es geht, bevor Sie darauf reagieren, denn die Linie umfasst drei datierte Generationen, und die 2.1-Veröffentlichung ist keine davon.

In der Praxis lässt sich die Regel so aufschlüsseln. Wenn Sie die Anweisung als Satz mit einem Ziel darin schreiben können – „Machen Sie den Himmel zum Sonnenuntergang“, „Entfernen Sie die Uhr“ –, sind Sie im Bearbeitungsbereich, und in 2.1 erreichen Sie ihn mit einer Maske oder einer gemalten Anmerkung, statt die Werkzeuge zu wechseln. Wenn Ihr Satz kein Ziel hat und wirklich eine Beschreibung des Bildes ist, das Sie als Nächstes möchten, sind Sie im i2i-Bereich. Wer „i2i“ eingegeben hat und sich dann dabei ertappte, einen Imperativ zu schreiben, ist der Leser, der den Bearbeitungspfad braucht, und das ist der ganze Grund, warum dieser Abschnitt so weit oben auf der Seite steht.

Was dein Eingabebild einschränkt

Fünf Dinge, die Sie in dem Moment korrigieren, in dem Sie eine Referenz auswählen – alle davon dokumentiert im eigenen Code der Pipeline oder in der von ComfyUI veröffentlichten Dokumentation für dieses Modell. Gelesen am 13. Oktober 2026.

• Auflösungsbudget — der Standardwert von output_resolution der 2.1-Pipeline beträgt 1024, und jedes Condition-Bild wird auf ein Budget von output_resolution im Quadrat bei seinem eigenen Seitenverhältnis skaliert, gerundet auf Vielfache von 32. Ein Foto mit 3000×4000 wird daher auf etwa 896×1184 reduziert — rund ein Megapixel —, bevor das Modell auch nur ein einziges Pixel davon sieht. Die ComfyUI-Dokumentation macht die Kosten konkret: Dieselbe Arbeit auf einer Leinwand von 3008×4000 gegenüber etwa 896×1184 läuft mit etwa 6 Sekunden pro Iteration gegenüber etwa 0,3, gemessen auf einer RTX 5090. Eine Verkleinerung der Leinwand macht einen i2i-Lauf schneller, indem sie ein kleineres Bild erzeugt, nicht indem sie Details hinzufügt.

• Seitenverhältnis — wenn du Höhe und Breite weglässt, wird die Ausgabe-Leinwand aus dem Seitenverhältnis des letzten Condition-Bildes abgeleitet, das du übergibst. Einzeln betrachtet behält jede Referenz ihre eigene Form, sodass ein Hochformat und ein Querformat im selben Aufruf mitgeführt werden können, ohne dass eines auf den Rahmen des anderen zugeschnitten wird.

• Vielfache von 32 — die Pipeline warnt und passt die Größe stillschweigend an, wenn Höhe oder Breite nicht durch den doppelten VAE-Skalierungsfaktor teilbar ist, der bei diesem Modell 32 beträgt. Wenn du eine Leinwand manuell auswählst, runde sie.

• Native Größe — Qwen-Image-2.1 ist auf 2K trainiert, und die vom Repository empfohlenen Größen liegen alle in diesem Bereich: 2048×2048 für 1:1, 2752×1536 für 16:9, 1536×2752 für 9:16 und 2400×1792 für 4:3. Die ComfyUI-Dokumentation gibt an, dass das Standardziel ein Megapixel beträgt, dass man für ein natives 2048×2048-Quadrat etwa 4,0 MP einstellt, und — die nützliche Warnung — dass ein Ziel weit über der trainierten Größe, beispielsweise 4K, die Prompt-Treue verliert, statt Details zu gewinnen.

• Alpha — wenn Ihre Referenz Transparenz aufweist, wird dem Vision-Encoder eine Kopie übergeben, die über Weiß zusammengesetzt wurde; nur die VAE-Kopie behält alle vier Kanäle. Alles, was Sie erwarten, dass das Modell über Ihre Transparenz versteht, wird von der Textseite als weißer Hintergrund gelesen.

Was überlebt und was neu erfunden wird

Seien Sie hier präzise, denn das Release-Material und der Mechanismus besagen Unterschiedliches, und beides ist wahr.

• Dokumentiert als beständig — der Anbieter behauptet, in zwei Bereichen für Treue zu sorgen: Porträtidentität, damit eine Person über Bearbeitungen und Generationen hinweg erkennbar bleibt, und Produktkonsistenz, die Text, Texturen und Form erhält. Dabei handelt es sich um Anbieteraussagen, die mit Beispielen im direkten Vergleich illustriert werden, statt an eine Messung geknüpft zu sein, und für keines der beiden wurde in dem Material, das am 13. Oktober 2026 für diese Seite gelesen wurde, eine unabhängige Bewertung veröffentlicht.

• Auf Pixelebene garantiert — nichts. Deine Referenz sind Kontext-Tokens und ein Vision-Präfix; das Ziel ist Rauschen. Jeder Teil der Eingabe, den dein Prompt weder anspricht noch impliziert, darf sich frei ändern, und keine Einstellung in der Pipeline hält ihn an seinem Platz. Wenn ein Detail sich nicht verändern darf, benenne es im Prompt, denn nichts anderes wird es tun.

