Flujo de trabajo de Qwen-Image-2.1: la cadena de nodos, los diales y qué ha cambiado desde el día cero

Lo que obtienes de esta página es un grafo Qwen-Image-2.1 que puedes reconstruir desde cero y reproducir: la cadena de nodos según los nombres que realmente usan los cargadores, los cuatro o cinco controles que deciden si la salida es lo que pediste, y los dos ajustes que la gente cambia sin darse cuenta de que ha cambiado la programación de ruido. El modelo en sí es la versión unificada de generación de texto a imagen y edición de imágenes del proveedor, publicada como código abierto el 20 de septiembre de 2026 bajo una licencia de investigación: 7.000 millones de parámetros en el componente de generación visual, 32 capas DiT de flujo único, un VAE RGBA de 64 canales con compresión espacial de 16x, y hasta diez imágenes de referencia en la ruta de edición. Esa fecha está aquí para decirte qué checkpoint estás conectando, no para anunciar nada. El grafo es el tema, y el grafo tiene un historial de revisiones que vale la pena leer antes de que confíes en la captura de pantalla de otra persona: la plantilla que se distribuye hoy no es la plantilla que se distribuyó el día cero, y cuatro de las diferencias son exactamente las cosas que un lector malinterpreta.

¿Qué gráfico describe esta página?

Todo lo que aparece a continuación se lee del repositorio de plantillas de flujo de trabajo de ComfyUI Comfy-Org/workflow_templates, en la revisión vigente el 13 de octubre de 2026, ejecutándose en ComfyUI estable v0.39.0 (publicada el 5 de octubre de 2026). Los nombres de los nodos son los nombres de visualización que los cargadores usan en el grafo; cuando un nodo se añadió o cambió de nombre entre revisiones, se indica la fecha. La ruta a estos archivos es la propia página de tutorial de ComfyUI para Qwen-Image-2.1 —hay tres plantillas en ella, y esta página sigue la de texto a imagen y luego le da un giro.

Las tres plantillas son Qwen-Image-2.1 Text to Image, Qwen-Image-2.1 Image Edit y Remove Background: Qwen-Image-2.1. La última no es un grafo distinto: la documentación de ComfyUI dice que reutiliza el subgrafo de edición de imágenes con el prompt "Remove the background, and output a PNG image". Así que hay dos grafos que aprender, y uno de ellos es una plantilla de prompt sobre el otro.

La cadena de nodos, en orden

La plantilla de texto a imagen es un subgrafo —un nodo plegable en el lienzo con dieciocho entradas expuestas— que envuelve una cadena de trece nodos. Dentro de él, el orden es:

• UNETLoader — carga qwen_image_2.1_int8_convrot.safetensors con el dtype de los pesos dejado en predeterminado. Este es el modelo de difusión, y el archivo que elijas aquí es lo primero que determina si tu ejecución coincide con la de cualquier otra persona.

• Qwen Image 2.1 Cache — se sitúa entre el cargador y el muestreador. No es opcional en la plantilla actual, pero se puede omitir, y es el nodo que más probabilidades tiene de faltar en un grafo que hayas descargado en la primera semana.

• KSampler — toma el modelo del nodo de caché, el condicionamiento positivo y negativo del codificador de texto, y un latente vacío. Sus widgets en la plantilla incluida se leen: seed 0, control fixed, steps 25, cfg 1, sampler euler, scheduler simple, denoise 1.

• EmptyLatentImage — la anchura y la altura se conectan desde el nodo Resolution Selector que se encuentra fuera del subgrafo, y su tercera entrada, el tamaño del lote, viene con 1.

• VAEDecode → SaveImageAdvanced — el decodificador entrega los píxeles al nodo de guardado, cuyo prefijo de nombre de archivo es Qwen_image_2.1 y cuyo formato viene como PNG, 8 bits, sRGB. PNG no es algo estético aquí: el VAE lleva cuatro canales, por lo que el PNG de 8 bits es lo que mantiene vivo el canal alfa de camino al disco.

• CLIPLoader — carga qwen3vl_8b_int8_convrot.safetensors con el tipo establecido en qwen_image. Qwen3-VL 8B es el codificador de texto y también es la torre de visión que lee tus imágenes de referencia.

