Qwen-Image-Edit: La línea de edición, checkpoint por checkpoint

Esta es la página de referencia para la línea Qwen-Image-Edit —el editor de imágenes que sigue instrucciones, no el generador de texto a imagen junto al que se creó. La línea tiene exactamente tres checkpoints publicados: Qwen-Image-Edit, publicado el 17 de agosto de 2025 y basado en Qwen-Image de 20B; Qwen-Image-Edit-2509, la iteración mensual publicada el 22 de septiembre de 2025; y Qwen-Image-Edit-2511, publicado el 17 de diciembre de 2025 como una versión mejorada de 2509. Todo en esta página se centra en el más reciente de esos tres, e indica, siempre, a qué checkpoint se refiere cada afirmación. Hay una cosa más que nombrar desde el principio porque es la respuesta a la pregunta que la mayoría de la gente realmente se hace: Qwen-Image-2.1 es un modelo unificado de texto a imagen y edición de imágenes con un componente de generación visual de 7B, y Qwen-Image-2.1-Turbo es el mismo modelo como un checkpoint acelerado de 8 pasos. Ninguno de ellos es una entrada de la línea de edición, y esa distinción es la razón misma por la que existe esta página.

Qwen-Image frente a Qwen-Image-Edit

Si buscaste la diferencia entre Qwen-Image y Qwen-Image-Edit, estabas preguntando cuál de las dos cosas tienes delante. La respuesta es clara y vale la pena decirla sin rodeos, porque no son intercambiables entre sí y los nombres de archivo no te permiten distinguirlas.

• Qwen-Image — un modelo de texto a imagen. Le das palabras y te devuelve una imagen. Es el modelo sobre el que se construyó Qwen-Image-Edit. La propia tarjeta del checkpoint de edición original lo describe como «la versión de edición de imágenes de Qwen-Image», construida sobre el modelo Qwen-Image de 20B, y así es como hereda la representación de texto de Qwen-Image.

• Qwen-Image-Edit — un modelo de imagen a imagen. Le entregas una imagen y unas palabras, y te devuelve una versión modificada de esa imagen. La tarjeta del primer checkpoint lo clasifica bajo pipeline_tag: image-to-image. No puedes pedirle una imagen de la nada; la imagen de origen no es opcional.

• El mecanismo que hace que la edición sea diferente — donde el generador tiene una ruta de entrada (texto), el editor tiene tres. La tarjeta del checkpoint original describe alimentar la imagen de entrada simultáneamente a Qwen2.5-VL para el control semántico visual y al codificador VAE para el control de apariencia visual. Esa segunda ruta es la que un modelo de texto a imagen estructuralmente no tiene: al editor no se le informa sobre tu imagen con palabras, sino que está mirando los latentes de tu imagen.

• Donde las dos líneas vuelven a converger — Qwen-Image-2.1 se describe en su propia ficha como "un modelo unificado de generación de texto a imagen y edición de imágenes". Esa es una arquitectura distinta de respuesta a la misma pregunta: en lugar de un checkpoint de edición añadido a un generador, un único modelo hace ambas cosas. Su ejemplo de edición pasa un argumento image=a un pipeline que también usas para texto a imagen. Si intentas averiguar qué familia tienes, la pista más rápida es el nombre del checkpoint: un nombre de la serie Qwen-Image-Edit… es la línea de edición, y un nombre de la serie Qwen-Image-2.1… es el modelo unificado.

Nada de esto es una recomendación entre ellas. Son respuestas distintas a problemas distintos, y el resto de esta página trata sobre la primera.

Cumplimiento de las instrucciones: qué cambia y qué deja intacto

Esta es la pregunta que, según lo que indica la demanda de búsqueda, la gente está escribiendo realmente, y merece una respuesta directa en lugar de una lista de funciones. La respuesta honesta tiene dos partes, y solo una de ellas es cómoda.

Empieza por la mitad que está integrada en el diseño del modelo, porque explica la mayoría de los informes de «cambió más de lo que pedí». La ficha original de Qwen-Image-Edit traza una línea entre dos modos, y solo uno de ellos promete que se conserve algo.

