Qwen-Image-2.1 i2i : partir de votre propre image, et pourquoi il n'y a pas de curseur d'intensité

Si vous avez cherché Qwen-Image-2.1 i2i, vous savez déjà ce que signifie image-to-image (i2i) : vous fournissez une image à un modèle au lieu d'un latent vierge, et vous récupérez une image qui lui ressemble. Ce que cette page clarifie, c'est quand ce choix est le bon sur Qwen-Image-2.1 — et la partie qui surprend ceux qui viennent d'autres modèles d'image. Sur celui-ci, le curseur de force que vous cherchez n'existe pas. Le pipeline propre à Qwen-Image-2.1 ne prend aucun argument de force ni de débruitage : votre image de référence entre comme contexte, l'image cible part d'un bruit pur, et ce qui détermine l'ampleur de la dérive de la sortie par rapport à votre entrée, c'est ce que vous écrivez. Si ce dont vous avez réellement besoin, c'est qu'une chose nommée soit modifiée et le reste laissé intact, c'est un autre travail, pris en charge par une autre ligne de la famille — les checkpoints Qwen-Image-Edit — et la comparaison sur cette page est la partie à lire en premier, car un lecteur qui cherche « i2i » n'est souvent qu'à une recherche de trouver le mauvais outil.

Ce que fait réellement l’image d’entrée

Sur Qwen-Image-2.1, une image de condition entre dans le modèle par deux portes, et aucune des deux n’est « un latent de départ bruité que l’on atténue ». Le dépôt et la classe de pipeline diffusers publiés pour ce modèle décrivent les deux :

• Encodeur de texte — L’encodeur de texte est Qwen3-VL 8B, un modèle vision-langage, et le dépôt du fournisseur indique qu’il encode l’instruction textuelle et les images de condition en une représentation unifiée unique. Votre image fait littéralement partie de ce que le modèle lit comme son prompt.

• VAE — la même image est encodée en jetons latents et ajoutée en tête du bruit, avant les jetons propres à l'image cible, de sorte que le transformer traite une séquence conjointe unique, avec votre référence en premier et l'élément en cours de génération juste après.

• Début de la cible — les latents cibles sont échantillonnés à partir d'une gaussienne et débruités sur l'ensemble du calendrier, depuis sigma 1.0 jusqu'en bas. Il n'existe aucun point d'entrée de débruitage partiel dans ce pipeline.

La troisième puce constitue toute la différence avec l’i2i que la plupart des gens ont utilisé. Dans le schéma classique, vous encodez votre image d’entrée, y ajoutez du bruit proportionnellement à une valeur d’intensité, puis débruitez à partir de ce point — ainsi, l’entrée est véritablement présente dans le latent de départ et le paramètre d’intensité détermine quelle part en survit. Sur la voie propre à Qwen-Image-2.1, votre image n’est jamais le point de départ. Elle est contexte. Le résultat n’est pas une version nettoyée de votre fichier ; c’est une nouvelle image peinte avec votre fichier dans la pièce.

Un détail supplémentaire mérite d’être connu, car c’est là que réside réellement l’abréviation saisie par le lecteur. Le pipeline diffusers lève une erreur explicite si vous essayez de passer des latents pré-encodés comme image, avec le commentaire suivant : « l’encodeur de texte doit voir l’image elle-même ». L’image de condition doit être constituée de pixels, pas d’un tenseur.

Le réglage de la force, et où il est passé

Diffusers fournit bien un pipeline img2img pour cette famille, et l'argument strength se comporte exactement comme le domaine vous a appris à l'attendre. Lisez dans la docstring de la classe elle-même : l'image « est utilisée comme point de départ et plus de bruit est ajouté à mesure que le strength est élevé », et « une valeur de 1 ignore essentiellement image ». Ses valeurs par défaut sont strength=0.6 et num_inference_steps=50. Les deux extrémités sont donc les deux extrémités que vous connaissez déjà :

• Intensité proche de 0 — presque aucun bruit n’est ajouté, la boucle de débruitage est courte, et la sortie est à peine distinguishable de votre entrée. C’est le réglage pour l’étalonnage des couleurs, une passe de texture légère, une quasi-copie.

• Force à 1 — le bruit ajouté est maximal, le débruitage exécute toute la séquence, et l’image d’entrée est de fait ignorée. C’est du texte-vers-image avec une opération coûteuse sans effet rattachée.

