Qwen-Image-2.1-Workflow: Die Node-Kette, die Regler und was sich seit Tag null geändert hat

Was Sie auf dieser Seite erhalten, ist ein Qwen-Image-2.1-Graph, den Sie von Grund auf neu aufbauen und reproduzieren können — die Node-Kette mit den Namen, die die Loader tatsächlich verwenden, die vier oder fünf Stellschrauben, die darüber entscheiden, ob die Ausgabe das ist, was Sie angefordert haben, und die zwei Einstellungen, die Leute ändern, ohne zu wissen, dass sie den Noise-Schedule geändert haben. Das Modell selbst ist das vereinheitlichte Text-zu-Bild- und Bildbearbeitungs-Release des Anbieters, das am 20. September 2026 unter einer Forschungslizenz als Open Source veröffentlicht wurde: 7B Parameter in der Komponente zur visuellen Generierung, 32 Single-Stream-DiT-Schichten, ein 64-Kanal-RGBA-VAE mit 16-facher räumlicher Kompression und bis zu zehn Referenzbilder auf dem Bearbeitungspfad. Dieses Datum steht hier, um Ihnen zu sagen, welchen Checkpoint Sie verdrahten, nicht um etwas anzukündigen. Der Graph ist das Thema, und der Graph hat eine Revisionsgeschichte, die es wert ist, gelesen zu werden, bevor Sie dem Screenshot eines anderen davon vertrauen — die Vorlage, die heute ausgeliefert wird, ist nicht die Vorlage, die am Tag null ausgeliefert wurde, und vier der Unterschiede sind genau die Dinge, bei denen ein Leser Fehler macht.

Welches Diagramm diese Seite beschreibt

Alles Folgende ist aus dem ComfyUI-Workflow-Template-Repository Comfy-Org/workflow_templates gelesen, in der am 13. Oktober 2026 aktuellen Revision, ausgeführt auf ComfyUI stable v0.39.0 (veröffentlicht am 5. Oktober 2026). Knotennamen sind die Anzeigenamen, die die Loader im Graphen verwenden; wo ein Knoten zwischen Revisionen hinzugefügt oder umbenannt wurde, ist das Datum angegeben. Der Weg zu diesen Dateien ist ComfyUIs eigene Tutorial-Seite für Qwen-Image-2.1 — es gibt drei Vorlagen darin, und diese Seite folgt der Text-zu-Bild-Vorlage und biegt sie dann ab.

Die drei Vorlagen sind Qwen-Image-2.1 Text to Image, Qwen-Image-2.1 Image Edit und Remove Background: Qwen-Image-2.1. Die letzte ist kein anderer Graph: Die Dokumentation von ComfyUI besagt, dass sie den Image-Edit-Subgraphen mit dem Prompt „Entferne den Hintergrund und gib ein PNG-Bild aus“ wiederverwendet. Es gibt also zwei Graphen zu lernen, und einer davon ist eine Prompt-Vorlage, die auf dem anderen aufsetzt.

Die Knotenkette, in Reihenfolge

Die Text-zu-Bild-Vorlage ist ein Subgraph – ein einklappbarer Knoten auf der Leinwand mit achtzehn freiliegenden Eingaben –, der eine Kette aus dreizehn Knoten umschließt. Darin ist die Reihenfolge:

• UNETLoader — lädt qwen_image_2.1_int8_convrot.safetensors wobei der Weight-Dtype auf Standard belassen wird. Dies ist das Diffusionsmodell, und die Datei, die du hier auswählst, ist das Erste, was entscheidet, ob dein Lauf mit dem von jemand anderem übereinstimmt.

• Qwen Image 2.1 Cache — sitzt zwischen dem Loader und dem Sampler. Im aktuellen Template ist er nicht optional, aber er lässt sich umgehen, und er ist der Node, der am wahrscheinlichsten in einem Graphen fehlt, den du in der ersten Woche heruntergeladen hast.

• KSampler — nimmt das Modell vom Cache-Knoten, die positive und negative Konditionierung vom Text-Encoder und ein leeres Latent. Seine Widgets in der mitgelieferten Vorlage lauten: Seed 0, Steuerung fixed, Schritte 25, CFG 1, Sampler euler, Scheduler simple, Denoise 1.

