Qwen-Image-2.1 i2i: empezar desde tu propia imagen, y por qué no hay un control deslizante de intensidad

Si buscaste Qwen-Image-2.1 i2i, ya sabes qué significa image-to-image (i2i): le entregas a un modelo una imagen en lugar de un latente en blanco, y obtienes de vuelta una imagen que se le parece. Lo que esta página deja claro es cuándo esa es la decisión correcta en Qwen-Image-2.1 — y la parte que sorprende a quienes llegan desde otros modelos de imagen. En este, el control de intensidad (strength) que buscas no existe. El propio pipeline de Qwen-Image-2.1 no acepta ningún argumento de strength ni de denoise: tu imagen de referencia entra como contexto, la imagen objetivo parte de ruido puro, y lo que decide cuánto se aleja la salida de tu entrada es lo que escribes. Si lo que realmente necesitas es cambiar una sola cosa concreta y dejar el resto intacto, esa es una tarea distinta que maneja otra línea de la familia — los checkpoints de Qwen-Image-Edit — y la comparación de esta página es la parte que vale la pena leer primero, porque quien busca "i2i" a menudo está a una sola búsqueda de distancia de la herramienta equivocada.

Lo que la imagen de entrada realmente hace

En Qwen-Image-2.1, una imagen de condición entra al modelo por dos puertas, y ninguna de ellas es «un latente inicial ruidoso al que se le baja la intensidad». El repositorio y la clase de pipeline de diffusers publicada para este modelo describen ambas:

• Codificador de texto — el codificador de texto es Qwen3-VL 8B, un modelo de visión y lenguaje, y el repositorio del proveedor indica que codifica la instrucción de texto y las imágenes de condición en una única representación unificada. Tu imagen es, literalmente, parte de lo que el modelo lee como su prompt.

• VAE — la misma imagen se codifica en tokens latentes y se antepone al ruido, antes de los propios tokens de la imagen objetivo, de modo que el transformer ve una única secuencia conjunta con tu referencia primero y lo que se está generando después.

• Inicio del objetivo — los latentes objetivo se muestrean de una gaussiana y se les aplica denoising a lo largo de todo el schedule, desde sigma 1.0 hacia abajo. No hay ningún punto de entrada de denoising parcial en ese pipeline.

El tercer punto marca toda la diferencia con el i2i que la mayoría de la gente ha usado. En el esquema clásico, codificas tu imagen de entrada, le añades ruido en proporción a un valor de fuerza y eliminas el ruido desde ese punto; así, la entrada está realmente presente en el latente inicial y el valor de fuerza decide cuánto de ella sobrevive. En la ruta propia de Qwen-Image-2.1, tu imagen nunca es el punto de partida. Es contexto. La salida no es una versión limpiada de tu archivo; es una imagen nueva pintada con tu archivo en la habitación.

Un detalle más que vale la pena conocer, porque es donde reside realmente la abreviatura que escribió el lector. El pipeline de diffusers lanza un error explícito si intentas pasar latentes ya codificados como image, con el comentario de que «el codificador de texto tiene que ver la imagen en sí». La imagen de condición debe ser píxeles, no un tensor.

El control de fuerza, y a dónde fue

Diffusers sí incluye una pipeline img2img para esta familia, y su strength argumento se comporta exactamente como el campo te ha enseñado a esperar. Léelo en el propio docstring de la clase: la imagen "se usa como punto de partida y se añade más ruido cuanto mayor sea el strength", y "un valor de 1 esencialmente ignora image". Sus valores predeterminados son strength=0.6 y num_inference_steps=50. Los dos extremos son, por tanto, los dos extremos que ya conoces:

• Intensidad cerca de 0 — casi no se añade ruido, el bucle de eliminación de ruido es corto y la salida apenas se distingue de la entrada. Esta es la configuración para gradación de color, una pasada de textura ligera, una casi copia.

• Fuerza en 1 — el ruido añadido es máximo, la eliminación de ruido recorre la secuencia completa y la imagen de entrada se descarta en la práctica. Es texto a imagen con una operación nula costosa incorporada.

