Qwen-Image-2.1 i2i: Memulai dari Gambar Anda Sendiri, dan Mengapa Tidak Ada Slider Kekuatan

Jika Anda mencari Qwen-Image-2.1 i2i, Anda sudah tahu apa arti image-to-image (i2i): Anda menyerahkan sebuah gambar kepada model alih-alih latent kosong, dan Anda mendapatkan kembali gambar yang menyerupainya. Yang ditegaskan halaman ini adalah kapan itu menjadi langkah yang tepat pada Qwen-Image-2.1 — dan bagian yang mengejutkan orang-orang yang datang dari model gambar lain. Pada model ini, slider strength yang Anda cari tidak ada. Pipeline Qwen-Image-2.1 sendiri tidak menerima argumen strength atau denoise sama sekali: gambar referensi Anda masuk sebagai konteks, gambar target dimulai dari noise murni, dan yang menentukan seberapa jauh output menyimpang dari input Anda adalah apa yang Anda tuliskan. Jika yang sebenarnya Anda butuhkan adalah satu hal bernama diubah sementara sisanya dibiarkan apa adanya, itu adalah pekerjaan berbeda yang ditangani oleh lini lain dalam keluarga ini — checkpoint Qwen-Image-Edit — dan perbandingan di halaman ini adalah bagian yang layak dibaca lebih dahulu, karena pembaca yang mencari "i2i" sering kali hanya berjarak satu pencarian dari alat yang salah.

Apa yang sebenarnya dilakukan oleh gambar input

Pada Qwen-Image-2.1, citra kondisi masuk ke model melalui dua pintu, dan tak satu pun dari keduanya merupakan "latent awal berderau yang Anda turunkan kembali". Repositori dan kelas pipeline diffusers yang diterbitkan untuk model ini menjelaskan keduanya:

• Encoder teks — encoder teksnya adalah Qwen3-VL 8B, sebuah model vision-language, dan repositori vendor menyatakan bahwa model ini mengodekan instruksi teks dan gambar kondisi ke dalam satu representasi terpadu. Gambar Anda, secara harfiah, merupakan bagian dari apa yang dibaca model sebagai prompt-nya.

• VAE — gambar yang sama dikodekan menjadi token laten dan ditambahkan di depan noise, mendahului token milik gambar target itu sendiri, sehingga transformer melihat satu urutan gabungan dengan referensi Anda di awal dan hal yang sedang dihasilkan setelahnya.

• Awal target — latent target diambil dari Gaussian dan di-denoise sepanjang jadwal penuh, dari sigma 1.0 ke bawah. Tidak ada titik masuk partial-denoise dalam pipeline tersebut.

Poin ketiga adalah keseluruhan perbedaannya dari i2i yang paling banyak digunakan orang. Dalam skema klasik, Anda mengodekan gambar masukan, menambahkan noise ke dalamnya secara proporsional dengan nilai strength, lalu melakukan denoise dari titik itu — jadi masukan benar-benar hadir di latent awal dan angka strength menentukan seberapa banyak dari masukan itu yang bertahan. Pada jalur milik Qwen-Image-2.1 sendiri, gambar Anda tidak pernah menjadi titik awal. Gambar itu adalah konteks. Output-nya bukan versi yang sudah dibersihkan dari berkas Anda; itu gambar baru yang dilukis dengan berkas Anda di dalam ruangan.

Satu detail lagi patut diketahui karena di situlah singkatan yang diketik pembaca sebenarnya berada. Pipeline diffusers memunculkan error eksplisit jika Anda mencoba meneruskan latent yang telah dikodekan sebelumnya sebagai gambar, dengan komentar bahwa "encoder teks harus melihat gambar itu sendiri". Gambar kondisi harus berupa piksel, bukan tensor.

Kontrol kekuatan, dan ke mana ia pergi

Diffusers memang menyertakan pipeline img2img untuk keluarga ini, dan strength argumennya berperilaku persis seperti yang telah diajarkan bidang ini kepada Anda untuk diharapkan. Baca dari docstring kelas itu sendiri: gambar "digunakan sebagai titik awal dan makin banyak noise ditambahkan makin tinggi strength", dan "nilai 1 pada dasarnya mengabaikan image". Nilai defaultnya adalah strength=0.6 dan num_inference_steps=50. Kedua ujungnya karena itu adalah dua ujung yang sudah Anda ketahui:

• Kekuatan mendekati 0 — hampir tidak ada noise yang ditambahkan, loop denoise-nya pendek, dan outputnya nyaris tak bisa dibedakan dari input Anda. Ini adalah pengaturan untuk grading warna, pass tekstur ringan, hampir salinan.