• Edición de apariencia — trabajo visual de bajo nivel, como añadir, eliminar o modificar elementos concretos. La propia redacción de la tarjeta indica que esto exige que "todas las demás regiones de la imagen permanezcan completamente sin cambios". Este es el modo que coincide con lo que la mayoría de la gente entiende por edición.

• Edición semántica — trabajo de alto nivel como la creación de propiedad intelectual, la rotación de objetos y la transferencia de estilo. Aquí la tarjeta dice lo contrario: "permite cambios generales de píxeles mientras mantiene la consistencia semántica". El propio ejemplo práctico de esto que ofrece el proveedor es una mascota capibara redibujada en muchos estilos, donde la tarjeta señala que "la mayoría de los píxeles de la imagen editada difieren de los de la imagen de entrada" mientras se preserva la consistencia del personaje.

Ese segundo modo no es un error, y la tarjeta no lo presenta como tal. Pero es la razón por la que una petición como «haz que esto parezca una película de Ghibli» puede legítimamente devolver una imagen que no comparte casi ningún píxel con tu fuente. Si solo querías que cambiara el cielo, no estabas pidiendo edición semántica. Lee estas como descripciones del comportamiento previsto reportadas por el proveedor, no como mediciones — la tarjeta las presenta como diseño, y ninguna de las partes ha publicado una tasa a la que cada modo cumpla su promesa.

Ahora, la mitad que resulta menos cómoda. El propio proyecto de la línea reconoció pronto problemas de seguimiento de instrucciones, en sus propias notas. Las notas del repositorio de Qwen-Image para el checkpoint original, fechadas el 19 de agosto de 2025, señalan “desalineaciones de rendimiento” en esa primera versión y destacan específicamente la preservación de identidad y el seguimiento de instrucciones, y dirigen a los usuarios a una compilación actualizada de Diffusers. Eso es una admisión reportada por el proveedor sobre el modelo del propio proveedor, lo cual es tan directo como puede serlo la evidencia sobre la adherencia a las instrucciones — y se refiere al checkpoint de agosto de 2025, no a 2511.

El propio ejemplo desarrollado por el proveedor sobre un caso difícil es más instructivo que cualquier afirmación. En el recorrido de edición en cadena de la tarjeta original, una obra de caligrafía generada por Qwen-Image contiene errores de caracteres, y al editor se le pide corregir 稽 dentro de un recuadro rojo dibujado y 亭 dentro de uno azul. La tarjeta informa de que 稽 —un carácter poco conocido— no se corrige correctamente en un solo paso: el componente inferior derecho debería ser 旨 y vuelve como 日. Solo después de dibujar otro recuadro rojo bien ajustado alrededor de la región del 日 produce el modelo el componente correcto. De eso se derivan dos cosas, y el proveedor afirma ambas: los cuadros delimitadores sobre la imagen de origen son un mecanismo de control real, y un solo paso de corrección delimitado no siempre es suficiente. Eso es un fallo reportado por el proveedor y una recuperación reportada por el proveedor en un ejemplo elegido por el proveedor, que es exactamente la forma que debería tener esa evidencia.

Categoriza como funcionales las categorías que documentan las tarjetas, cada una como una afirmación del proveedor en lugar de un resultado medido:

• Ediciones a nivel de elemento con preservación — añadir un letrero a una escena (la tarjeta original señala que el modelo también generó un reflejo correspondiente), eliminar hebras finas de cabello y objetos pequeños, recolorear una sola letra en una imagen.

• Edición de texto bilingüe — añadir, eliminar y modificar texto en chino e inglés dentro de una imagen mientras se conservan la fuente, el tamaño y el estilo originales. La tarjeta 2509 amplía esto a la edición del tipo de fuente, el color y el material, y la tarjeta original muestra la edición de carteles en chino hasta texto pequeño y complejo.