Voici le piège, et c'est la raison d'être de cette page. L'exemple publié avec ce pipeline charge le checkpoint 2025, pas ce modèle. Qwen-Image-2.1 a sa propre classe de pipeline, QwenImage21Pipeline, et elle n'accepte aucun argument strength, aucun argument denoise, et aucun point d'entrée pour le bruit partiel. Quelle que soit la valeur dont vous vous souvenez l'avoir définie sur un autre modèle, il n'y a nulle part où la définir sur le chemin 2.1. Le levier est passé d'un nombre au prompt.

Ce n'est pas une lacune que le fournisseur a laissée ouverte. Il livre un modèle dont le seul rôle est d'écrire ce prompt : Qwen-Image-2.1-PE-I2I, un checkpoint Qwen3.5-VL 9B affiné qui prend une instruction vague plus une ou plusieurs images d'entrée et renvoie un objet JSON avec un rewritten_prompt et l'un de deux champs mutuellement exclusifs — wh_ratio, lorsque la requête crée une nouvelle composition, ou ratio_follow, lorsqu'elle doit hériter du rapport d'aspect d'une image d'entrée numérotée. Ce JSON est ce qui se rapproche le plus d'un réglage d'intensité pour Qwen-Image-2.1. C'est le modèle qui vous indique si votre requête conserve le cadre de l'entrée ou en construit un nouveau. Notez où la chaîne « i2i » apparaît dans la dénomination du fournisseur lui-même : sur ce checkpoint de réécriture de prompt, et non sur un checkpoint image-to-image distinct. La génération 2.1 n'en publie pas.

i2i ou édition : la règle à appliquer

Recourez à i2i lorsque vous voulez une variation. Recourez à l’édition lorsque vous voulez un changement. Tout le reste découle de cette seule phrase.

• Variation — vous aimez l’image et vous en voulez d’autres comme elle. Une autre prise, une lumière différente, le même personnage dans une nouvelle scène, le même produit dans un nouveau décor. Vous ne pouvez pas nommer une seule chose qui doive rester identique au pixel près, car vous ne préservez pas — vous repeignez. C’est un travail i2i.

• Modifier — vous pouvez nommer la chose. « Gardez le personnage et la pose inchangés, mettez-lui cette chemise. » L’instruction est une contrainte et le reste du cadre est une promesse qui vous est due en retour. C’est un travail de retouche.

Sur Qwen-Image-2.1, les deux comportements cohabitent dans un seul checkpoint. Les supports de lancement du fournisseur lui-même le qualifient de « modèle unifié de génération texte-image et d’édition d’image », et le parcours d’édition locale qu’il documente se présente sous forme de masque : encercler ou peindre la région, ou transmettre l’image d’origine et un masque séparé comme deux entrées. Ce que la génération 2.1 ne livre pas, c’est un checkpoint d’édition distinct.

Les points de contrôle d'édition dédiés relèvent d'une autre ligne et de générations différentes. La liste des modèles de l'organisation du fournisseur sur Hugging Face, consultée le 13 octobre 2026, comporte neuf modèles d'image sous cet auteur, et les entrées d'édition qu'elle contient sont Qwen-Image-Edit (créé le 17 août 2025), Qwen-Image-Edit-2509 (22 septembre 2025) et Qwen-Image-Edit-2511 (17 décembre 2025). Aucun d'entre eux n'est un modèle 2.1. Il convient donc de traiter avec prudence toute page qui mentionne « Qwen-Image-Edit 2.1 » : aucun dépôt portant ce nom n'existe dans la liste du fournisseur, et les graphies que les gens saisissent — « qwen image edit 3 », « qwen image edit 2512 » — ne correspondent pas non plus à un dépôt publié par le fournisseur. Quelle que soit ce qu'une affirmation sur la ligne d'édition vous indique, vérifiez de quelle génération il s'agit avant d'agir en conséquence, car cette ligne couvre trois générations datées et la version 2.1 n'en fait pas partie.