• EmptyLatentImage — Breite und Höhe werden vom Resolution Selector-Node eingespeist, der außerhalb des Subgraphen liegt, und sein dritter Eingang, die Batch-Größe, ist standardmäßig auf 1 gesetzt.

• VAEDecode → SaveImageAdvanced — der Decoder übergibt Pixel an den Speicher-Node, dessen Dateinamenpräfix Qwen_image_2.1 ist und dessen Format als PNG, 8-Bit, sRGB ausgeliefert wird. PNG ist hier nicht kosmetisch: Das VAE trägt vier Kanäle, daher ist 8-Bit-PNG das, was den Alphakanal auf dem Weg auf die Festplatte am Leben hält.

• CLIPLoader — lädt qwen3vl_8b_int8_convrot.safetensors mit dem auf qwen_image gesetzten Typ. Qwen3-VL 8B ist der Text-Encoder und zugleich der Vision-Tower, der Ihre Referenzbilder liest.

• Text Encode Qwen Image 2.1 (Knoten-ID TextEncodeQwenImage21) — konditioniert den Prompt. Er nimmt den Clip, einen Prompt, einen negativen Prompt, ein optionales VAE, eine Auflösung als Ganzzahl und eine automatisch wachsende Menge von Bild-Slots namens image_1 bis image_16. Er gibt drei Dinge zurück: positive Konditionierung, negative Konditionierung und einen Latent. Dieser Latent ist der Teil, der oft übersehen wird — es ist ein leerer Latent in der Größe des ersten Referenzbilds, und im Text-zu-Bild-Graphen wird er nicht verwendet, weil der leere Latent stattdessen vom Resolution Selector kommt.

• VAELoader — qwen_image_2.1_vae_bf16.safetensors, der sowohl den Decoder als auch den Referenzbild-Pfad des Textencoders versorgt.

Der optionale Zweig ist das letzte Stück. Ein zweiter CLIPLoader lädt qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors, wobei der Typ auf stable_diffusion gesetzt ist — nicht auf qwen_image, und dieser Unterschied ist beabsichtigt, denn dies ist ein Textgenerierungs-Checkpoint, nicht der Vision-Encoder. Er speist einen Generate Text Node, dessen Ausgabe durch Preview Any zum positiven Prompt des Samplers führt, umgeschaltet durch einen ComfySwitchNode, der mit dem refine_prompt Eingang verbunden ist. Ein Primitive String (Multiline) Node enthält den System-Prompt, dem das Rewrite folgt, und du kannst ihn lesen und bearbeiten.

Zähle die Kette, und sie besteht aus sechs Knoten echter Arbeit: das Diffusionsmodell laden, den Text-Encoder laden, das VAE laden, den Prompt kodieren, aus einem leeren Latent samplen, dekodieren und speichern. Alles andere in der Vorlage ist Speicher oder Bequemlichkeit.

Was hat sich zwischen dem Tag-Null-Graphen und diesem geändert?

Das ist der Teil, den man kennen sollte, bevor man einen Workflow aus einem Tutorial-Screenshot kopiert, denn die Qwen-Image-2.1-Vorlagen wurden fünfmal bearbeitet, nachdem sie erstmals erschienen waren, und die Änderungen sind nicht kosmetisch.

• 20. September 2026 — die erste Vorlage. Commit 96309bd530, „Qwen Image 2.1-Vorlage hinzufügen“. Sieben Knoten im Text-zu-Bild-Subgraphen: die Loader, der Encoder, das leere Latent, der Sampler, der Decoder. Der CLIP-Loader wurde auf den bfloat16-Textencoder eingestellt, qwen3vl_8b_bf16.safetensors — die 16,33 GB große Datei.

• 20. September 2026, später am selben Tag. Commit 371a7b7171 stellte diesen Loader auf qwen3vl_8b_int8_convrot.safetensors um, die 8,71 GB große Datei, mit der Meldung „Switch Qwen Image 2.1 CLIP to int8 convrot“. Die eigene Notiz der Vorlage bezeichnet es als „von den Vorlagen geladen, weniger Speicher“. Ein aus der Datei vom Morgen erstellter Workflow und einer, der aus der vom Abend erstellt wurde, sind nicht derselbe Workflow.