• Text Encode Qwen Image 2.1 (id de nodo TextEncodeQwenImage21) — condiciona el prompt. Toma el clip, un prompt, un prompt negativo, un VAE opcional, una resolución de tipo entero, y un conjunto de ranuras de imagen que crece automáticamente llamadas image_1 hasta image_16. Devuelve tres cosas: condicionamiento positivo, condicionamiento negativo y un latente. Ese latente es la parte que la gente pasa por alto: es un latente vacío dimensionado a la primera imagen de referencia, y en el grafo de texto a imagen no se usa porque el latente vacío proviene del Resolution Selector en su lugar.

• VAELoader — qwen_image_2.1_vae_bf16.safetensors, que alimenta tanto al decodificador como a la ruta de imagen de referencia del codificador de texto.

La rama opcional es la última pieza. Un segundo CLIPLoader carga qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors con el tipo configurado como stable_diffusion — no qwen_image, y esa diferencia es deliberada, porque este es un checkpoint de generación de texto, no el codificador de visión. Alimenta un Generate Text, cuya salida pasa por Preview Any hasta el prompt positivo del sampler, conmutada por un ComfySwitchNode conectado a la entrada refine_prompt. Un nodo Primitive String (Multiline) contiene el prompt del sistema que sigue la reescritura, y puedes leerlo y editarlo.

Cuenta la cadena y son seis nodos de trabajo real: cargar el modelo de difusión, cargar el codificador de texto, cargar el VAE, codificar el prompt, muestrear desde un latente vacío, decodificar y guardar. Todo lo demás en la plantilla es memoria o conveniencia.

¿Qué cambió entre el gráfico del día cero y este?

Esto es lo que conviene saber antes de copiar un flujo de trabajo de la captura de pantalla de un tutorial, porque las plantillas de Qwen-Image-2.1 se editaron cinco veces después de su lanzamiento inicial, y las ediciones no son cosméticas.

• 20 de septiembre de 2026 — la primera plantilla.Commit 96309bd530, "Añadir la plantilla Qwen Image 2.1". Siete nodos en el subgrafo de texto a imagen: los cargadores, el codificador, el latente vacío, el muestreador y el decodificador. El cargador CLIP se configuró con el codificador de texto bfloat16, qwen3vl_8b_bf16.safetensors — el archivo de 16,33 GB.

• 20 de septiembre de 2026, más tarde ese mismo día. Commit 371a7b7171 cambió ese cargador a qwen3vl_8b_int8_convrot.safetensors, el archivo de 8,71 GB, con el mensaje "Switch Qwen Image 2.1 CLIP to int8 convrot". La propia nota de la plantilla lo etiqueta como "cargado por las plantillas, menor consumo de memoria". Un flujo de trabajo creado a partir del archivo de la mañana y otro creado a partir del de la noche no son el mismo flujo de trabajo.

• 25 de septiembre de 2026. El Qwen Image 2.1 Cache nodo apareció por primera vez en el grafo, junto con toda la rama de mejora de prompts: el segundo cargador CLIP, Generate Text, Preview Any, el interruptor y el nodo de prompt del sistema. Antes de esta fecha no había ningún nodo de caché que configurar ni ningún paso de reescritura que desactivar. La plantilla de edición de imágenes recibió las entradas correspondientes ese mismo día. La nota de texto a imagen también incorporó, en esta revisión, tanto la línea de 4 megapíxeles como el envoltorio del prompt para imágenes transparentes.

• 28 de septiembre de 2026. Se añadieron los tamaños de archivo a las notas de descarga — un cambio de documentación, no un cambio en el gráfico, pero es de donde provienen los números que un lector compara con su gestor de descargas.

• 30 de septiembre de 2026. Commit 9fae1041be, "Qwen Image 2.1: Actualización de los ajustes de PE": la última vez que se tocó cualquiera de las dos plantillas 2.1. Esta es la que más importa y la menos visible. Cambiaron tres valores del nodo Generate Text: el presupuesto de tokens max_length de 16256 a 4096, la penalización por repetición de 1.05 a 1.0, y thinking de desactivado a activado, y la propia nota del nodo ahora dice que el checkpoint "se entrenó con un bloque de razonamiento y pierde calidad sin él". Las notas de la plantilla describen los valores anteriores como los oficiales y dicen que el límite existe para que "una sola reescritura no pueda ejecutarse durante muchos minutos".