• Consistencia de identidad y personaje — la ficha de 2509 informa de una mejor conservación de la identidad facial, con soporte para transformaciones de pose y estilos de retrato; la ficha de 2511 informa de mejoras adicionales en fotos de grupo con varias personas y en la fusión de dos imágenes de personas distintas en una sola toma de grupo coherente.

• Síntesis de vistas novedosas y rotación de objetos — la tarjeta original muestra una rotación del objeto de 90 grados y de 180 grados completos, lo que sitúa explícitamente esto en la edición semántica, donde se espera un cambio de píxeles en todo el fotograma.

• Trabajo de producto — la ficha de 2509 reporta la generación de pósteres de producto a partir de imágenes de producto con fondo liso, además de la generación de logotipos. La ficha de 2511 añade diseño industrial de producto por lotes y reemplazo de materiales para componentes industriales.

• Condicionamiento estilo ControlNet — la ficha de 2509 reporta soporte nativo para mapas de profundidad, de bordes y de puntos clave, y bocetos, incluido el uso de un mapa de puntos clave para cambiar la pose de una persona.

• Guía de toma — La ficha de 2509 informa que la edición de varias imágenes funciona mediante la concatenación de imágenes entre "persona + persona", "persona + producto" y "persona + escena", y afirma que actualmente se logra un rendimiento óptimo con 1 a 3 imágenes de entrada. Ese límite superior es una recomendación del proveedor, no un límite estricto, y se indica para 2509.

• Nuevas capacidades en 2511 — la tarjeta enumera la mitigación de la deriva de imagen, la integración de LoRAs comunitarias populares seleccionadas directamente en el modelo base, la generación mejorada de diseño industrial y el razonamiento geométrico reforzado, con un ejemplo de generación de líneas de construcción auxiliares para la anotación de diseño.

Los puntos de control, los nombres y la ruta turbo

Aquí es donde gran parte del tráfico de búsqueda se equivoca, así que vale la pena ser exactos. El propio listado de la organización del modelo en Hugging Face contiene tres, y solo tres, repositorios en la línea de edición. Eso es un hallazgo negativo establecido mediante sondeo directo: los tres repositorios reales se resuelven, y un conjunto de nombres de aspecto plausible de la misma familia — incluyendo Qwen/Qwen-Image-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, y tanto Qwen/Qwen-Image-2.1-Edit como Qwen/Qwen-Image-Max-2512 — no se resuelven en condiciones idénticas. Independientemente de a qué se refieran esos nombres, no son checkpoints publicados por la propia organización del modelo, y esta página no adivinará qué son.

Los tres que existen:

• Qwen-Image-Edit — el original, 17 de agosto de 2025, Apache-2.0, registrado como imagen a imagen. Se carga con QwenImageEditPipeline. Su propia guía de inicio rápido utiliza true_cfg_scale=4.0, negative_prompt=" " y num_inference_steps=50.

• Qwen-Image-Edit-2509 — 22 de septiembre de 2025, Apache-2.0, descrito en su ficha como "la iteración mensual de Qwen-Image-Edit". Se carga con QwenImageEditPlusPipeline; su inicio rápido usa true_cfg_scale=4.0, num_inference_steps=40 y guidance_scale=1.0. Este es el checkpoint que añadió la entrada de varias imágenes, el trabajo de mayor consistencia y la compatibilidad nativa con ControlNet.

• Qwen-Image-Edit-2511 — 17 de diciembre de 2025, Apache-2.0, descrito en su tarjeta como "una versión mejorada sobre Qwen-Image-Edit-2509, con múltiples mejoras, en particular una consistencia notablemente mejor". También se carga con QwenImageEditPlusPipeline, con la misma configuración de muestreo que 2509. Si no tienes otra restricción, este es el checkpoint más reciente de la línea de edición.

Cuál es probable que tenga el lector depende de dónde se haya encontrado con él. Es muy probable que cualquiera que use una función alojada de edición de imágenes esté en 2511 o 2509. Es muy probable que quien descargó un checkpoint hace un año y no lo ha tocado esté en el original, y las diferencias que les importan son la consistencia y el trabajo con múltiples imágenes añadidos en 2509, más que un cambio en cómo funciona la edición.

