Qwen-Image-Edit : La ligne d’édition, point de contrôle par point de contrôle

Ceci est la page de référence pour la gamme Qwen-Image-Edit — l’éditeur d’images suivant les instructions, et non le générateur texte-image avec lequel il a été conçu. La gamme compte exactement trois checkpoints publiés : Qwen-Image-Edit, publié le 17 août 2025 et basé sur le Qwen-Image 20B ; Qwen-Image-Edit-2509, l’itération mensuelle publiée le 22 septembre 2025 ; et Qwen-Image-Edit-2511, publié le 17 décembre 2025 comme version améliorée de 2509. Tout sur cette page est centré sur le plus récent de ces trois, et il indique de quel checkpoint chaque affirmation relève, à chaque fois. Il y a une chose de plus à nommer d’emblée, car c’est la réponse à la question que la plupart des gens se posent réellement : Qwen-Image-2.1 est un modèle unifié de génération texte-image et d’édition d’images avec un composant de génération visuelle de 7B, et Qwen-Image-2.1-Turbo est le même modèle en tant que checkpoint accéléré en 8 étapes. Ni l’un ni l’autre ne fait partie de la gamme d’édition, et cette distinction est toute la raison d’être de cette page.

Qwen-Image contre Qwen-Image-Edit

Si vous avez cherché la différence entre Qwen-Image et Qwen-Image-Edit, vous vous demandiez laquelle de ces deux choses vous avez devant vous. La réponse est claire et il vaut la peine de le dire sans détour, car les deux ne sont pas interchangeables et les noms de fichiers ne permettent pas de les distinguer.

• Qwen-Image — un modèle texte-image. Vous lui donnez des mots, il vous renvoie une image. C'est le modèle sur lequel Qwen-Image-Edit a été construit. La fiche du checkpoint d'édition original le décrit comme « la version d'édition d'image de Qwen-Image », construite sur le modèle Qwen-Image 20B, ce qui lui permet d'hériter du rendu de texte de Qwen-Image.

• Qwen-Image-Edit — un modèle image-à-image. Vous lui donnez une image accompagnée de texte, et il vous renvoie une version modifiée de cette image. La fiche du premier checkpoint le classe sous pipeline_tag: image-to-image. Vous ne pouvez pas lui demander une image à partir de rien ; l'image source n'est pas facultative.

• Le mécanisme qui fait la différence de l'édition — là où le générateur dispose d'un seul chemin d'entrée (le texte), l'éditeur en a trois. La fiche du checkpoint d'origine décrit l'injection de l'image d'entrée simultanément dans Qwen2.5-VL pour le contrôle sémantique visuel et dans l'encodeur VAE pour le contrôle de l'apparence visuelle. Ce second chemin est précisément ce qu'un modèle texte-image ne possède pas structurellement : on ne décrit pas votre image à l'éditeur avec des mots, il examine les latents de votre image.

• Là où les deux lignes convergent à nouveau — Qwen-Image-2.1 est décrit sur sa propre fiche comme « un modèle unifié de génération texte-image et d'édition d'image ». C'est une architecture de réponse différente à la même question : plutôt qu'un point de contrôle d'édition greffé sur un générateur, un seul modèle fait les deux. Son exemple d'édition passe un argument image= à un pipeline que vous utilisez aussi pour le texte-image. Si vous essayez de déterminer à quelle famille vous avez affaire, l'indice le plus rapide est le nom du point de contrôle : un nom de la série Qwen-Image-Edit… correspond à la ligne d'édition, et un nom de la série Qwen-Image-2.1… correspond au modèle unifié.

Rien ici ne constitue une recommandation de l’une par rapport à l’autre. Ce sont des réponses différentes à des problèmes différents, et le reste de cette page concerne la première.

Respect des instructions : ce qu’il change, et ce qu’il laisse intact

Voici la question que, d’après la demande de recherche, les gens tapent réellement, et elle mérite une réponse directe plutôt qu’une liste de fonctionnalités. La réponse honnête comporte deux moitiés, et une seule d’entre elles est confortable.