Aquí está la trampa, y es la razón por la que existe esta página. El ejemplo publicado con ese pipeline carga el checkpoint de 2025, no este modelo. Qwen-Image-2.1 tiene su propia clase de pipeline, QwenImage21Pipeline, y no acepta ningún argumento strength, ni ningún argumento denoise, ni un punto de entrada de ruido parcial. Cualquier valor que recuerdes haber establecido en otro modelo, no hay ningún lugar en la ruta de 2.1 donde establecerlo. La palanca pasó de un número al prompt.

Eso no es un hueco que el proveedor haya dejado abierto. Incluye un modelo cuyo único trabajo es escribir ese prompt: Qwen-Image-2.1-PE-I2I, un checkpoint de Qwen3.5-VL 9B con ajuste fino que toma una instrucción vaga junto con una o varias imágenes de entrada y devuelve un objeto JSON con un rewritten_prompt y uno de dos campos mutuamente excluyentes — wh_ratio, cuando la solicitud crea una composición nueva, o ratio_follow, cuando debería heredar la relación de aspecto de una imagen de entrada numerada. Ese JSON es lo más parecido que Qwen-Image-2.1 tiene a un ajuste de intensidad. Es el modelo diciéndote si tu solicitud conserva el encuadre de la entrada o construye uno nuevo. Fíjate en dónde aparece la cadena "i2i" en la propia nomenclatura del proveedor: en este checkpoint de reescritura de prompts, no en un checkpoint independiente de imagen a imagen. La generación 2.1 no publica uno.

i2i o edición: la regla que se debe aplicar

Recurre a i2i cuando quieras una variación. Recurre a la edición cuando quieras un cambio. Todo lo demás se deriva de esa única línea.

• Variación — te gusta la imagen y quieres más como esa. Otra interpretación, luz distinta, el mismo personaje en una nueva escena, el mismo producto en un nuevo entorno. No puedes nombrar ni una sola cosa que deba permanecer idéntica píxel a píxel, porque no estás conservando: estás repintando. Eso es un trabajo de i2i.

• Cambio — puedes nombrar la cosa. "Mantén el personaje y la pose sin cambios, ponle esta camiseta". La instrucción es una restricción y el resto del encuadre es una promesa que te deben devolver. Eso es un trabajo de edición.

En Qwen-Image-2.1, ambos comportamientos residen en un único checkpoint. El propio material de lanzamiento del proveedor lo llama «un modelo unificado de generación de texto a imagen y edición de imágenes», y la ruta de edición local que documenta tiene forma de máscara: rodear o pintar la región, o pasar la imagen original y una máscara separada como dos entradas. Lo que la generación 2.1 no incluye es un checkpoint de edición separado.

Los puntos de control de edición específicos son una línea distinta y generaciones distintas. El listado de modelos de la propia organización del proveedor en Hugging Face, consultado el 13 de octubre de 2026, incluye nueve modelos de imagen de ese autor, y las entradas de edición que contiene son Qwen-Image-Edit (creado el 17 de agosto de 2025), Qwen-Image-Edit-2509 (22 de septiembre de 2025) y Qwen-Image-Edit-2511 (17 de diciembre de 2025). Ninguno de ellos es un modelo 2.1. Así que trata con cuidado cualquier página que diga "Qwen-Image-Edit 2.1": no existe ningún repositorio con ese nombre en el listado del proveedor, y las grafías que la gente escribe —"qwen image edit 3", "qwen image edit 2512"— tampoco coinciden con ningún repositorio publicado por el proveedor. Sea lo que sea lo que te diga una afirmación sobre la línea de edición, comprueba de qué generación se trata antes de actuar en consecuencia, porque la línea abarca tres generaciones con fecha y la versión 2.1 no es una de ellas.

En la práctica, la regla se desglosa así. Si puedes escribir la instrucción como una frase con un objetivo —«haz que el cielo sea un atardecer», «elimina el reloj»—, estás en territorio de edición, y en 2.1 llegas a ella con una máscara o una anotación pintada en lugar de cambiar de herramienta. Si tu frase no tiene objetivo y en realidad es una descripción de la imagen que quieres a continuación, estás en territorio i2i. El lector que escribió «i2i» y luego se encontró escribiendo un imperativo es el lector que necesita la ruta de edición, y esa es la razón principal por la que esta sección está tan arriba en la página.