• Kekuatan pada 1 — noise yang ditambahkan sudah maksimal, proses denoise menjalankan seluruh jadwalnya, dan gambar masukan praktis dibuang. Ini adalah text-to-image dengan operasi kosong yang mahal.

Inilah jebakannya, dan itulah alasan halaman ini ada. Contoh yang diterbitkan bersama pipeline tersebut memuat checkpoint 2025, bukan model ini. Qwen-Image-2.1 memiliki kelas pipeline tersendiri, QwenImage21Pipeline, dan ia tidak menerima argumen strength, tidak menerima argumen denoise, dan tidak memiliki titik masuk partial-noise. Berapa pun nilai yang Anda ingat pernah Anda setel pada model lain, tidak ada tempat di jalur 2.1 untuk menyetelnya. Tuas kendali berpindah dari sebuah angka ke prompt.

Itu bukan celah yang dibiarkan terbuka oleh vendor. Vendor mengirimkan model yang satu-satunya tugas adalah menulis prompt tersebut: Qwen-Image-2.1-PE-I2I, checkpoint Qwen3.5-VL 9B yang telah di-fine-tune yang menerima instruksi samar ditambah satu atau lebih gambar masukan dan mengembalikan objek JSON dengan rewritten_prompt dan salah satu dari dua bidang yang saling eksklusif — wh_ratio, ketika permintaan membuat komposisi baru, atau ratio_follow, ketika permintaan harus mewarisi rasio aspek dari gambar masukan bernomor. JSON itu adalah hal yang paling mendekati pengaturan strength yang dimiliki Qwen-Image-2.1. Itu adalah model yang memberi tahu Anda apakah permintaan Anda mempertahankan bingkai masukan atau membuat bingkai baru. Perhatikan di mana string "i2i" muncul dalam penamaan vendor sendiri: pada checkpoint penulisan ulang prompt ini, bukan pada checkpoint image-to-image yang terpisah. Generasi 2.1 tidak menerbitkan satu pun.

i2i atau pengeditan: aturan yang harus diterapkan

Gunakan i2i saat Anda menginginkan variasi. Gunakan editing saat Anda menginginkan perubahan. Segala hal lainnya mengikuti dari satu kalimat itu.

• Variasi — Anda menyukai gambar itu dan ingin lebih banyak yang seperti itu. Versi lain, cahaya berbeda, karakter yang sama dalam adegan baru, produk yang sama dalam latar baru. Anda tidak dapat menyebut satu pun hal yang harus tetap identik piksel, karena Anda tidak mempertahankan — Anda melukis ulang. Itu pekerjaan i2i.

• Ubah — kamu bisa menamainya. "Biarkan karakter dan pose tetap tidak berubah, kenakan kemeja ini padanya." Instruksi itu adalah batasan dan sisa frame adalah janji yang berhak kamu terima kembali. Itu pekerjaan penyuntingan.

Pada Qwen-Image-2.1, kedua perilaku tersebut berada dalam satu checkpoint. Materi rilis milik vendor sendiri menyebutnya "model generasi teks-ke-gambar dan penyuntingan gambar yang terpadu", dan jalur penyuntingan lokal yang didokumentasikannya berbentuk mask: lingkari atau cat area, atau berikan gambar asli dan mask terpisah sebagai dua input. Yang tidak disertakan oleh generasi 2.1 adalah checkpoint penyuntingan terpisah.