Lo que nocambió es la mitad útil de esto. El bloque de muestreo es idéntico byte a byte entre la plantilla del día cero y la de hoy: steps 25, cfg 1, euler, simple, denoise 1, control de semilla fijo, un latente vacío en la salida del Resolution Selector, tamaño de lote 1. El grafo nunca se arregló moviendo el sampler. Se arregló cambiando qué archivo del codificador de texto se carga, añadiendo el nodo de caché y corrigiendo los ajustes propios del mejorador de prompts.

Hay una capa más debajo del grafo. El núcleo de ComfyUI siguió cambiando después de que se estabilizaran las plantillas: la v0.38.0, del 29 de septiembre, mejoró la lógica de ubicación de la caché KV de Qwen 2.1, y la v0.39.0, del 5 de octubre, lanzó «Corrección del fallo al seleccionar la caché int8 o int4 en qwen image 2.1». Si tu grafo es el actual y tu compilación es anterior a esa, el menú desplegable de caché no es una opción lenta: es un fallo.

Los diales que es más probable que un lector malinterprete

Parte de lo que la documentación afirma sin rodeos, porque elimina la mayor parte de las conjeturas. Los tres flujos de trabajo de Qwen-Image-2.1 hacen el muestreo con pasos 25, cfg 1, el muestreador euler y el planificador simple. Ese es el propio resumen de ComfyUI, y coincide exactamente con los widgets incluidos.

La complicación es que 25 y 40 son ambas respuestas correctas a preguntas distintas. La propia model card del proveedor ejecuta el pipeline de diffusers con num_inference_steps=40, y el valor predeterminado del pipeline de diffusers también es 40; la documentación de ComfyUI dice que el pipeline publicado «usa entre 40 y 50 pasos con el sampler euler, y la plantilla empieza más abajo, en 25». Ninguno de los dos números es un error. Son un valor predeterminado de un grafo y una ejecución de referencia.

• Pasos: dirección y compensación. Menos pasos es más rápido y, según la documentación de ComfyUI, se sostiene de forma distinta según la tarea: las ediciones localizadas sencillas se mantienen con 4 a 8 pasos, “mientras que las ediciones que reescriben todo el fotograma pierden coherencia y necesitan los 25 completos”. Los detalles finos obstinados, como las manos y los dedos, “se asientan alrededor de los 30 pasos”, y pasar de 25 a 40 reduce el ruido en las áreas detalladas. La dirección es monótona y la compensación es lineal: el consejo del documento es ajustar los pasos solo cuando algo específico no se resuelve, no aumentarlos por seguridad.

• Orientación — cfg 1 es orientación desactivada, y esa es la ruta publicada. Con cfg 1, ComfyUI omite la pasada de condicionamiento negativo, por lo que un prompt negativo no tiene efecto. La plantilla mantiene cfg 1, "que es la ruta para la que se publica Qwen-Image-2.1"; el pipeline de diffusers dice lo mismo con sus propias palabras, y establece true_cfg_scale por defecto en 1.0 porque "Qwen-Image 2.1 está pensado para muestrearse sin orientación". Súbelo solo cuando realmente quieras que el prompt negativo surta efecto, y asume el precio: cfg 2 sigue más de cerca los prompts densos, incluidos los textos pequeños y los números, "a costa de bordes demasiado nítidos"; los valores más altos desplazan la exposición hacia lo demasiado brillante o lo demasiado oscuro; cfg 5 degrada gravemente la calidad; cfg 0.5 rompe la imagen. La instrucción de ComfyUI es cambiar un valor a la vez y comparar con una semilla fija.