Lo que restringe tu imagen de entrada

Cinco cosas que corriges en el momento en que eliges una referencia, todas ellas documentadas en el propio código del pipeline o en la documentación publicada de ComfyUI para este modelo. Leído el 13 de octubre de 2026.

• Presupuesto de resolución — del pipeline 2.1, el output_resolution tiene un valor predeterminado de 1024, y cada imagen de condicionamiento se redimensiona a un presupuesto de output_resolution al cuadrado con su propia relación de aspecto, redondeado a múltiplos de 32. Por lo tanto, una fotografía de 3000×4000 se reduce a aproximadamente 896×1184 —alrededor de un megapíxel— antes de que el modelo vea un solo píxel de ella. La documentación de ComfyUI concreta el costo: el mismo trabajo en un lienzo de 3008×4000 frente a aproximadamente 896×1184 se ejecuta en unos 6 segundos por iteración frente a unos 0,3, medido en una RTX 5090. Reducir el lienzo hace que una ejecución de i2i sea más rápida al producir una imagen más pequeña, no al añadir detalle.

• Relación de aspecto — si omites height y width, el lienzo de salida se deriva de la relación de aspecto de la última imagen de condición que pases. Individualmente, cada referencia conserva su propia forma, por lo que un retrato y un paisaje pueden viajar en la misma llamada sin que uno se recorte al marco del otro.

• Múltiplos de 32 — el pipeline avisa y redimensiona silenciosamente cuando la altura o la anchura no es divisible por el factor de escala del VAE multiplicado por dos, que en este modelo es 32. Si eliges un lienzo a mano, redondéalo.

• Tamaño nativo — Qwen-Image-2.1 se entrena a 2K, y los tamaños que recomienda el repositorio están todos dentro de esa banda: 2048×2048 para 1:1, 2752×1536 para 16:9, 1536×2752 para 9:16 y 2400×1792 para 4:3. La documentación de ComfyUI indica que el objetivo predeterminado es un megapíxel, que se ajustan aproximadamente 4,0 MP para un cuadrado nativo de 2048×2048 y —la advertencia útil— que un objetivo muy superior al tamaño de entrenamiento, 4K por ejemplo, pierde adherencia al prompt en lugar de ganar detalle.

• Alpha — si tu referencia tiene transparencia, al codificador de visión se le entrega una copia compuesta sobre blanco; solo la copia de VAE conserva los cuatro canales. Todo lo que esperas que el modelo entienda sobre tu transparencia lo está leyendo el lado del texto como fondo blanco.

Lo que sobrevive, y lo que se reinventa

Sé preciso aquí, porque el material de lanzamiento y el mecanismo dicen cosas distintas, y ambas son ciertas.

• Documentado para perdurar — el proveedor afirma que el trabajo de fidelidad se realiza en dos frentes: la identidad del retrato, para que una persona siga siendo reconocible a través de ediciones y generaciones, y la consistencia del producto, preservando texto, texturas y forma. Se trata de afirmaciones del proveedor ilustradas con ejemplos lado a lado en lugar de estar vinculadas a una medición, y no se publicó ninguna puntuación independiente para ninguno de los dos en el material consultado para esta página el 13 de octubre de 2026.

• Garantizado a nivel de píxel — nada. Tu referencia son tokens de contexto y un prefijo de visión; el objetivo es ruido. Cualquier parte de la entrada que tu prompt no aborde ni implique es libre de cambiar, y ningún ajuste en el pipeline la mantiene en su sitio. Si un detalle no debe moverse, nómbralo en el prompt, porque nada más lo hará.

• Las marcas se filtran en la entrada — en el flujo de trabajo de edición documentado de ComfyUI, los trazos del lápiz de pintura acaban en la capa RGB de la imagen en lugar de en una máscara, por lo que al guardar se escribe la imagen marcada de vuelta en el nodo y las marcas pasan a formar parte de la referencia que lee el modelo. Mantén una marca dentro de la región que quieras cambiar e indica también en el prompt el color que deseas, porque, de lo contrario, el color de la marca puede aparecer en el resultado.