Concrètement, la règle se décompose ainsi. Si vous pouvez écrire l’instruction sous la forme d’une phrase contenant une cible — « faire du ciel un coucher de soleil », « retirer la montre » — vous êtes en terrain d’édition, et sur la 2.1, vous y accédez avec un masque ou une annotation peinte plutôt qu’en changeant d’outil. Si votre phrase n’a pas de cible et est en réalité une description de l’image que vous voulez ensuite, vous êtes en territoire i2i. Le lecteur qui a tapé « i2i » puis s’est retrouvé à écrire un impératif est celui qui a besoin du chemin d’édition, et c’est exactement la raison pour laquelle cette section figure aussi haut sur la page.

Ce que votre image d’entrée contraint

Cinq choses que vous corrigez dès que vous choisissez une référence, toutes documentées dans le code propre du pipeline ou dans la documentation publiée de ComfyUI pour ce modèle. À lire le 13 octobre 2026.

• Budget de résolution — du pipeline 2.1, l'output_resolution vaut 1024 par défaut, et chaque image de condition est redimensionnée à un budget de output_resolution au carré selon son propre rapport d'aspect, arrondi à des multiples de 32. Une photographie de 3000×4000 est donc réduite à environ 896×1184 — environ un mégapixel — avant que le modèle n'en voie le moindre pixel. La documentation de ComfyUI rend le coût concret : le même travail sur un canevas de 3008×4000 contre environ 896×1184 s'exécute à environ 6 secondes par itération contre environ 0,3, mesuré sur une RTX 5090. Réduire le canevas accélère une exécution i2i en produisant une image plus petite, et non en ajoutant du détail.

• Rapport d'aspect — si vous omettez la hauteur et la largeur, la toile de sortie est dérivée du rapport d'aspect de la dernière image de condition que vous transmettez. Individuellement, chaque référence conserve sa propre forme, si bien qu'un portrait et un paysage peuvent voyager dans le même appel sans que l'un soit recadré au cadre de l'autre.

• Multiples de 32 — le pipeline émet un avertissement et redimensionne silencieusement lorsque la hauteur ou la largeur n'est pas divisible par le facteur d'échelle du VAE multiplié par deux, qui vaut 32 sur ce modèle. Si vous choisissez un canevas à la main, arrondissez-le.

• Taille native — Qwen-Image-2.1 est entraîné en 2K, et les tailles recommandées par le dépôt se situent toutes dans cette plage : 2048×2048 pour 1:1, 2752×1536 pour 16:9, 1536×2752 pour 9:16, et 2400×1792 pour 4:3. La documentation de ComfyUI indique que la cible par défaut est d'un mégapixel, que vous définissez environ 4,0 MP pour un carré natif de 2048×2048, et — l'avertissement utile — qu'une cible bien supérieure à la taille d'entraînement, 4K par exemple, perd l'adhérence au prompt au lieu de gagner en détail.

• Alpha — si votre référence comporte de la transparence, l'encodeur de vision reçoit une copie composée sur fond blanc ; seule la copie VAE conserve les quatre canaux. Tout ce que vous attendez que le modèle comprenne au sujet de votre transparence est lu, du côté texte, comme un fond blanc.

Ce qui survit, et ce qui est réinventé

Soyez précis ici, parce que le matériel de publication et le mécanisme disent des choses différentes, et les deux sont vrais.

• Documenté pour résister — le fournisseur revendique un travail de fidélité sur deux fronts : l'identité du portrait, afin qu'une personne reste reconnaissable d'une édition et d'une génération à l'autre, et la cohérence du produit, en préservant le texte, les textures et la forme. Ce sont là des affirmations du fournisseur, illustrées par des exemples côte à côte plutôt que rattachées à une mesure, et aucun score indépendant pour l'une ou l'autre n'a été publié dans les documents consultés pour cette page le 13 octobre 2026.

• Garanti au niveau du pixel — rien. Votre référence est constituée de jetons de contexte et d'un préfixe visuel ; la cible est du bruit. Toute partie de l'entrée que votre invite n'aborde pas ou n'implique pas est libre de changer, et aucun paramètre du pipeline ne la maintient en place. Si un détail ne doit pas bouger, nommez-le dans l'invite, car rien d'autre ne le fera.

• Les marques se retrouvent dans l'entrée — dans le workflow d'édition documenté de ComfyUI, les traits de pinceau se déposent sur la couche RVB de l'image plutôt que dans un masque, si bien que l'enregistrement réinscrit l'image marquée dans le nœud et que les marques font alors partie de la référence lue par le modèle. Placez une marque à l'intérieur de la région que vous souhaitez modifier, et précisez aussi la couleur voulue dans le prompt, car sinon la couleur de la marque peut apparaître dans le résultat.