• Markierungen gelangen in die Eingabe — im dokumentierten Bearbeitungsworkflow von ComfyUI landen Malstiftstriche auf der RGB-Ebene des Bildes statt in einer Maske, sodass beim Speichern das markierte Bild zurück in den Node geschrieben wird und die Markierungen Teil der Referenz werden, die das Modell liest. Belassen Sie eine Markierung innerhalb des Bereichs, den Sie ändern möchten, und geben Sie die gewünschte Farbe ebenfalls im Prompt an, da die Farbe der Markierung andernfalls in der Ausgabe auftauchen kann.

• Eine nicht übereinstimmende Leinwand verschiebt das Ergebnis — ComfyUIs Dokumentation empfiehlt, eine benutzerdefinierte Leinwand nahe an der skalierten Größe des ersten Referenzbilds zu halten, „andernfalls kann sich die Bearbeitung verschieben“. Eine Eingabe, deren Form von der von Ihnen angeforderten Leinwand abweicht, wird nicht in Letterbox eingepasst; sie wird verschoben.

• Determinismus erfordert zwei Einstellungen, nicht eine – das Umschalten von use_kv_cache in der 2.1-Pipeline ändert das Sample bei festem Seed, weil der Cache den Decode-Schritt mit einem anderen Sequenzlayout attendieren lässt als den Prefill-Schritt, sodass die beiden „gleichermaßen gültige, aber sichtbar unterschiedliche Samples liefern“. Die Pipeline selbst empfiehlt, das Flag festzulegen. In ComfyUI ist die entsprechende Steuerung die Speicherpräzision des Cache-Knotens, wobei – ComfyUIs eigene Angaben, ungeprüft – int8 den Cache bei etwa bf16-Genauigkeit halbiert und int4 ihn auf ein Viertel reduziert, während sich der Fehler pro Schritt in etwa verdoppelt.

Wo i2i das falsche Tool ist

Fünf Fälle, jeweils mit der genannten Alternative.

• Du kannst genau benennen, was geändert werden soll. Verwende den Instruktionspfad auf Qwen-Image-2.1 – male den Bereich an oder umkreise ihn, oder übergib eine separate Maske als zweite Eingabe – oder einen dedizierten Checkpoint aus der Qwen-Image-Edit-Reihe. i2i wird das Bild um dein Ziel herum mitsamt dem Ziel selbst neu malen.

• Du benötigst, dass die Originalpixel erhalten bleiben. i2i erzeugt ein neues Bild; es behält keine bei. Der Maskenpfad ist derjenige, der dafür gedacht ist, den Rest des Frames unangetastet zu lassen.

• Du brauchst 4K.Oberhalb der trainierten Größe von 2K verliert das Modell die Prompt-Treue, laut der ComfyUI-Dokumentation. i2i bei 4K ist ein langsamerer Durchlauf, der deiner Beschreibung weniger folgt, kein schärferer.

• Feine Details aus der Eingabe müssen originalgetreu wiedergegeben werden. Das Konditionierungsbild wird zunächst auf ein Budget von ungefähr einem Megapixel herunterskaliert, sodass eine 12-Megapixel-Referenz das Modell nie in voller Auflösung erreicht. Details, die kleiner als dieses Budget sind, sind bereits vor Beginn des Denoising verschwunden.

• Sie benötigen einen bit-identischen wiederholten Lauf. Legen Sie das KV-Cache-Flag und den Seed fest, und ändern Sie jeweils nur eine Einstellung – andernfalls vergleichen Sie zwei verschiedene Sampler und nennen es Rauschen.

Ein Querverweis, weil er zur Sprache kommen wird: Der am 9. Oktober 2026 veröffentlichte Turbo-Checkpoint verwendet dieselbe 7B-Architektur zur visuellen Generierung und denselben Pfad zur Bildkonditionierung und führt den Zeitplan in 8 Denoising-Schritten statt in etwa 40 aus. Daran, wie Ihr Eingabebild verwendet wird, ändert sich zwischen den beiden nichts. Wenn Sie den i2i-Pfad mit hoher Geschwindigkeit möchten, ist das der Checkpoint, den Sie laden sollten; wenn Sie debuggen, warum Ihre Referenz ignoriert wird, ist die Schrittanzahl nicht die Variable.

Was als Nächstes zu tun ist

Beginne mit dem eigenen Schnellstart des Anbieters auf der Modellkarte statt mit einem Tutorial und lies die Argumentliste des Bearbeitungsbeispiels: Es übergibt image=input_image, setzt num_inference_steps, und hat nirgends ein Strength-Argument. Dieses Fehlen ist der ganze Punkt dieser Seite, und es im Code des Anbieters zu sehen, geht schneller, als einer Zusammenfassung zu glauben.

Setzen Sie von dort aus output_resolution auf die Größe, die Sie tatsächlich benötigen, bevor Sie irgendetwas über die Ähnlichkeit beurteilen, halten Sie Ihre Arbeitsfläche nach Möglichkeit bei den nativen 2K-Voreinstellungen, und schreiben Sie den Prompt so, als wäre die Referenz ein Foto, das neben dem Prompt liegt, und nicht ein Latents-Tensor, der gerade teilweise entrauscht wird – denn bei diesem Modell ist es genau das. Und wenn Sie sich nach drei Versuchen dabei ertappen, sagen zu wollen: „Ändere nur das, lass alles andere unverändert“, dann hören Sie auf. Dieser Satz ist Ihr Signal, dass i2i der falsche Weg ist, und die Edit-Linie ist der Ort, an den das gehört.