• Un lienzo que no coincide desplaza el resultado — La documentación de ComfyUI aconseja mantener un lienzo personalizado cercano al tamaño redimensionado de la primera imagen de referencia, "de lo contrario, la edición puede desplazarse". Una entrada cuya forma difiere del lienzo que solicitaste no recibe letterboxing; se mueve.

• El determinismo requiere dos ajustes, no uno — alternar use_kv_cache en el pipeline 2.1 cambia la muestra con una semilla fija, porque la caché hace que el paso de decodificación atienda con una disposición de secuencia distinta a la del paso de prefill, por lo que ambos «dan muestras igualmente válidas pero visiblemente distintas». El propio consejo del pipeline es fijar el flag. En ComfyUI el control equivalente es la precisión de almacenamiento del nodo de caché, donde —según las propias cifras de ComfyUI, sin auditar— int8 reduce la caché a la mitad con una precisión similar a bf16 y int4 la reduce a la cuarta parte mientras aproximadamente duplica el error por paso.

Dónde i2i es la herramienta equivocada

Cinco casos, cada uno con la alternativa indicada.

• Puedes indicar exactamente qué quieres cambiar. Usa la ruta de instrucción en Qwen-Image-2.1 —pinta o rodea con un círculo la región, o pasa una máscara aparte como segunda entrada— o un checkpoint dedicado de la línea Qwen-Image-Edit. i2i repintará el fotograma alrededor de tu objetivo junto con el objetivo en sí.

• Necesitas que se conserven los píxeles originales. i2i produce una imagen nueva; no conserva ninguno. La ruta de máscara es la que está diseñada para dejar intacto el resto del fotograma.

• Necesitas 4K.Por encima del tamaño de entrenamiento de 2K, el modelo pierde adherencia al prompt, según la documentación de ComfyUI. i2i a 4K es una ejecución más lenta que sigue menos tu descripción, no una más nítida.

• Necesitas que se reproduzcan los detalles finos de la entrada. La imagen de condición se redimensiona primero a un presupuesto de aproximadamente un megapíxel, por lo que una referencia de 12 megapíxeles nunca llega al modelo a resolución completa. Los detalles más pequeños que ese presupuesto desaparecen antes de que comience la eliminación de ruido.

• Necesitas una ejecución repetida bit a bit idéntica. Fija la bandera de la caché KV y la semilla, y cambia un ajuste a la vez; de lo contrario, estarás comparando dos muestreadores distintos y llamándolo ruido.

Una referencia cruzada, porque saldrá a colación: el checkpoint Turbo publicado el 9 de octubre de 2026 usa la misma arquitectura de generación visual de 7B y la misma ruta de condicionamiento de imagen, y ejecuta el schedule en 8 pasos de denoising en lugar de unos 40. Nada de cómo se usa tu imagen de entrada cambia entre los dos. Si quieres la ruta i2i a velocidad, ese es el checkpoint que debes cargar; si estás depurando por qué se ignora tu referencia, el número de pasos no es la variable.

Qué hacer a continuación

Empieza por el propio inicio rápido del proveedor en la tarjeta del modelo en lugar de por un tutorial, y lee la lista de argumentos del ejemplo de edición: pasa image=input_image, establece num_inference_steps, y no tiene ningún argumento strength en ninguna parte. Esa ausencia es el punto central de esta página, y verlo en el código del proveedor es más rápido que creer un resumen.

A partir de ahí, ajusta output_resolution al tamaño que realmente necesitas antes de juzgar nada sobre el parecido, mantén el lienzo en los preajustes nativos de 2K siempre que puedas, y escribe el prompt como si la referencia fuera una fotografía colocada junto al prompt y no un tensor de latentes desruidándose parcialmente — porque en este modelo eso es lo que es. Y si, tras tres intentos, te descubres queriendo decir "cambia solo esto, deja todo lo demás", para. Esa frase es tu señal de que i2i es la ruta equivocada, y la línea de edición es donde corresponde.