Qwen-Image-2.1 i2i: להתחיל מהתמונה שלך, ולמה אין סליידר עוצמה

אם חיפשתם Qwen-Image-2.1 i2i, אתם כבר יודעים מה המשמעות של image-to-image (i2i): אתם נותנים למודל תמונה במקום latent ריק, ומקבלים בחזרה תמונה שדומה לה. מה שהדף הזה מבהיר הוא מתי זה הצעד הנכון ב-Qwen-Image-2.1 — והחלק שמפתיע אנשים שמגיעים ממודלים אחרים לתמונות. במודל הזה, סליידר ה-strength שאתם מחפשים לא קיים. ה-pipeline של Qwen-Image-2.1 עצמו לא מקבל בכלל ארגומנט strength או denoise: תמונת ההתייחסות שלכם נכנסת כקונטקסט, תמונת היעד מתחילה מרעש טהור, והדבר שקובע עד כמה הפלט סוטה מהקלט שלכם הוא מה שאתם כותבים. אם מה שאתם באמת צריכים הוא דבר אחד מסוים שישתנה וכל השאר יישאר כמו שהוא, זו משימה אחרת שמטופלת בשורה אחרת במשפחה — ה-checkpoints של Qwen-Image-Edit — וההשוואה בדף הזה היא החלק ששווה לקרוא קודם, כי קורא שמחפש "i2i" נמצא לעתים קרובות חיפוש אחד מהכלי הלא נכון.

מה שתמונת הקלט בעצם עושה

ב־Qwen-Image-2.1 תמונת תנאי נכנסת למודל דרך שני שערים, ואף אחד מהם אינו "לטנט התחלתי רועש שאתם מנמיכים בעוצמתו". המאגר ומחלקת ה-pipeline של diffusers שפורסמו עבור המודל הזה מתארים את שניהם:

• מקודד טקסט — מקודד הטקסט הוא Qwen3-VL 8B, מודל חזותי-לשוני, ובמאגר של הספק נכתב שהוא מקודד את הוראת הטקסט ואת תמונות התנאי לייצוג מאוחד אחד. התמונה שלך היא, פשוטו כמשמעו, חלק ממה שהמודל קורא בתור הפרומפט שלו.

• VAE — אותה תמונה מקודדת לטוקנים סמויים ומוצמדת לפני הרעש, לפני הטוקנים של תמונת היעד עצמה, כך שהטרנספורמר רואה רצף מאוחד אחד שבו ההפניה שלך נמצאת ראשונה והדבר שנוצר נמצא אחריה.

• תחילת יעד — הלטנטים של היעד נדגמים מהתפלגות גאוסית ומוסרת מהם רעש לאורך כל לוח הזמנים, מ-sigma 1.0 ומטה. אין נקודת כניסה להסרת רעש חלקית בצינור העיבוד הזה.

הסעיף השלישי הוא כל ההבדל מה-i2i שרוב האנשים השתמשו בו. בשיטה הקלאסית, אתה מקודד את תמונת הקלט שלך, מוסיף לה רעש בהתאם לערך עוצמה, ומסיר רעש מנקודה זו — כך שהקלט אכן נוכח בלטנט ההתחלתי, ומספר העוצמה קובע כמה ממנו שורד. במסלול של Qwen-Image-2.1 עצמו, התמונה שלך לעולם אינה נקודת ההתחלה. היא הקשר. הפלט אינו גרסה מנוקה של הקובץ שלך; זוהי תמונה חדשה שמצוירת כשהקובץ שלך נמצא בחדר.

עוד פרט אחד שווה לדעת, כי שם נמצא למעשה הקיצור שהקורא הקליד. צינור ה-diffusers מעלה שגיאה מפורשת אם מנסים להעביר לטנטים מקודדים מראש בתור image, עם ההערה ש"מקודד הטקסט חייב לראות את התמונה עצמה". ה-image בתנאי חייב להיות פיקסלים, לא טנזור.