• La resolución es un objetivo en megapíxeles, no un rectángulo. El nodo Resolution Selector establece una relación de aspecto y un presupuesto de megapíxeles, donde 1,0 MP equivale aproximadamente a 1024x1024. Qwen-Image-2.1 genera de forma nativa en 2K, así que el objetivo para un cuadrado de 2048x2048 es de unos 4,0 MP. Múltiplos de 32 son lo que el modelo quiere — el tooltip de la entrada resolution del codificador de texto indica que las referencias se redimensionan a unos resolution x resolution píxeles en múltiplos de 32, conservando la relación de aspecto, y la propia función auxiliar de dimensiones del pipeline también redondea a 32. La ficha del modelo del proveedor publica los preajustes de 2K: 1:1 a 2048x2048, 4:3 a 2400x1792, 3:4 a 1792x2400, 3:2 a 2528x1696, 2:3 a 1696x2528, 16:9 a 2752x1536, 9:16 a 1536x2752.

• Superar los 2K cuesta adherencia, no nitidez. Los objetivos muy por encima del tamaño de 2K con el que se entrenó el modelo, como 4K, pierden adherencia al prompt. Es un comportamiento documentado, no una inferencia derivada de la arquitectura.

• El que es realmente contraintuitivo: la resolución también modifica la programación de ruido. Qwen-Image-2.1 muestrea con un programador Euler de coincidencia de flujo cuyo desplazamiento de paso de tiempo es dinámico, y el pipeline calcula el desplazamiento a partir de la longitud de la secuencia latente — es decir, de cuántos tokens produce la resolución que elijas. La configuración del programador del checkpoint establece base_shift 0.5 y max_shift 0.9 en un rango de secuencia de imagen de 256 a 8192, y el pipeline introduce la longitud de secuencia de tu ejecución en esa fórmula en cada llamada. Cambiar el lienzo, por lo tanto, cambia la programación del muestreador, no solo el fotograma. En la plantilla de ComfyUI no hay un control de desplazamiento que configurar — las entradas del KSampler son modelo, positivo, negativo, imagen latente, semilla, pasos, cfg, nombre del muestreador y programador, y esa es toda la lista. Si tus resultados a 4 MP se ven diferentes a tus resultados a 1 MP de una manera que no puedes explicar solo por el detalle, esta es la razón.

• En el grafo de edición, la resolución se comporta de forma diferente y es el valor predeterminado más costoso de todos. Con custom_size desactivado —el valor predeterminado de la plantilla—, la edición se genera con el tamaño de la primera imagen de referencia. resolution 0 mantiene cada referencia en su propio tamaño en píxeles redondeado a un múltiplo de 32, por lo que una foto de 3000x4000 produce un lienzo de 3008x4000. Un valor superior a 0, en cambio, escala la relación de aspecto de esa imagen a un presupuesto de resolution x resolution píxeles: una cantidad total de píxeles, no un ancho. El propio ejemplo de coste de ComfyUI, medido en una RTX 5090: la referencia de 3000x4000 con resolution 0 tarda unos 6 segundos por iteración; esa misma edición con resolution 1024 tarda unos 0,3 segundos por iteración, a unos 896x1184. Activa custom_size y toma el lienzo del Resolution Selector, y mantenlo cerca del tamaño de la primera imagen redimensionada, "de lo contrario la edición puede desplazarse".

Determinismo: lo que una semilla fija y lo que no

Una semilla fija es necesaria, pero no suficiente, y las plantillas incluidas no coinciden entre sí al respecto. El KSampler de texto a imagen se distribuye con el control fijo; ambas plantillas de edición —la de edición de imagen y la de eliminación de fondo— se distribuyen con el control aleatorio. El mismo sampler, los mismos valores predeterminados, comportamiento opuesto al volver a encolar.

Asume que la semilla es fija. Esto es lo que aún mueve la imagen:

• La caché KV. Este es el importante, y está documentado en lugar de ser pura tradición oral. Qwen-Image-2.1 almacena en caché las claves y los valores del texto y de la imagen de referencia tras el primer paso; el código fuente del pipeline explica que esto es válido porque los tokens de condicionamiento son independientes del paso bajo el condicionamiento causal del modelo. Después dice lo que le importa a cualquiera que intente reproducir una imagen: activar o desactivar la caché «no reproduce la misma imagen bit a bit en precisión reducida», porque el paso de decodificación atiende con una disposición de secuencia distinta a la del paso de prefill, ambos aplican el tiling de forma diferente y llegan a un redondeo distinto, y una diferencia de una ULP en el primer bloque se amplifica por 32 bloques y por cada paso del sampler, de modo que «los dos ajustes dan muestras igualmente válidas pero visiblemente distintas». La propia instrucción del código fuente es: fija una muestra fijando este flag. En ComfyUI el flag se encuentra en el Qwen Image 2.1 Cache nodo, como device (auto, gpu, cpu, off) y dtype (default, int8, int4).