Ahora bien, la cuestión del turbo, planteada con precisión porque el nombre invita a una suposición errónea. Qwen-Image-2.1-Turbo no es un checkpoint de edición turbo. Su ficha lo describe como «un checkpoint acelerado de Qwen-Image-2.1 para la generación de texto a imagen y la edición de imágenes con 8 pasos de eliminación de ruido», que utiliza la misma arquitectura de generación visual de 7B y se carga directamente con QwenImage21Pipeline. Por lo tanto, la ruta acelerada para la edición es la ruta acelerada del modelo unificado, y hereda el comportamiento de edición de ese modelo en lugar del de la línea de edición.

Qué cambia turbo, concretamente:

• Número de pasos — 8 pasos de eliminación de ruido, frente a 40 en el inicio rápido del modelo unificado y 40 o 50 en el de la línea de edición.

• Guía — la generación usa CFG=1 de forma predeterminada, y el almacenamiento en caché KV de prefijo reutiliza el texto y el contexto de la imagen de referencia entre los pasos de eliminación de ruido. Esa reutilización es el origen de buena parte de la aceleración, y el ejemplo de edición de la tarjeta pasa use_kv_cache=True explícitamente.

• El plan se guarda con el checkpoint — la tarjeta indica que el plan de muestreo recomendado de 8 pasos se guarda con el checkpoint y se carga automáticamente, y que establecer num_inference_steps por sí solo no lo sobrescribe. Si estableces el número de pasos y no ves ningún cambio, esa es la razón. Un argumento explícito en el momento de la llamada, sigmas, sí sobrescribe el plan guardado, y la tarjeta añade que los otros planes no se han evaluado para este checkpoint.

• Fidelidad — la tarjeta no hace una afirmación de fidelidad del checkpoint turbo frente al modelo unificado, y no hay ninguna medición independiente disponible para citar que aísle la fidelidad de edición de turbo. Cualquiera que te diga que la edición de 8 pasos es o no es tan fiel como la edición de 40 pasos va más allá de lo que se ha publicado. Lo que sí documenta la tarjeta es el cambio de muestreo y que la arquitectura sigue siendo el mismo componente visual de 7B, que es la razón por la que vale la pena probarlo en lugar de darlo por sentado.

En cuanto a la calidad relativa, las cifras independientes proceden de la tabla de edición de imágenes de Artificial Analysis, que es una medición de terceros y no una afirmación de un proveedor, y merece la pena leerlas con atención porque dos de ellas no son lo que los nombres sugieren.

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4.478 muestras, noviembre de 2025, pesos abiertos. Esta es la entrada con la mejor puntuación en la línea de edición discreta.

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, 7.390 muestras, septiembre de 2025, pesos abiertos.

• Qwen Image Edit — 918 Elo, ±7, 7.415 muestras, agosto de 2025, pesos abiertos. Eso es aproximadamente 103 Elo por debajo de 2511 en la misma tabla, que es el tamaño de la brecha que compró el trabajo de consistencia.

• Qwen Image Edit Max 2601 — 1000 Elo, ±8, 5.036 muestras, con fecha de enero de 2026 en el ranking, pesos cerrados. El ranking incluye esta entrada; no aparece ningún repositorio coincidente en el listado propio de la organización del modelo, por lo que no puede establecerse qué es este checkpoint a partir de material primario. Se informa aquí como una fila de un ranking independiente y nada más.

• Qwen-Image-2.1 — 1074 Elo, ±9, 5.536 muestras, pesos abiertos, unos 53 Elo por encima del mejor checkpoint de edición. Ten en cuenta que la tabla etiqueta la fecha de esta entrada como septiembre de 2026 y añade "Sin API disponible". Que un modelo unificado supere en puntuación a la línea dedicada a la edición es el dato más útil de esta página para cualquiera que esté decidiendo qué ejecutar, y es una medición independiente, no una afirmación de un proveedor.