• 25. September 2026. Der Qwen Image 2.1 Cache Node erschien zum ersten Mal im Graphen, zusammen mit dem gesamten Prompt-Enhancement-Zweig — dem zweiten CLIP-Loader, Generate Text, Preview Any, dem Switch, dem System-Prompt-Node. Vor diesem Datum gab es keinen Cache-Node zum Einstellen und keinen Rewrite-Schritt zum Ausschalten. Das Image-Edit-Template erhielt am selben Tag die passenden Eingaben. Die Text-zu-Bild-Notiz erhielt in dieser Revision sowohl die 4-Megapixel-Zeile als auch den Transparentbild-Prompt-Wrapper.

• 28. September 2026. Dateigrößen wurden den Download-Hinweisen hinzugefügt – eine Dokumentationsänderung, keine Änderung am Graphen, aber hierher stammen die Zahlen, gegen die ein Leser seinen Download-Manager abgleicht.

• 30. September 2026. Commit 9fae1041be, "Qwen Image 2.1: Update PE settings" — das letzte Mal, dass eine der beiden 2.1-Vorlagen geändert wurde. Dieser ist der wichtigste und zugleich der am wenigsten sichtbare. Drei Werte am Generate-Text-Knoten wurden geändert: das Token-Budget max_length wurde von 16256 auf 4096 gesenkt, die Wiederholungsstrafe wurde von 1.05 auf 1.0 geändert, und thinking wurde von aus auf an umgestellt, wobei die eigene Notiz des Knotens nun besagt, dass der Checkpoint "mit einem Reasoning-Block trainiert wurde und ohne ihn an Qualität verliert". Die Vorlagen-Notizen beschreiben die früheren Werte als die offiziellen und sagen, die Obergrenze existiere, damit "ein einzelner Rewrite nicht viele Minuten laufen kann".

Was sich nicht geändert hat, ist die nützliche Hälfte davon. Der Sampling-Block ist byte-identisch zwischen dem Tag-Null-Template und dem heutigen: steps 25, cfg 1, euler, simple, denoise 1, Seed-Steuerung fest, ein leerer Latent am Ausgang des Resolution Selectors, Batch-Größe 1. Der Graph wurde nie durch Verschieben des Samplers korrigiert. Korrigiert wurde er, indem geändert wurde, welche Text-Encoder-Datei geladen wird, indem der Cache-Knoten hinzugefügt wurde und indem die Einstellungen des Prompt-Enhancers selbst berichtigt wurden.

Unter dem Graph liegt noch eine weitere Ebene. Der Kern von ComfyUI veränderte sich weiter, nachdem die Vorlagen festgelegt waren: v0.38.0 verbesserte am 29. September die Logik zur Positionierung des Qwen-2.1-KV-Cache, und v0.39.0 wurde am 5. Oktober mit „Behebung eines Absturzes bei Auswahl von int8- oder int4-Cache in qwen image 2.1“ ausgeliefert. Wenn dein Graph der heutige ist und dein Build älter als diese ist, ist das Cache-Dropdown keine langsame Option, sondern ein Absturz.

Die Regler, die ein Leser am wahrscheinlichsten falsch einstellt

Gehe von dem aus, was die Dokumentation schlicht feststellt, denn das erspart den größten Teil des Rätselratens. Alle drei Qwen-Image-2.1-Workflows sampeln mit 25 Schritten, CFG 1, dem Euler-Sampler und dem einfachen Scheduler. Das ist ComfyUIs eigene Zusammenfassung, und sie stimmt exakt mit den mitgelieferten Widgets überein.

Die Komplikation besteht darin, dass 25 und 40 beides richtige Antworten auf unterschiedliche Fragen sind. Die Modellkarte des Herstellers selbst betreibt die Diffusers-Pipeline mit num_inference_steps=40, und auch der Standardwert der Diffusers-Pipeline ist 40; die Dokumentation von ComfyUI besagt, dass die veröffentlichte Pipeline „mit dem Euler-Sampler etwa 40 bis 50 Schritte verwendet, und die Vorlage beginnt niedriger bei 25“. Keine der beiden Zahlen ist ein Fehler. Sie sind ein Standardwert des Graphen und ein Referenzlauf.