Commencez par la moitié qui est intégrée à la conception du modèle, car elle explique la plupart des signalements « il a changé plus que ce que j’avais demandé ». La fiche originale de Qwen-Image-Edit établit une distinction entre deux modes, et un seul d’entre eux promet que quelque chose sera préservé.

• Modification de l'apparence — travail visuel de bas niveau consistant à ajouter, supprimer ou modifier des éléments spécifiques. Selon la formulation même de la fiche, cela exige que « toutes les autres régions de l'image restent totalement inchangées ». C'est le mode qui correspond à ce que la plupart des gens entendent par modification.

• Édition sémantique — travail de haut niveau tel que la création d’IP, la rotation d’objets et le transfert de style. Ici, la fiche indique l’inverse : elle « permet des modifications globales des pixels tout en conservant une cohérence sémantique ». L’exemple concret fourni par le fournisseur est celui d’une mascotte capybara redessinée dans de nombreux styles, où la fiche note que « la plupart des pixels de l’image modifiée diffèrent de ceux de l’image d’entrée » tandis que la cohérence du personnage est préservée.

Ce second mode n’est pas un bug, et la fiche ne le présente pas comme tel. Mais c’est la raison pour laquelle une requête comme « faire en sorte que ceci ressemble à un film Ghibli » peut légitimement revenir sous la forme d’une image qui ne partage presque aucun pixel avec votre source. Si vous vouliez uniquement que le ciel soit modifié, vous ne demandiez pas une édition sémantique. Lisez ces éléments comme des descriptions du comportement prévu rapportées par le fournisseur, et non comme des mesures — la fiche les présente comme des choix de conception, et aucune partie n’a publié de taux auquel chaque mode tient sa promesse.

Maintenant, la moitié qui est moins confortable. Le projet de cette gamme a lui-même reconnu très tôt des problèmes de suivi des instructions, dans ses propres notes. Les notes du dépôt Qwen-Image pour le checkpoint original, datées du 19 août 2025, signalent des « désalignements de performance » dans cette première version et pointent spécifiquement la préservation de l’identité et le suivi des instructions, en dirigeant les utilisateurs vers une version mise à jour de Diffusers. Il s’agit d’un aveu rapporté par le fournisseur au sujet de son propre modèle, ce qui constitue à peu près la preuve la plus directe possible en matière d’adhésion aux instructions — et cela concerne le checkpoint d’août 2025, pas 2511.

L'exemple travaillé que le fournisseur donne lui-même d'un cas difficile est plus instructif que n'importe quelle affirmation. Dans la démonstration d'édition en chaîne de la carte d'origine, une œuvre de calligraphie générée par Qwen-Image contient des erreurs de caractères, et l'on demande à l'éditeur de corriger 稽 à l'intérieur d'un cadre rouge dessiné et 亭 à l'intérieur d'un cadre bleu. La carte indique que 稽 — un caractère obscur — n'est pas corrigé correctement en une seule étape : le composant inférieur droit devrait être 旨 et ressort sous la forme 日. Ce n'est qu'après avoir dessiné un cadre rouge supplémentaire bien serré autour de la région du 日 que le modèle produit le composant correct. Deux choses en découlent, et le fournisseur énonce l'une et l'autre : les boîtes englobantes sur l'image source sont un véritable mécanisme de contrôle, et une seule étape de correction délimitée ne suffit pas toujours. Il s'agit d'un échec rapporté par le fournisseur et d'un rétablissement rapporté par le fournisseur sur un exemple choisi par le fournisseur, ce qui est exactement la forme que ce type de preuve devrait avoir.

Catégories que les cartes documentent comme fonctionnelles, chacune comme une allégation d'un fournisseur plutôt qu'un résultat mesuré :

• Modifications au niveau des éléments avec préservation — ajout d’un panneau dans une scène (la fiche d’origine indique que le modèle a également généré un reflet correspondant), suppression de fines mèches de cheveux et de petits objets, recoloration d’une seule lettre dans une image.

• Édition de texte bilingue — ajout, suppression et modification de texte chinois et anglais dans une image tout en préservant la police, la taille et le style d'origine. La carte 2509 étend cette fonctionnalité à la modification du type de police, de la couleur et du matériau, et la carte originale montre l'édition d'affiches chinoises jusque dans les textes petits et complexes.