La misma página también enumera los costos de API por cada 1.000 imágenes de varias de estas entradas, y esta página deliberadamente no los incluye: cambian, son reportados por el foro en lugar de ser publicados por el proveedor, y un lector que actúe según la cifra de hoy querría leerla en la fuente.

Lo que tienes que proporcionar

Los requisitos de entrada del editor son donde se deciden la mayoría de las ejecuciones fallidas, y la especificación es más indulgente de lo que la gente espera en una dirección y menos indulgente en otra.

• La imagen de origen es obligatoria y constituye la totalidad de la entrada — no existe un modo de solo texto. La tarjeta del checkpoint original convierte su ejemplo a RGB antes de pasarlo; la tarjeta turbo del modelo unificado carga su ejemplo y lo convierte a RGBA, lo cual es importante porque Qwen-Image-2.1 genera y edita imágenes transparentes de forma nativa.

• La edición sin máscara es la ruta documentada en el modelo unificado — la ficha de Qwen-Image-2.1 afirma que las ediciones locales pueden especificarse mediante círculos, anotaciones pintadas o máscaras separadas, y que el modelo admite hasta 10 imágenes de referencia. La ruta sin máscara mediante círculos y anotaciones pintadas es la que la ficha presenta primero; es la razón por la que puedes marcar una región en un editor de imágenes común en lugar de generar un archivo de máscara.

• La edición enmascarada existe como un pipeline independiente — un pipeline de inpaint discreto expone mask_image, masked_image_latents y padding_mask_crop junto con un parámetro strength que por defecto es 0.6. Si has pasado tiempo buscando un control deslizante de strength en los checkpoints de edición y no lo has encontrado, esta es la razón: los pipelines propios de la línea de edición no aceptan uno, y el ejemplo de edición del modelo unificado pasa un prompt y una imagen sin ningún argumento de strength.

• La resolución de origen está restringida, y la restricción es aritmética — tanto el pipeline original como el plus validan que la altura sea divisible por el doble del factor de escala del VAE. En el pipeline del modelo unificado, el factor de escala del VAE es 16 y la comprobación advierte sobre la divisibilidad por 32, con un predeterminado output_resolution de 1024. Pasar un tamaño de foto arbitrario directamente es una de las formas habituales de obtener un fallo grave en lugar de una edición incorrecta.

• Existen preajustes nativos de alta resolución, y son números concretos — el modelo unificado y su checkpoint turbo publican los mismos siete preajustes: 1:1 a 2048×2048, 4:3 a 2400×1792, 3:4 a 1792×2400, 3:2 a 2528×1696, 2:3 a 1696×2528, 16:9 a 2752×1536 y 9:16 a 1536×2752. El ejemplo de texto a imagen de la tarjeta turbo usa el preajuste vertical de 1696×2528 y su ejemplo de edición usa 2048×2048.

• La entrada de varias imágenes tiene un punto óptimo documentado — hasta 3 imágenes para 2509, y hasta 10 referencias para el modelo unificado. Superar el rango que documenta el proveedor no está prohibido, pero no hay nada publicado que describa qué ocurre cuando lo haces.

• Un requisito de suministro más que es fácil pasar por alto — la ruta de edición del modelo unificado utiliza un num_inference_steps de 40 en su inicio rápido y sus valores predeterminados de pipeline incluyen use_kv_cache=True y true_cfg_scale=1.0. Leer esos valores predeterminados antes de ajustar cualquier cosa te ahorrará una ronda de confusión sobre por qué cambió la salida cuando pensabas que solo habías cambiado una cosa.

Editar una imagen que ya has editado

Esta es la zona menos definida de la página y vale la pena separar lo que está documentado de lo que no. Se describen dos mecanismos, y uno de ellos es la propia respuesta del proveedor a un fallo.