בקרת העוצמה, ולאן היא נעלמה

Diffusers אכן מספקת pipeline של img2img עבור המשפחה הזו, והארגומנט strength שלה מתנהג בדיוק כפי שהתחום לימד אותך לצפות. קרא מתוך ה-docstring של המחלקה עצמה: התמונה "משמשת כנקודת התחלה, ויותר רעש מתווסף ככל שה-strength גבוה יותר", ו"ערך של 1 למעשה מתעלם מ-image". ברירות המחדל שלו הן strength=0.6 ו-num_inference_steps=50. שני הקצוות הם אפוא שני הקצוות שאתה כבר מכיר:

• עוצמה קרובה ל-0 — כמעט ולא מתווסף רעש, לולאת הפחתת הרעש קצרה, והפלט בקושי ניתן להבחנה מהקלט שלך. זוהי ההגדרה לכיול צבע, למעבר טקסטורה קל, להעתק כמעט זהה.

• עוצמה ב-1 — כמות הרעש שנוספת היא מקסימלית, הסרת הרעש פועלת לפי לוח הזמנים המלא, ותמונת הקלט למעשה נזרקת. זהו טקסט-לתמונה עם פעולה חסרת תועלת ויקרה מצורפת.

הנה המלכוד, וזו הסיבה שהעמוד הזה קיים. הדוגמה שפורסמה עם הצינור הזה טוענת את נקודת הביקורת של 2025, ולא את המודל הזה. ל-Qwen-Image-2.1 יש מחלקת צינור משלו, QwenImage21Pipeline, והיא לא מקבלת strength ארגומנט, ולא denoise ארגומנט, ואין נקודת כניסה לרעש חלקי. כל ערך שאתה זוכר שקבעת במודל אחר, אין שום מקום בנתיב 2.1 לקבוע אותו. הידית עברה ממספר לפרומפט.

זה לא פער שהספק השאיר פתוח. הוא משיק מודל שתפקידו היחיד הוא לכתוב את הפרומפט הזה: Qwen-Image-2.1-PE-I2I, צ'קפוינט Qwen3.5-VL 9B שעבר כיוונון עדין, שמקבל הוראה מעורפלת בתוספת תמונת קלט אחת או יותר ומחזיר אובייקט JSON עם rewritten_prompt ואחד משני שדות בלעדיים זה לזה — wh_ratio, כאשר הבקשה יוצרת קומפוזיציה חדשה, או ratio_follow, כאשר עליו לרשת את יחס הגובה-רוחב של תמונת קלט ממוספרת. ה-JSON הזה הוא הדבר הקרוב ביותר להגדרת עוצמה שיש ל-Qwen-Image-2.1. זה המודל שאומר לך אם הבקשה שלך שומרת על המסגרת של הקלט או בונה מסגרת חדשה. שימו לב היכן מופיעה המחרוזת "i2i" בשמות של הספק עצמו: על צ'קפוינט שכתוב הפרומפט הזה, ולא על צ'קפוינט נפרד של תמונה-לתמונה. דור 2.1 לא מפרסם כזה.

i2i או עריכה: הכלל שיש להחיל

פנו אל i2i כשרוצים וריאציה. פנו אל העריכה כשרוצים שינוי. כל השאר נובע מהשורה האחת הזו.

• וריאציה — אתה אוהב את התמונה ורוצה עוד כאלה. גרסה נוספת, תאורה שונה, אותה דמות בסצנה חדשה, אותו מוצר בסביבה חדשה. אתה לא יכול לנקוב בדבר אחד שחייב להישאר זהה ברמת הפיקסל, כי אתה לא משמר — אתה מצייר מחדש. זו משימת i2i.

• שינוי — אפשר לתת לזה שם. "השאירו את הדמות והתנוחה ללא שינוי, הלבישו עליה את החולצה הזאת." ההוראה היא אילוץ, ושאר הפריים הוא הבטחה שמגיעה לך בחזרה. זו עבודת עריכה.