• Schritte — Richtung und Abwägung. Niedriger ist schneller und hält – laut ComfyUI-Dokumentation – je nach Aufgabe unterschiedlich gut stand: Einfache lokale Bearbeitungen halten bei 4 bis 8 Schritten stand, "während Bearbeitungen, die das ganze Bild neu schreiben, die Kohärenz verlieren und die vollen 25 brauchen". Hartnäckige feine Details wie Hände und Finger "kommen bei etwa 30 Schritten zur Ruhe", und der Sprung von 25 auf 40 reduziert Flirren in detaillierten Bereichen. Die Richtung ist monoton und die Abwägung linear: Die Empfehlung der Doku lautet, die Schritte nur dann anzupassen, wenn sich etwas Bestimmtes nicht auflöst, und sie nicht zur Sicherheit zu erhöhen.

• Guidance – cfg 1 bedeutet Guidance aus, und das ist der veröffentlichte Pfad. Bei cfg 1 überspringt ComfyUI den Negative-Conditioning-Durchlauf, daher hat ein Negativ-Prompt keine Wirkung. Das Template behält cfg 1 bei, „den Pfad, für den Qwen-Image-2.1 veröffentlicht wird“; die diffusers-Pipeline sagt dasselbe mit eigenen Worten und setzt true_cfg_scale standardmäßig auf 1.0, weil „Qwen-Image 2.1 dafür gedacht ist, ohne Guidance gesampelt zu werden“. Erhöhe ihn nur, wenn du tatsächlich möchtest, dass der Negativ-Prompt Wirkung zeigt, und kenne den Preis: cfg 2 folgt dichten Prompts genauer, einschließlich kleinem Text und Zahlen, „auf Kosten überschärfter Kanten“; höhere Werte verschieben die Belichtung in Richtung zu hell oder zu dunkel; cfg 5 verschlechtert die Qualität stark; cfg 0.5 zerstört das Bild. ComfyUIs Anweisung lautet, jeweils nur einen Wert zu ändern und bei festem Seed zu vergleichen.

• Auflösung ist ein Megapixel-Ziel, kein Rechteck. Der Resolution-Selector-Node legt ein Seitenverhältnis und ein Megapixel-Budget fest, wobei 1,0 MP etwa 1024x1024 entspricht. Qwen-Image-2.1 generiert nativ in 2K, das Ziel für ein 2048x2048-Quadrat liegt also bei etwa 4,0 MP. Vielfache von 32 sind das, was das Modell will — der Tooltip beim resolution-Eingang des Textencoders besagt, dass Referenzen auf etwa resolution x resolution Pixel in Vielfachen von 32 skaliert werden, wobei das Seitenverhältnis erhalten bleibt, und auch der Dimension-Helper der Pipeline selbst auf 32 rundet. Die Model Card des Anbieters veröffentlicht die 2K-Presets: 1:1 bei 2048x2048, 4:3 bei 2400x1792, 3:4 bei 1792x2400, 3:2 bei 2528x1696, 2:3 bei 1696x2528, 16:9 bei 2752x1536, 9:16 bei 1536x2752.

• Ein Überschreiten von 2K kostet Prompt-Treue, nicht Schärfe. Ziele deutlich oberhalb der trainierten 2K-Größe des Modells, etwa 4K, verlieren die Prompt-Treue. Das ist ein dokumentiertes Verhalten, keine Schlussfolgerung aus der Architektur.

• Der wirklich kontraintuitive Punkt: Die Auflösung verschiebt auch den Rausch-Zeitplan. Qwen-Image-2.1 sampelt mit einem Flow-Matching-Euler-Scheduler, dessen Zeitschrittverschiebung dynamisch ist, und die Pipeline berechnet die Verschiebung aus der Länge der latenten Sequenz – das heißt daraus, wie viele Tokens die von Ihnen gewählte Auflösung erzeugt. Die Scheduler-Konfiguration des Checkpoints setzt base_shift auf 0.5 und max_shift auf 0.9 über einen Bildsequenzbereich von 256 bis 8192, und die Pipeline speist die Sequenzlänge Ihres Durchlaufs bei jedem Aufruf in diese Formel ein. Eine Änderung der Leinwand ändert daher den Zeitplan des Samplers, nicht nur das Bild. In der ComfyUI-Vorlage gibt es keine Shift-Steuerung zum Einstellen – die Eingaben des KSampler sind Modell, positives Conditioning, negatives Conditioning, Latentbild, Seed, Schritte, CFG, Sampler-Name und Scheduler, und das ist die ganze Liste. Wenn Ihre Ergebnisse bei 4 MP anders aussehen als Ihre Ergebnisse bei 1 MP, auf eine Weise, die Sie nicht allein durch Details erklären können, dann ist das der Grund.