• Cohérence de l'identité et du personnage — La fiche de 2509 signale une meilleure préservation de l'identité faciale, prenant en charge les transformations de pose et les styles de portrait ; celle de 2511 fait état de gains supplémentaires sur les photos de groupe et sur la fusion de deux images de personnes distinctes en une seule photo de groupe cohérente.

• Synthèse de vues nouvelles et rotation d'objets — la carte originale montre une rotation d'objet à 90 degrés et une rotation complète à 180 degrés, ce qui la classe explicitement dans l'édition sémantique, où l'on s'attend à une modification des pixels de toute l'image.

• Travaux sur les produits — La fiche de 2509 indique la génération d'affiches produit à partir d'images produit sur fond uni, ainsi que la génération de logos. La fiche de 2511 ajoute la conception industrielle de produits par lots et le remplacement de matériaux pour les composants industriels.

• Conditionnement de style ControlNet — la fiche de 2509 signale une prise en charge native des cartes de profondeur, de contours et de points clés ainsi que des croquis, y compris l'utilisation d'une carte de points clés pour modifier la pose d'une personne.

• Guide de prise — la fiche de 2509 indique que l’édition multi-images fonctionne par concaténation d’images entre « personne + personne », « personne + produit » et « personne + scène », et précise que des performances optimales sont actuellement obtenues avec 1 à 3 images d’entrée. Cette limite supérieure est une recommandation du fournisseur, et non une limite stricte, et elle est énoncée pour 2509.

• Capacités plus récentes dans 2511 — la carte répertorie l’atténuation de la dérive d’image, l’intégration de LoRAs communautaires populaires sélectionnés directement dans le modèle de base, la génération améliorée de design industriel, et le raisonnement géométrique renforcé, avec un exemple de génération de lignes de construction auxiliaires pour l’annotation de conception.

Les points de contrôle, les noms et le chemin turbo

C'est ici qu'une grande partie du trafic de recherche fait fausse route, il vaut donc la peine d'être précis. La liste de l'organisation du modèle elle-même sur Hugging Face contient trois, et seulement trois, dépôts dans la ligne d'édition. C'est un constat négatif établi par sonde directe : les trois véritables dépôts se résolvent, et un ensemble de noms d'apparence plausible dans la même famille — notamment Qwen/Qwen-Image-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, et les deux Qwen/Qwen-Image-2.1-Edit et Qwen/Qwen-Image-Max-2512 — ne se résolvent pas dans des conditions identiques. Quoi que ces noms désignent, ce ne sont pas des points de contrôle publiés par l'organisation du modèle elle-même, et cette page ne devinera pas ce qu'ils sont.

Les trois qui existent :

• Qwen-Image-Edit — l'original, 17 août 2025, Apache-2.0, classé comme image-to-image. Chargé avec QwenImageEditPipeline. Son propre guide de démarrage rapide utilise true_cfg_scale=4.0, negative_prompt=" " et num_inference_steps=50.

• Qwen-Image-Edit-2509 — 22 septembre 2025, Apache-2.0, décrit sur sa fiche comme « l'itération mensuelle de Qwen-Image-Edit ». Chargé avec QwenImageEditPlusPipeline ; son démarrage rapide utilise true_cfg_scale=4.0, num_inference_steps=40 et guidance_scale=1.0. C'est le checkpoint qui a introduit l'entrée multi-images, le travail de cohérence renforcé et la prise en charge native de ControlNet.

• Qwen-Image-Edit-2511 — 17 décembre 2025, Apache-2.0, décrit sur sa fiche comme « une version améliorée par rapport à Qwen-Image-Edit-2509, présentant de multiples améliorations — dont une cohérence nettement meilleure ». Il se charge également avec QwenImageEditPlusPipeline, avec les mêmes paramètres d’échantillonnage que la 2509. Si vous n’avez aucune autre contrainte, il s’agit du point de contrôle le plus récent de la gamme d’édition.

Celle que le lecteur a probablement dépend de l’endroit où il l’a rencontrée. Quiconque utilise une fonctionnalité d’édition d’image hébergée se trouve très probablement sur 2511 ou 2509. Quiconque a téléchargé un checkpoint il y a un an et n’y a pas touché depuis se trouve très probablement sur l’original, et les différences qui comptent pour cette personne sont la cohérence et le travail multi-image ajoutés dans 2509, plutôt qu’un changement dans la façon dont l’édition fonctionne.