ב-Qwen-Image-2.1 שתי ההתנהגויות נמצאות בצ'קפוינט אחד. חומרי ההפצה של הספק עצמו מכנים אותו "מודל מאוחד ליצירת תמונות מטקסט ולעריכת תמונות", ונתיב העריכה המקומית שהוא מתעד הוא בצורת מסכה: להקיף את האזור בעיגול או לצבוע אותו, או להעביר את התמונה המקורית ומסכה נפרדת כשני קלטים. מה שדור 2.1 אינו מספק הוא צ'קפוינט עריכה נפרד.

נקודות הביקורת הייעודיות לעריכה הן קו אחר ודורות שונים. רשימת המודלים של הארגון המוכר עצמו ב-Hugging Face, כפי שנקראה ב-13 באוקטובר 2026, מכילה תשעה מודלים של תמונות תחת אותו מחבר, והערכים לעריכה בה הם Qwen-Image-Edit (נוצר ב-17 באוגוסט 2025), Qwen-Image-Edit-2509 (22 בספטמבר 2025) ו-Qwen-Image-Edit-2511 (17 בדצמבר 2025). אף אחד מהם אינו מודל 2.1. לכן התייחסו בזהירות לכל דף שאומר "Qwen-Image-Edit 2.1": אין מאגר בשם זה ברשימת המוכר, וגם האיותים שאנשים מקלידים — "qwen image edit 3", "qwen image edit 2512" — אינם תואמים למאגר מפורסם של המוכר. יהיה מה שטענה על קו העריכה תאמר לכם, בדקו על איזה דור היא מדברת לפני שאתם פועלים לפיה, כי הקו משתרע על שלושה דורות מתוארכים ושחרור 2.1 אינו אחד מהם.

באופן מעשי, הכלל מתפרק כך. אם אתם יכולים לנסח את ההוראה כמשפט שיש בו מטרה — "הפכו את השמיים לשקיעה", "הסירו את השעון" — אתם בטריטוריית עריכה, וב-2.1 מגיעים אליה באמצעות מסכה או סימון מצויר ולא באמצעות החלפת כלים. אם במשפט שלכם אין מטרה והוא בעצם תיאור של התמונה שאתם רוצים בהמשך, אתם בטריטוריית i2i. הקורא שהקליד "i2i" ואז מצא את עצמו כותב ציווי הוא הקורא שזקוק לנתיב העריכה, וזו כל הסיבה שהקטע הזה יושב כל כך גבוה בעמוד.

מה שתמונת הקלט שלך מגבילה

חמישה דברים שאתם מתקנים ברגע שאתם בוחרים רפרנס, כולם מתועדים בקוד של הפייפליין עצמו או בתיעוד שפרסמה ComfyUI עבור המודל הזה. קראו ב-13 באוקטובר 2026.

• תקציב רזולוציה — של צינור 2.1: output_resolutionמוגדר כברירת מחדל ל-1024, וכל תמונת תנאי ממוזערת לתקציב של output_resolutionבריבוע, לפי יחס הגובה-רוחב שלה, מעוגל לכפולות של 32. לפיכך תצלום בגודל 3000×4000 מוקטן לכ-896×1184 — כעין מגה-פיקסל אחד — בטרם רואה המודל אף פיקסל אחד ממנו. התיעוד של ComfyUI ממחיש את העלות באופן מוחשי: אותה עבודה על קנבס של 3008×4000 לעומת כ-896×1184 רצה בכ-6 שניות לאיטרציה לעומת כ-0.3, כפי שנמדד על RTX 5090. הקטנת הקנבס מאיצה ריצת i2i בכך שהיא מפיקה תמונה קטנה יותר, ולא בכך שהיא מוסיפה פרטים.

• יחס רוחב-גובה — אם תשמיטו את height ו-width, קנבס הפלט נגזר מיחס הרוחב-גובה של תמונת התנאי האחרונה שאתם מעבירים. כל רפרנס שומר בנפרד על הצורה שלו, כך שתמונת לאורך ותמונת לרוחב יכולות לעבור באותה קריאה בלי שאחת מהן תיחתך למסגרת של האחרת.