• Im Edit-Graph verhält sich resolution anders und ist der mit Abstand teuerste Standardwert. Wenn custom_size ausgeschaltet ist – der Standard der Vorlage –, wird die Bearbeitung in der Größe des ersten Referenzbilds erzeugt. resolution 0 behält jede Referenz bei ihrer eigenen Pixelgröße, gerundet auf ein Vielfaches von 32, sodass ein 3000x4000-Foto ein 3008x4000-Canvas erzeugt. Ein Wert über 0 skaliert stattdessen das Seitenverhältnis dieses Bildes auf ein resolution x resolution Pixelbudget – eine Gesamtpixelzahl, keine Breite. ComfyUIs eigenes Kostenbeispiel, gemessen auf einer RTX 5090: Die 3000x4000-Referenz bei resolution 0 dauert etwa 6 Sekunden pro Iteration; dieselbe Bearbeitung bei resolution 1024 dauert etwa 0,3 Sekunden pro Iteration, bei ungefähr 896x1184. Schalten Sie custom_size ein und übernehmen Sie das Canvas aus dem Resolution Selector, und halten Sie es nahe an der Größe des skalierten ersten Bildes, „andernfalls kann sich die Bearbeitung verschieben“.

Determinismus: Was ein Seed festlegt und was nicht

Ein fester Seed ist notwendig und nicht hinreichend, und die mitgelieferten Vorlagen sind sich darüber uneinig. Der Text-zu-Bild-KSampler kommt mit der Steuerung fest; beide Bearbeitungsvorlagen – die Bildbearbeitung und die Hintergrundentfernung – kommen mit der Steuerung randomisieren. Derselbe Sampler, dieselben Standardwerte, entgegengesetztes Verhalten beim erneuten Einreihen.

Angenommen, der Seed ist fest. Folgendes verändert das Bild trotzdem noch:

• Der KV-Cache. Das ist der große Punkt, und er ist dokumentiert statt Folklore. Qwen-Image-2.1 cached die Text- und Referenzbild-Schlüssel und -Werte nach dem ersten Schritt; die Pipeline-Quelle erklärt, dass dies gültig ist, weil die Konditionierungs-Tokens unter der kausalen Konditionierung des Modells schrittunabhängig sind. Dann sagt sie das, was für alle wichtig ist, die ein Bild reproduzieren wollen: Das Umschalten des Caches „reproduziert dasselbe Bild nicht bitgenau bei reduzierter Präzision“, weil der Decode-Schritt mit einem anderen Sequenzlayout attendiert als der Prefill-Schritt, die beiden unterschiedlich kacheln und auf unterschiedlichen Rundungen landen — und ein Unterschied von einem ULP im ersten Block durch 32 Blöcke und jeden Sampler-Schritt verstärkt wird, sodass „die beiden Einstellungen gleichermaßen gültige, aber sichtbar unterschiedliche Samples ergeben“. Die Anweisung der Quelle selbst lautet: Fixiere ein Sample, indem du dieses Flag fixierst. In ComfyUI liegt das Flag auf dem Qwen Image 2.1 Cache Node, als device (auto, gpu, cpu, off) und dtype (default, int8, int4).

• Die eigene Release-Historie des Cache-Knotens. Sie existierte vor dem 25. September 2026 nicht, daher hat ein Day-Zero-Workflow keine solche Einstellung und verhält sich nicht wie ein heutiger. Und off — die einzige Einstellung, die den Cache ausschließt — „berechnet das Präfix bei jedem Schritt neu, was langsamer ist, aber die einzige Möglichkeit darstellt, den Cache auszuschließen“.

• Welche Modelldateien. Die Vorlage lädt ein int8-Diffusionsmodell und einen int8-Textencoder. Tauschen Sie eines davon gegen die bf16-Datei aus, und Sie haben die Arithmetik geändert. Die Download-Hinweise listen beide samt ihren Größen auf, gerade weil die Wahl real ist.

• Der Prompt-Enhancer, sofern er eingeschaltet ist. Ist refine_prompt eingeschaltet, zieht das Bildmodell seine Samples aus dem umgeschriebenen Prompt, nicht aus dem, den Sie eingegeben haben – und die Umschreibung wird von einem separaten Generate Text-Node mit eigenen Sampling-Parametern erzeugt: Temperatur 1.0, top_k 20, top_p 0.95, eigenem Seed-Feld und einem max_length Token-Budget. Ihr KSampler-Seed deckt nichts davon ab. Der Preview Any-Node innerhalb des Subgraphen zeigt den Prompt, der tatsächlich das Bildmodell erreicht hat – das ist die einzige Möglichkeit zu wissen, was Sie gerade reproduziert haben.