• La corrección encadenada está documentada y es esperada — el tutorial de caligrafía en la tarjeta original es un bucle de varios turnos, no una sola pasada. El modelo falla en 稽 en un paso, el lector dibuja un cuadro más ajustado sobre el componente fallido, y el siguiente turno lo corrige. La tarjeta presenta esto como la forma prevista de trabajar en lugar de como una solución alternativa, y el resultado final se alcanza tras varios turnos sucesivos sobre la misma imagen. Si estás editando una imagen ya editada, estás haciendo lo que el proveedor documenta.

• La deriva de imagen es el riesgo nombrado en el checkpoint más reciente — la ficha del 2511 encabeza su lista de mejoras clave con «mitigar la deriva de imagen», que es el término del propio proveedor para la acumulación de cambios no deseados a lo largo de los turnos. La afirmación es que el 2511 la reduce; la ficha no cuantifica en qué medida, y no existe ninguna medición independiente de la deriva a lo largo de un número conocido de turnos de edición que se pueda citar.

• Lo que no está resuelto — cuánta calidad cuesta un tercer o quinto turno, si la deriva se acumula de forma lineal o se estanca, y si el programa de 8 pasos del checkpoint turbo deriva de manera distinta a la ruta de 40 pasos. El proveedor no publica ninguna curva de calidad por turno para ningún checkpoint de ninguna de las dos líneas, y los paneles independientes miden la edición de una sola pasada en lugar de cadenas. La lectura práctica es que el flujo de trabajo documentado por el proveedor es una cadena corta y acotada con una región dibujada en cada turno, y nada de lo publicado respalda tratar una cadena larga de ediciones no fijadas como segura.

• La reutilización de contexto interactúa con el encadenamiento — el almacenamiento en caché de KV de prefijo del checkpoint turbo reutiliza el contexto de texto e imagen de referencia entre los pasos de eliminación de ruido, y el ejemplo de edición de la tarjeta lo activa. Eso es una optimización dentro de una misma llamada, no una memoria entre turnos; nada en la tarjeta sugiere que el modelo retenga algo entre llamadas separadas. Cada turno parte de la imagen que le entregas.

Lo que no está resuelto

Breve, porque una página de referencia que oculta sus límites es peor que una que los señala.

• Qué son "Qwen Image Edit 3" y "Qwen Image Edit 2512". Ninguno de los dos nombres corresponde a un repositorio en el listado propio de la organización de modelos, por lo que esta página no puede decir qué generación nombran, ni si nombran alguna en absoluto. Si se publica una generación de edición posterior, aparecerá en ese listado y esta página será incorrecta hasta que se reescriba.

• Qué es Qwen Image Edit Max 2601. Una placa independiente incluye la fila; no existe ningún repositorio del proveedor que coincida. La laguna se señala en lugar de rellenarse.

• Si el modo turbo sacrifica fidelidad de edición. Ninguna afirmación del proveedor, ninguna medición independiente.

• Cuánta deriva elimina realmente 2511. El proveedor afirma una reducción y no la cuantifica.

• Tasas para cualquiera de las capacidades documentadas.Toda afirmación de "funciona para X" en esta página es la propia ficha del checkpoint que describe el comportamiento previsto en ejemplos elegidos. Nada de ello es una tasa de éxito medida, y nada de ello debe interpretarse como tal.

Tu siguiente acción es elegir uno de los tres checkpoints que existen, leer la propia tarjeta de ese checkpoint antes de cambiar nada en su inicio rápido, y darle una imagen de origen cuyas dimensiones cumplan la comprobación de divisibilidad del pipeline. Si la razón por la que has venido aquí es que quieres empezar desde una imagen tuya y conservar de ella tanto como sea posible en lugar de cambiarla, ese es un problema relacionado con su propia guía: la página de imagen a imagen cubre cómo empezar desde tu propia imagen y qué implica para ello la ausencia de un control de fuerza. Si, en cambio, quieres el modelo unificado más reciente porque una tabla de clasificación independiente lo sitúa por encima de toda la línea de edición, el checkpoint acelerado es la forma barata de probarlo antes de comprometerte.