• כפולות של 32 — ה-pipeline מזהיר ומשנה את הגודל בשקט כאשר הגובה או הרוחב אינם מתחלקים בגורם הסקאלה של ה-VAE כפול שתיים, שבמודל הזה הוא 32. אם אתם בוחרים קנבס ביד, עגלו אותו.

• גודל מקורי — Qwen-Image-2.1 מאומן ברזולוציית 2K, והגדלים שהמאגר ממליץ עליהם נמצאים כולם בטווח הזה: 2048×2048 עבור 1:1, 2752×1536 עבור 16:9, 1536×2752 עבור 9:16, ו-2400×1792 עבור 4:3. התיעוד של ComfyUI מציין שיעד ברירת המחדל הוא מגה-פיקסל אחד, שיש להגדיר בערך 4.0 MP עבור ריבוע מקורי של 2048×2048, וכן — האזהרה השימושית — שיעד גבוה בהרבה מהגודל שעליו אומן המודל, למשל 4K, מאבד היצמדות לפרומפט במקום להרוויח פרטים.

• אלפא — אם ההפניה שלך כוללת שקיפות, מקודד הראייה מקבל עותק שהורכב מעל רקע לבן; רק עותק ה-VAE שומר על כל ארבעת הערוצים. כל מה שאתה מצפה שהמודל יבין לגבי השקיפות שלך נקרא על ידי הצד הטקסטואלי כרקע לבן.

מה שורד, ומה מומצא מחדש

היה מדויק כאן, כי חומר השחרור והמנגנון אומרים דברים שונים ושניהם נכונים.

• מתועד כנשמר — הספק מצהיר על עבודת נאמנות בשני מישורים: זהות דיוקן, כך שאדם נשאר מזוהה לאורך עריכות ודורות, ועקביות מוצר, תוך שמירה על טקסט, מרקמים וצורה. אלו טענות ספק המודגמות בדוגמאות זו לצד זו ולא מלוות במדידה, ולא פורסם ציון בלתי תלוי לאף אחד מהשניים בחומר שנקרא עבור עמוד זה ב-13 באוקטובר 2026.

• מובטח ברמת הפיקסל — שום דבר. הרפרנס שלך הוא טוקנים של הקשר וקידומת חזותית; היעד הוא רעש. כל חלק בקלט שהפרומפט שלך אינו מתייחס אליו ואינו מרמז עליו חופשי להשתנות, ואין שום הגדרה בצינור שמחזיקה אותו במקומו. אם פרט אסור שיזוז, ציין אותו בפרומפט, כי שום דבר אחר לא יעשה זאת.

• סימנים דולפים אל תוך הקלט — בתהליך העריכה המתועד של ComfyUI, משיכות עט צבע נוחתות על שכבת ה-RGB של התמונה ולא במסכה, כך ששמירה כותבת את התמונה המסומנת בחזרה לתוך הצומת והסימנים הופכים לחלק מההפניה שהמודל קורא. השאר סימן בתוך האזור שברצונך לשנות, וציין גם את הצבע הרצוי בפרומפט, כי אחרת צבע הסימן עלול להופיע בפלט.

• קנבס שאינו תואם מזיז את התוצאה — התיעוד של ComfyUI ממליץ לשמור על קנבס מותאם אישית קרוב לגודל לאחר שינוי הגודל של תמונת הייחוס הראשונה, "אחרת העריכה עלולה לזוז". קלט שצורתו שונה מהקנבס שביקשת אינו עובר letterbox; הוא מוזז.

• דטרמיניזם מצריך שתי הגדרות, לא אחת — הפעלה או כיבוי של use_kv_cache בצינור 2.1 משנים את הדגימה בזרע קבוע, כי המטמון גורם לשלב הפענוח לבצע קשב בפריסת רצף שונה מזו של שלב ה-prefill, כך ששני השלבים "נותנים דגימות תקפות באותה מידה אך נבדלות לעין". העצה של הצינור עצמו היא לקבע את הדגל. ב-ComfyUI הבקרה המקבילה היא דיוק האחסון של צומת המטמון, כאשר — לפי הנתונים של ComfyUI עצמה, שלא עברו ביקורת — int8 מחצה את המטמון בדיוק של בערך bf16, ו-int4 מרבעת אותו תוך הכפלה בערך של השגיאה לכל צעד.