• Der ComfyUI-Build. Die Templates enthalten ihre eigene Warnung: fehlende Nodes beim Laden eines Workflows bedeuten normalerweise, dass der Build älter als die Nodes ist, und Desktop und Cloud folgen stabilen Releases und können einer Nightly hinterherhinken.

Ein Qwen-Image-2.1-Bild von jemand anderem zu reproduzieren ist also kein Seed-Tausch. Es sind die Vorlagenrevision, die beiden Modelldateien, die Auflösungseinstellung, Steps, cfg, Sampler, Scheduler, das Cache-Gerät und der dtype, der Ein-/Aus-Zustand des Enhancers und dessen eigener Seed – und, für den Edit-Graphen, die Größe des ersten Referenzbilds. ComfyUI veröffentlicht für diese Workflows keine Garantie zur Seed-Reproduzierbarkeit, und die diffusers-Quelle sagt unmissverständlich, dass ein Cache-Umschalter das Sample verändert; betrachten Sie eine exakte Übereinstimmung als etwas, das Sie bewusst zusammenstellen, statt als etwas, das Ihnen ein Seed liefert.

Mehr als ein Bild, und wohin die Erinnerung geht

Der Graph erzeugt in der ausgelieferten Konfiguration ein Bild pro Durchlauf, und die Stellschraube, um das zu ändern, ist unspektakulär: der dritte Eingang des EmptyLatentImage-Knotens, Batch-Größe, verdrahtet auf 1. Sie zu erhöhen ist es, was den Sampler dazu bringt, mehrere Bilder aus einer Warteschlange auszugeben.

Was das kostet, ist der Punkt, an dem es ehrlich wird. Die Vorlagen sagen dir genau, wo der Cache liegt — auto nutzt überschüssigen VRAM und dann System-RAM; cpu lädt hinter der Berechnung vor, und die Dokumentation beschreibt es als kaum Geschwindigkeit kostend; off berechnet das Präfix bei jedem Schritt neu und ist langsamer. Auch die Präzisionsseite wird beziffert: int8 halbiert den Cache bei ungefähr bf16-Genauigkeit, und int4 viertelt ihn, verdoppelt aber ungefähr den Fehler pro Schritt. Was nicht veröffentlicht wird, ist eine Tabelle von Batch-Größe zu VRAM, und ComfyUIs Dokumentation ebenso wenig. Wenn du eine Batch für eine Karte dimensionierst, ist die ehrliche Antwort, dass keine Angabe aus erster Hand das abdeckt; die Stellschrauben mit veröffentlichten Effekten sind das Cache-Gerät und der dtype sowie die Zielauflösung, die sowohl die Anzahl der Latents als auch das gecachte Präfix erhöht.

Auf der anderen Seite des Zauns, in der Diffusers-Pipeline, lauern zwei Batch-Fallen, und beide sollte man kennen, denn der ComfyUI-Graph verbirgt sie. Dort num_images_per_prompt multipliziert den Batch, und wenn man eine Liste von Generatoren übergibt, muss ihre Länge exakt zur effektiven Batch-Größe passen, sonst wirft die Pipeline einen Fehler. Und eine Liste von Condition-Bildern ist „ein Satz von Bildern, der von jedem Prompt im Batch geteilt wird, nicht ein Eintrag pro Prompt“ – man kann nicht jedem Prompt in einem Batch sein eigenes Referenzbild geben; die Anweisung der Quelle lautet, stattdessen die Pipeline einmal pro Prompt aufzurufen. Der Editing-Subgraph hat dieselbe Art von Einschränkung an einer anderen Stelle: sein BatchImagesNode packt bis zu zehn Referenzbilder als Batch in den Text-Encoder, wobei hier Eingaben gebündelt werden, nicht Ausgaben. Zehn Referenzen ergeben nicht zehn Bilder.