• El propio historial de versiones del nodo de caché. No existía antes del 25 de septiembre de 2026, así que un flujo de trabajo de día cero no tiene ese ajuste y no se comporta como el actual. Y off — el único ajuste que descarta la caché — "recalcula el prefijo en cada paso, lo cual es más lento, pero es la única forma de descartar la caché".

• Qué archivos de modelo. La plantilla carga un modelo de difusión int8 y un codificador de texto int8. Sustituye cualquiera de los dos por el archivo bf16 y habrás cambiado la aritmética. Las notas de descarga enumeran ambos, con sus tamaños, precisamente porque la elección es real.

• El potenciador de prompt, si está activado. Con refine_prompt activado, el modelo de imagen muestrea a partir del prompt reescrito, no del que escribiste, y la reescritura la genera un Generate Text aparte, con sus propios parámetros de muestreo: temperatura 1.0, top_k 20, top_p 0.95, su propio campo de semilla y un presupuesto de tokens de max_length. La semilla de tu KSampler no cubre nada de eso. El nodo Preview Any dentro del subgrafo muestra el prompt que realmente llegó al modelo de imagen, que es la única forma de saber qué acabas de reproducir.

• La compilación de ComfyUI. Las plantillas traen su propia advertencia: los nodos faltantes al cargar un flujo de trabajo suelen indicar que la compilación es anterior a los nodos, y Desktop y Cloud siguen las versiones estables y pueden ir por detrás de una nightly.

Así que reproducir la imagen de Qwen-Image-2.1 de otra persona no es un simple cambio de semilla. Es la revisión de la plantilla, los dos archivos de modelo, la configuración de resolución, los pasos, el cfg, el sampler, el scheduler, el dispositivo y el dtype de la caché, el estado activado/desactivado del enhancer y su propia semilla —y, para el grafo de edición, el tamaño de la primera imagen de referencia. ComfyUI no publica ninguna garantía de reproducibilidad por semilla para estos flujos de trabajo, y el código fuente de diffusers dice claramente que alternar la caché cambia la muestra; considera una coincidencia exacta como algo que ensamblas deliberadamente en lugar de algo que una semilla te entrega.

Más de una imagen, y a dónde va la memoria

El grafo produce una imagen por ejecución en la configuración tal como se distribuye, y el control para cambiarlo no tiene nada de glamoroso: la tercera entrada del nodo EmptyLatentImage, tamaño de lote, conectada a 1. Aumentarlo es lo que hace que el sampler emita varias imágenes desde una sola cola.

Es en cuánto cuesta eso donde esto se vuelve honesto. Las plantillas te dicen exactamente dónde vive la caché — auto usa la VRAM libre y luego la RAM del sistema; cpu hace prefetch por detrás del cómputo y la documentación lo describe como que apenas afecta a la velocidad; off recalcula el prefijo en cada paso y es más lento. Cuantifican el lado de la precisión: int8 reduce la caché a la mitad con una precisión similar a bf16, y int4 la reduce a un cuarto, pero aproximadamente duplica el error por paso. Lo que no publican es una tabla de tamaño de lote a VRAM, y la documentación de ComfyUI tampoco. Si estás dimensionando un lote para una tarjeta, la respuesta honesta es que ninguna cifra de primera parte lo cubre; las palancas con efectos publicados son el dispositivo y el dtype de la caché, y el objetivo de resolución, que aumenta tanto el recuento de latentes como el prefijo en caché.