היכן i2i הוא הכלי הלא נכון

חמישה מקרים, כשלכל אחד מהם מצוינת החלופה בשמה.

• אפשר לציין בדיוק את הדבר לשנות. השתמשו במסלול ההוראות ב-Qwen-Image-2.1 — צבעו או הקיפו בעיגול את האזור, או העבירו מסכה נפרדת כקלט שני — או בצ'קפוינט ייעודי משורת Qwen-Image-Edit. i2i יצייר מחדש את הפריים סביב היעד שלכם יחד עם היעד עצמו.

• אתה צריך שהפיקסלים המקוריים יישמרו. i2i מייצר תמונה חדשה; הוא לא משמר אף אחד מהם. מסלול המסכה הוא זה שנבנה כדי לא לגעת בשאר הפריים.

• אתה צריך 4K. מעל גודל האימון של 2K המודל מאבד את הדבקות בפרומפט, לפי התיעוד של ComfyUI. i2i ב-4K היא ריצה איטית יותר שעוקבת פחות אחרי התיאור שלך, לא ריצה חדה יותר.

• אתה צריך שפרט עדין מהקלט ישוחזר. תמונת התנאי מוקטנת תחילה לתקציב של כמיגה-פיקסל אחד, כך שתמונת ייחוס בת 12 מגה-פיקסל לעולם אינה מגיעה למודל ברזולוציה מלאה. פרט קטן מתקציב זה נעלם לפני שהסרת הרעש מתחילה.

• אתה צריך הרצה חוזרת זהה ביט-בביט. תקן את דגל מטמון ה-KV ואת ה-seed, ושנה הגדרה אחת בכל פעם — אחרת אתה משווה בין שני סמפלרים שונים וקורא לזה רעש.

הערת הצלבה אחת, כי זה יעלה בהמשך: הצ'קפוינט Turbo ששוחרר ב-9 באוקטובר 2026 משתמש באותה ארכיטקטורת יצירה חזותית של 7B ובאותו נתיב התניה על תמונה, ומריץ את לוח הזמנים ב-8 צעדי הסרת רעש במקום בכ-40. שום דבר באופן שבו תמונת הקלט שלך משמשת אינו משתנה בין השניים. אם אתה רוצה את נתיב ה-i2i במהירות, זה הצ'קפוינט שכדאי לטעון; אם אתה מנסה לאתר באגים מדוע מתעלמים מתמונת הייחוס שלך, מספר הצעדים אינו המשתנה.

מה לעשות הלאה

התחל מההתחלה המהירה של הספק עצמו בכרטיס המודל ולא ממדריך, וקרא את רשימת הארגומנטים של דוגמת העריכה: היא מעבירה image=input_image, מגדירה num_inference_steps, ואין בה ארגומנט strength בשום מקום. ההיעדרות הזו היא כל המטרה של הדף הזה, ולראות אותה בקוד של הספק מהיר יותר מלהאמין לסיכום.

משם, הגדר את output_resolution לגודל שאתה באמת צריך לפני שאתה שופט משהו לגבי דמיון, השאר את הקנבס שלך על פריסטים 2K מקוריים היכן שאתה יכול, וכתוב את הפרומפט כאילו הרפרנס הוא תמונה שמונחת ליד הפרומפט ולא טנזור לטנטים שעובר הסרת רעש חלקית — כי במודל הזה זה מה שזה. ואם, אחרי שלושה ניסיונות, אתה מוצא את עצמך רוצה לומר "שנה רק את זה, השאר את כל השאר", עצור. המשפט הזה הוא האות שלך ש-i2i הוא המסלול הלא נכון, וקו העריכה הוא היכן שהוא שייך.