Maintenant, la question du turbo, posée précisément parce que le nom invite à une supposition erronée. Qwen-Image-2.1-Turbo n'est pas un checkpoint d'édition turbo. Sa fiche le décrit comme « un checkpoint accéléré de Qwen-Image-2.1 pour la génération texte-image et l'édition d'image avec 8 étapes de débruitage », utilisant la même architecture de génération visuelle 7B et se chargeant directement avec QwenImage21Pipeline. Ainsi, le chemin accéléré pour l'édition est le chemin accéléré du modèle unifié, et il hérite du comportement d'édition de ce modèle plutôt que de celui de la gamme d'édition.

Ce que turbo change, concrètement :

• Nombre d'étapes — 8 étapes de débruitage, contre 40 dans le démarrage rapide du modèle unifié et 40 ou 50 dans celle de la ligne d'édition.

• Guidage — la génération utilise CFG=1 par défaut, et la mise en cache KV du préfixe réutilise le contexte du texte et de l’image de référence au fil des étapes de débruitage. C’est de cette réutilisation que provient une bonne partie de l’accélération, et l’exemple d’édition de la carte passe use_kv_cache=True explicitement.

• Le planning est enregistré avec le checkpoint — la fiche indique que le planning d'échantillonnage recommandé en 8 étapes est enregistré avec le checkpoint et chargé automatiquement, et que définir num_inference_steps seul ne le remplace pas. Si vous définissez le nombre d'étapes et ne constatez aucun changement, c'est pourquoi. Un argument explicite sigmas au moment de l'appel remplace bien le planning enregistré, et la fiche ajoute que d'autres plannings n'ont pas été évalués pour ce checkpoint.

• Fidélité — la fiche ne formule aucune affirmation de fidélité pour le checkpoint turbo par rapport au modèle unifié, et aucune mesure indépendante isolant la fidélité d'édition du turbo n'est disponible pour être citée. Quiconque vous affirme que l'édition en 8 étapes est ou n'est pas aussi fidèle que l'édition en 40 étapes va au-delà de ce qui a été publié. Ce que la fiche documente, c'est le changement d'échantillonnage et le fait que l'architecture reste la même composante visuelle 7B, ce qui est la raison pour laquelle il vaut la peine de la tester plutôt que de la supposer.

Sur la qualité relative, les chiffres indépendants proviennent du classement d’édition d’images d’Artificial Analysis, qui est une mesure tierce plutôt qu’une affirmation de fournisseur, et ils méritent d’être lus attentivement, car deux d’entre eux ne correspondent pas à ce que leurs noms suggèrent.

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4 478 échantillons, novembre 2025, poids ouverts. C'est l'entrée au meilleur score de la ligne d'édition discrète.

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, 7 390 échantillons, septembre 2025, poids ouverts.

• Qwen Image Edit — 918 Elo, ±7, 7 415 échantillons, août 2025, poids ouverts. C’est environ 103 Elo en dessous de 2511 sur le même classement, soit l’ampleur de l’écart que le travail sur la cohérence a permis d’obtenir.

• Qwen Image Edit Max 2601 — 1000 Elo, ±8, 5 036 échantillons, daté de janvier 2026 sur le classement, poids fermés. Le classement répertorie cette entrée ; aucun dépôt correspondant n'apparaît dans la propre liste de l'organisation du modèle, de sorte que la nature exacte de ce checkpoint ne peut être établie à partir de sources primaires. Il est signalé ici comme une ligne d'un classement indépendant, et rien de plus.

• Qwen-Image-2.1 — 1074 Elo, ±9, 5 536 échantillons, poids ouverts, environ 53 Elo au-dessus du meilleur checkpoint d’édition. À noter que le classement indique la date de cette entrée comme septembre 2026 et ajoute « Aucune API disponible. » Qu’un modèle unifié surpasse la gamme d’édition dédiée est le fait le plus utile de cette page pour quiconque décide quoi exécuter, et il s’agit d’une mesure indépendante, non d’une affirmation de fournisseur.