Dos trampas de lotes están al otro lado de la valla, en el pipeline de diffusers, y vale la pena conocer ambas porque el grafo de ComfyUI las oculta. Ahí, num_images_per_prompt multiplica el lote, y si pasas una lista de generadores, su longitud debe coincidir exactamente con el tamaño de lote efectivo o el pipeline lanza una excepción. Y una lista de imágenes de condición es "un conjunto de imágenes compartido por cada prompt del lote, no una entrada por prompt" — no puedes dar a cada prompt de un lote su propia imagen de referencia; la instrucción de la fuente es, en cambio, llamar al pipeline una vez por prompt. El subgrafo de edición tiene la misma forma de restricción en un lugar diferente: su BatchImagesNode agrupa en lotes hasta diez imágenes de referencia en el codificador de texto, lo cual es agrupar entradas, no salidas. Diez referencias no te dan diez imágenes.

Imagen a imagen desde el mismo grafo

No necesitas un grafo diferente para esto. La plantilla de edición de imágenes es la cadena de texto a imagen con el latente vacío sustituido por la salida latente del codificador de texto, dos LoadImage nodos que alimentan image_1 y image_2 hacia las ranuras de referencia del subgrafo, y un ImageCompare nodo al final para que puedas ver la entrada junto a la salida. Coloca una imagen en image_1, deja image_2 vacía, escribe una instrucción, y eso es imagen a imagen: tu imagen es contexto que el modelo lee, no un latente inicial al que le quita parcialmente el ruido. No hay ningún deslizador de fuerza o de eliminación de ruido que ajustar en esta ruta, porque el objetivo parte del ruido y tu referencia entra a través del codificador y el VAE en su lugar.

Aquí está el límite, en una frase cada uno, porque estas dos están a una sola búsqueda de distancia y la gente termina recurriendo a la equivocada.

• Imagen a imagen es cuando quieres una variación: le das al modelo una imagen y una descripción, y este pinta una imagen nueva que se parece a la tuya, en un lienzo que tú eliges.

• Edición es cuando quieres un cambio: le das al modelo una imagen y una instrucción que especifica qué debería ser diferente, además de, opcionalmente, una máscara o marcas pintadas, y el modelo conserva el resto del encuadre.

La pista está en la frase que estás a punto de escribir. "Haz que se vea así pero de noche" es i2i; "cambia la chaqueta a rojo, deja todo lo demás" es una edición, y en este grafo la ruta de edición es donde viven las máscaras, las diez ranuras de referencia y el comportamiento de edición localizada. Esa pregunta vecina es el tema de otra página, y esta se detiene en la línea para que puedas saber en cuál estás.

El punto de control turbo, en un párrafo

Una referencia cruzada, porque la grafía «turbo» aparece dentro de esta familia de consultas y el lector se la encontrará. Qwen-Image-2.1-Turbo es un checkpoint independiente de 8 pasos de la misma arquitectura de generación visual de 7B, publicado el 9 de octubre de 2026 y cargado por el mismo QwenImage21Pipeline. Su propia tarjeta de modelo indica que el checkpoint «incluye su programación de muestreo recomendada, por lo que está listo para usarse sin configurar manualmente el programador», que la generación usa CFG 1 de forma predeterminada y que establecer num_inference_steps por sí solo no anula la programación guardada, mientras que un argumento explícito sigmas en el momento de la llamada sí lo hace. Nada de eso cambia la cadena de nodos de esta página: los mismos cargadores, el mismo codificador, el mismo nodo de muestreo. Lo que cambia es de dónde proviene la programación, que es lo único que vale la pena revisar en tu grafo antes de comparar una ejecución turbo con una ejecución del modelo base y concluir que el modelo ha empeorado.

Qué hacer a continuación, en el gráfico

Carga la plantilla desde la biblioteca de plantillas de ComfyUI en lugar de desde una captura de pantalla, y luego lee cuatro nodos antes de encolar nada. En Resolution Selector, define la relación de aspecto que realmente quieres y, si quieres el 2K nativo del modelo, el objetivo de 4.0 MP. En el KSampler, confirma que el control está fixed si pretendes reproducir una ejecución, y deja los pasos en 25 y cfg en 1 hasta que algo concreto falle. En el Qwen Image 2.1 Cache, decide device y dtype ahora y anótalos, porque no puedes cambiarlos después y comparar dos imágenes como si solo hubiera cambiado el prompt. Y en el nodo Generate Text, deja refine_prompt desactivado hasta tener una línea base que te guste; luego actívalo, lee la reescritura en Preview Any, y conserva la semilla en la que estabas para que la comparación signifique algo.