• Un canevas qui ne correspond pas décale le résultat — La documentation de ComfyUI conseille de garder un canevas personnalisé proche de la taille redimensionnée de la première image de référence, « sinon l'édition peut se décaler ». Une entrée dont la forme diffère du canevas demandé n'est pas letterboxée ; elle est déplacée.

• Le déterminisme nécessite deux réglages, pas un seul — basculer use_kv_cache sur le pipeline 2.1 modifie l'échantillon à graine fixe, car le cache fait que l'étape de décodage effectue l'attention avec une disposition de séquence différente de celle de l'étape de préremplissage, si bien que les deux « produisent des échantillons tout aussi valides mais visiblement distincts ». Le conseil du pipeline lui-même est de fixer l'indicateur. Dans ComfyUI, le contrôle équivalent est la précision de stockage du nœud de cache, où — chiffres de ComfyUI, non audités — int8 réduit de moitié le cache à une précision d'environ bf16 et int4 le divise par quatre tout en doublant à peu près l'erreur par étape.

Là où i2i n'est pas l'outil adapté

Cinq cas, chacun avec l’alternative nommée.

• Vous pouvez nommer précisément ce qu’il faut modifier. Utilisez le chemin d’instruction sur Qwen-Image-2.1 — peignez ou encerclez la région, ou passez un masque séparé comme deuxième entrée — ou un checkpoint dédié de la gamme Qwen-Image-Edit. i2i repeindra le cadre autour de votre cible, ainsi que la cible elle-même.

• Il faut que les pixels d'origine soient conservés. i2i produit une nouvelle image ; il n'en préserve aucun. C'est la voie du masque qui est conçue pour laisser le reste de l'image intact.

• Il vous faut la 4K.Au-dessus de la taille d'entraînement de 2K, le modèle perd en respect du prompt, d'après la documentation ComfyUI. L'i2i en 4K est une exécution plus lente qui suit moins votre description, et non une exécution plus nette.

• Vous avez besoin que les détails fins de l'entrée soient reproduits. L'image de condition est d'abord redimensionnée selon un budget d'environ un mégapixel, de sorte qu'une référence de 12 mégapixels n'atteint jamais le modèle en pleine résolution. Les détails plus fins que ce budget ont disparu avant même le début du débruitage.

• Vous avez besoin d'une exécution répétée identique bit à bit.Fixez l'indicateur du cache KV et la graine, et ne modifiez qu'un paramètre à la fois — sinon, vous comparez deux échantillonneurs différents et appelez cela du bruit.

Une référence croisée, parce que cela va se présenter : le checkpoint Turbo publié le 9 octobre 2026 utilise la même architecture de génération visuelle 7B et le même chemin de conditionnement d'image, et exécute le programme en 8 étapes de débruitage au lieu d'environ 40. Rien dans la façon dont votre image d'entrée est utilisée ne change entre les deux. Si vous voulez le chemin i2i rapidement, c'est le checkpoint à charger ; si vous cherchez pourquoi votre référence est ignorée, le nombre d'étapes n'est pas la variable.

Que faire ensuite

Partez du Quick Start du fournisseur lui-même, sur la fiche du modèle, plutôt que d'un tutoriel, et lisez la liste d'arguments de l'exemple d'édition : il passe image=input_image, définit num_inference_steps, et ne comporte nulle part d'argument strength. Cette absence est tout l'objet de cette page, et la constater dans le code du fournisseur est plus rapide que de croire un résumé.

À partir de là, définissez output_resolution à la taille dont vous avez réellement besoin avant de juger quoi que ce soit concernant la ressemblance, gardez votre canevas sur les préréglages 2K natifs lorsque c'est possible, et rédigez le prompt comme si la référence était une photographie posée à côté du prompt plutôt qu'un tenseur de latents en cours de débruitage partiel — car, sur ce modèle, c'est bien ce dont il s'agit. Et si, après trois essais, vous vous surprenez à vouloir dire « ne changez que ceci, laissez tout le reste », arrêtez. Cette phrase est votre signal que i2i est la mauvaise voie, et la ligne d'édition est là où elle a sa place.