La même page répertorie également les coûts API par 1 000 images pour plusieurs de ces entrées, et cette page ne les reprend délibérément pas : ils évoluent, ils sont rapportés par des forums plutôt que publiés par les fournisseurs, et un lecteur qui se fierait au chiffre du jour voudrait le lire à la source.

Ce que vous devez fournir

Les exigences d’entrée de l’éditeur sont ce qui décide la plupart des exécutions échouées, et la spécification est plus indulgente qu’on ne l’attend dans un sens, et moins indulgente dans un autre.

• L'image source est obligatoire et constitue l'intégralité de l'entrée — il n'existe pas de mode texte uniquement. La carte du checkpoint d'origine convertit son exemple en RGB avant de le transmettre ; la carte turbo du modèle unifié charge son exemple et le convertit en RGBA, ce qui importe car Qwen-Image-2.1 génère et modifie des images transparentes nativement.

• L'édition sans masque est la voie documentée dans le modèle unifié — la fiche de Qwen-Image-2.1 indique que les retouches locales peuvent être spécifiées par des cercles, des annotations peintes ou des masques distincts, et que le modèle prend en charge jusqu'à 10 images de référence. La voie sans masque via des cercles et des annotations peintes est celle que la fiche met en avant ; c'est la raison pour laquelle vous pouvez marquer une région dans un éditeur d'images ordinaire plutôt que de produire un fichier de masque.

• L'édition masquée existe sous la forme d'un pipeline distinct — un pipeline d'inpainting à part expose mask_image, masked_image_latents et padding_mask_crop aux côtés d'un paramètre strength dont la valeur par défaut est 0.6. Si vous avez passé du temps à chercher un curseur strength sur les checkpoints d'édition sans en trouver, voici pourquoi : les pipelines propres à la gamme d'édition n'en acceptent pas, et l'exemple d'édition du modèle unifié transmet un prompt et une image sans aucun argument strength.

• La résolution source est contrainte, et la contrainte est arithmétique — le pipeline d'origine comme le pipeline plus vérifient que la hauteur est divisible par deux fois le facteur d'échelle du VAE. Sur le pipeline du modèle unifié, le facteur d'échelle du VAE est de 16 et la vérification préconise une divisibilité par 32, avec une valeur par défaut de output_resolution de 1024. Transmettre directement une taille de photo arbitraire est l'un des moyens habituels d'obtenir un échec franc plutôt qu'une mauvaise retouche.

• Des préréglages natifs en haute résolution existent, et ce sont des chiffres précis — le modèle unifié et son checkpoint turbo publient les mêmes sept préréglages : 1:1 en 2048×2048, 4:3 en 2400×1792, 3:4 en 1792×2400, 3:2 en 2528×1696, 2:3 en 1696×2528, 16:9 en 2752×1536 et 9:16 en 1536×2752. L'exemple texte-image de la carte turbo utilise le préréglage portrait 1696×2528 et son exemple d'édition utilise 2048×2048.

• L'entrée multi-images possède un point d'équilibre documenté — jusqu'à 3 images pour 2509, et jusqu'à 10 références pour le modèle unifié. Dépasser la plage documentée par le fournisseur n'est pas interdit, mais aucune publication ne décrit ce qui se passe lorsque vous le faites.

• Une exigence d'approvisionnement supplémentaire facile à manquer — le chemin d'édition du modèle unifié utilise un num_inference_steps de 40 dans son démarrage rapide et les valeurs par défaut de son pipeline incluent use_kv_cache=True et true_cfg_scale=1.0. Lire ces valeurs par défaut avant de régler quoi que ce soit vous épargnera un moment de confusion quant à la raison pour laquelle la sortie a changé alors que vous pensiez n'avoir modifié qu'une seule chose.

Modifier une image que vous avez déjà modifiée

C'est la zone la moins bien établie de la page et il vaut la peine de distinguer ce qui est documenté de ce qui ne l'est pas. Deux mécanismes sont décrits, et l'un d'eux est la réponse propre du fournisseur à une défaillance.