Bild-zu-Bild aus demselben Graphen

Dafür brauchst du keinen anderen Graphen. Das Bildbearbeitungs-Template ist die Text-zu-Bild-Kette, bei der das leere Latent durch die Latent-Ausgabe des Text-Encoders ersetzt wird, zwei LoadImage-Nodes image_1 und image_2 in die Referenz-Slots des Subgraphen einspeisen und am Ende ein ImageCompare-Node sitzt, damit du die Eingabe neben der Ausgabe siehst. Lege ein Bild in image_1, lass image_2 leer, schreibe eine Anweisung, und das ist Bild-zu-Bild: Dein Bild ist Kontext, den das Modell liest, kein Start-Latent, das es teilweise entrauscht. Auf diesem Pfad gibt es keinen Strength- oder Denoise-Regler, weil das Ziel vom Rauschen aus startet und deine Referenz stattdessen über den Encoder und den VAE eingeht.

Hier ist die Abgrenzung, jeweils in einem Satz, weil diese beiden nur eine Suche voneinander entfernt sind und Menschen zum falschen greifen.

• Bild-zu-Bild kommt zum Einsatz, wenn Sie eine Variation möchten: Sie geben dem Modell ein Bild und eine Beschreibung, und es malt ein neues Bild, das Ihrem ähnelt, auf einer Leinwand Ihrer Wahl.

• Bearbeiten ist, wenn du eine Änderung möchtest: Du übergibst dem Modell ein Bild und eine Anweisung, die benennt, was anders sein soll, dazu optional eine Maske oder gemalte Markierungen, und das Modell behält den Rest des Bildes bei.

Der Hinweis steckt in dem Satz, den Sie gerade tippen werden. „Lass es so aussehen, aber bei Nacht“ ist i2i; „Ändere die Jacke zu Rot, lass alles andere“ ist ein Edit, und in diesem Graphen liegt der Edit-Pfad dort, wo Masken, die zehn Referenz-Slots und das Verhalten für lokalisierte Edits zu Hause sind. Diese benachbarte Frage ist Thema einer anderen Seite, und diese hier endet an der Linie, damit Sie erkennen können, auf welcher Sie sich befinden.

Der Turbo-Checkpoint, in einem Absatz

Ein Querverweis, weil die Turbo-Schreibweise in dieser Query-Familie vorkommt und Leser darauf stoßen werden. Qwen-Image-2.1-Turbo ist ein separater 8-Schritt-Checkpoint derselben 7B-Architektur zur visuellen Generierung, veröffentlicht am 9. Oktober 2026 und geladen von derselben QwenImage21Pipeline. Die eigene Modellkarte sagt, der Checkpoint „enthalte seinen empfohlenen Sampling-Zeitplan, sodass er ohne manuelle Konfiguration des Schedulers einsatzbereit sei“, dass die Generierung standardmäßig CFG 1 verwendet und dass das Setzen von num_inference_steps allein den gespeicherten Zeitplan nicht überschreibt – ein explizites sigmas-Argument zur Aufrufzeit schon. Nichts davon ändert die Node-Kette auf dieser Seite: dieselben Loader, derselbe Encoder, derselbe Sampler-Node. Was sich ändert, ist, woher der Zeitplan kommt, und das ist das Einzige, was in deinem Graphen überprüft werden sollte, bevor du einen Turbo-Lauf mit einem Base-Model-Lauf vergleichst und zu dem Schluss kommst, dass das Modell schlechter geworden ist.

Was als Nächstes im Graphen zu tun ist

Lade die Vorlage aus der Vorlagenbibliothek von ComfyUI statt aus einem Screenshot und lies dann vier Nodes, bevor du irgendetwas in die Warteschlange stellst. Auf Resolution Selector stellst du das Seitenverhältnis ein, das du wirklich willst, und, wenn du das native 2K des Modells willst, das Ziel von 4,0 MP. Auf dem KSampler bestätigst du, dass die Steuerung auf fixed steht, wenn du einen Lauf reproduzieren willst, und lässt steps auf 25 und cfg auf 1, bis etwas Bestimmtes fehlschlägt. Beim Qwen Image 2.1 Cache entscheidest du jetzt über device und dtype, und schreibst sie auf, denn du kannst sie später nicht ändern und dann zwei Bilder so vergleichen, als hätte sich nur der Prompt geändert. Und beim Generate Text-Node lässt du refine_prompt aus, bis du eine Baseline hast, die dir gefällt — dann schalte es ein, lies die Umschreibung in Preview Any und behalte den Seed, den du hattest, damit der Vergleich etwas bedeutet.