• La correction en chaîne est documentée et attendue — le tutoriel de calligraphie sur la fiche d'origine est une boucle multi-tours, et non une passe unique. Le modèle échoue sur 稽 en une étape, le lecteur trace un cadre plus serré sur le composant en échec, et le tour suivant le corrige. La fiche présente cela comme la manière de travailler prévue, et non comme un contournement, et le résultat final est atteint après plusieurs tours successifs sur la même image. Si vous modifiez une image déjà modifiée, vous faites ce que le fournisseur documente.

• La dérive d’image est le risque nommé dans le plus récent checkpoint — la fiche de 2511 place « atténuer la dérive d’image » en tête de sa liste d’améliorations clés, terme employé par le fournisseur pour désigner l’accumulation de modifications indésirables au fil des tours. L’affirmation est que 2511 la réduit ; la fiche ne précise pas de combien, et aucune mesure indépendante de la dérive sur un nombre connu de tours d’édition n’existe pour l’étayer.

• Ce qui n’est pas tranché — combien de qualité coûte un troisième ou un cinquième tour, si la dérive s’accumule linéairement ou atteint un plateau, et si le calendrier en 8 étapes du checkpoint turbo dérive différemment du parcours en 40 étapes. Le fournisseur ne publie aucune courbe de qualité par tour pour aucun checkpoint de l’une ou l’autre ligne, et les tableaux indépendants mesurent l’édition en un seul passage plutôt que les chaînes. L’interprétation pratique est que le flux de travail documenté par le fournisseur est une chaîne courte et bornée avec une région dessinée à chaque tour, et rien de publié ne permet de considérer une longue chaîne de modifications non épinglées comme sûre.

• La réutilisation du contexte interagit avec le chaînage — la mise en cache KV du préfixe du checkpoint turbo réutilise le contexte textuel et d'image de référence à travers les étapes de débruitage, et l'exemple d'édition de la fiche l'active. Il s'agit d'une optimisation au sein d'un appel, et non d'une mémoire inter-tours ; rien dans la fiche ne suggère que le modèle conserve quoi que ce soit entre des appels distincts. Chaque tour part de l'image que vous lui fournissez.

Qu'est-ce qui n'est pas réglé ?

Gardée courte, car une page de référence qui cache ses limites est pire qu'une qui les signale.

• Ce que sont « Qwen Image Edit 3 » et « Qwen Image Edit 2512 ». Aucun de ces deux noms ne renvoie à un dépôt dans la liste publiée par l'organisation de modèles elle-même ; cette page ne peut donc pas indiquer quelle génération ils désignent, ni même s'ils en désignent une. Si une génération d'édition ultérieure est publiée, elle apparaîtra dans cette liste et cette page sera erronée jusqu'à ce qu'elle soit réécrite.

• Ce qu'est Qwen Image Edit Max 2601. Une carte indépendante porte la ligne ; aucun dépôt fournisseur correspondant n'existe. L'écart est signalé plutôt que comblé.

• Si le mode turbo nuit à la fidélité d'édition. Aucune affirmation du fournisseur, aucune mesure indépendante.

• Combien de dérive 2511 élimine réellement. Le fournisseur annonce une réduction sans la quantifier.

• Taux pour n'importe laquelle des capacités documentées. Chaque affirmation « fonctionne pour X » sur cette page est la propre fiche du point de contrôle décrivant le comportement attendu sur des exemples choisis. Aucune ne constitue un taux de réussite mesuré, et aucune ne doit être interprétée comme telle.

Votre prochaine action consiste à choisir l'un des trois checkpoints qui existent, à lire la fiche de ce checkpoint avant de modifier quoi que ce soit dans son démarrage rapide, et à lui fournir une image source dont les dimensions satisfont le contrôle de divisibilité du pipeline. Si la raison pour laquelle vous êtes ici est que vous voulez partir de votre propre image et en conserver autant que possible plutôt que de la modifier, c'est un problème connexe qui a son propre guide — la page image-to-image couvre le fait de partir de votre propre image et ce que signifie l'absence d'un contrôle de force pour celle-ci. Si, au contraire, vous voulez le modèle unifié plus récent parce qu'un classement indépendant le place au-dessus de toute la gamme d'édition, le checkpoint accéléré est le moyen économique de l'essayer avant de vous engager.