Checkpoint edit khusus adalah lini yang berbeda dan generasi yang berbeda. Daftar model milik organisasi vendor sendiri di Hugging Face, yang dibaca pada 13 Oktober 2026, memuat sembilan model gambar di bawah penulis itu, dan entri edit di dalamnya adalah Qwen-Image-Edit (dibuat 17 Agustus 2025), Qwen-Image-Edit-2509 (22 September 2025) dan Qwen-Image-Edit-2511 (17 Desember 2025). Tidak satu pun dari itu merupakan model 2.1. Jadi perlakukan halaman apa pun yang menyebut "Qwen-Image-Edit 2.1" dengan hati-hati: tidak ada repositori dengan nama tersebut dalam daftar vendor, dan ejaan yang diketik orang — "qwen image edit 3", "qwen image edit 2512" — juga tidak cocok dengan repositori vendor yang dipublikasikan. Apa pun yang dikatakan sebuah klaim tentang lini edit, periksa generasi mana yang dimaksud sebelum Anda bertindak berdasarkan klaim itu, karena lini tersebut mencakup tiga generasi bertanggal dan rilis 2.1 bukan salah satunya.

Secara praktis, aturannya dapat dijabarkan seperti ini. Jika Anda dapat menuliskan instruksi itu sebagai kalimat yang memiliki target di dalamnya — "jadikan langit matahari terbenam", "hapus jam tangannya" — Anda berada di wilayah penyuntingan, dan pada 2.1 Anda mencapainya dengan mask atau anotasi yang dilukis, bukan dengan berganti alat. Jika kalimat Anda tidak memiliki target dan sebenarnya merupakan deskripsi gambar yang Anda inginkan selanjutnya, Anda berada di wilayah i2i. Pembaca yang mengetik "i2i" lalu mendapati diri mereka menulis kalimat imperatif adalah pembaca yang membutuhkan jalur edit, dan itulah alasan utama bagian ini ditempatkan setinggi ini di halaman.

Apa yang dibatasi oleh gambar masukan Anda

Lima hal yang Anda perbaiki begitu Anda memilih referensi, semuanya didokumentasikan dalam kode pipeline itu sendiri atau dalam dokumentasi yang diterbitkan ComfyUI untuk model ini. Baca pada 13 Oktober 2026.

• Anggaran resolusi — output_resolution pada pipeline 2.1 output_resolutiondefault-nya adalah 1024, dan setiap condition image diubah ukurannya ke anggaran sebesar output_resolutiondikuadratkan pada rasio aspeknya sendiri, dibulatkan ke kelipatan 32. Foto berukuran 3000×4000 karena itu diperkecil menjadi sekitar 896×1184 — sekitar satu megapiksel — sebelum model melihat satu piksel pun darinya. Dokumentasi ComfyUI membuat biayanya menjadi konkret: pekerjaan yang sama pada kanvas 3008×4000 dibandingkan dengan sekitar 896×1184 berjalan sekitar 6 detik per iterasi versus sekitar 0,3, diukur pada RTX 5090. Menurunkan kanvas membuat proses i2i berjalan lebih cepat dengan menghasilkan gambar yang lebih kecil, bukan dengan menambahkan detail.

• Rasio aspek — jika Anda menghilangkan tinggi dan lebar, kanvas keluaran diturunkan dari rasio aspek gambar kondisi terakhir yang Anda berikan. Secara individual, setiap referensi mempertahankan bentuknya sendiri, sehingga potret dan lanskap dapat berada dalam panggilan yang sama tanpa salah satunya dipotong agar sesuai dengan bingkai yang lain.

• Kelipatan 32 — pipeline memberi peringatan dan diam-diam mengubah ukuran saat tinggi atau lebar tidak habis dibagi faktor skala VAE dikali dua, yang pada model ini adalah 32. Jika Anda memilih kanvas secara manual, bulatkan.

• Ukuran native — Qwen-Image-2.1 dilatih pada 2K, dan ukuran yang direkomendasikan repositori semuanya berada dalam rentang itu: 2048×2048 untuk 1:1, 2752×1536 untuk 16:9, 1536×2752 untuk 9:16, dan 2400×1792 untuk 4:3. Dokumentasi ComfyUI menyatakan target default adalah satu megapiksel, bahwa Anda menetapkan sekitar 4,0 MP untuk persegi 2048×2048 native, dan — peringatan yang berguna — bahwa target yang jauh di atas ukuran pelatihan, misalnya 4K, kehilangan kepatuhan terhadap prompt alih-alih mendapatkan detail.

• Alpha — jika referensi Anda membawa transparansi, vision encoder menerima salinan yang dikompositkan di atas putih; hanya salinan VAE yang mempertahankan keempat kanal. Apa pun yang Anda harapkan dipahami model tentang transparansi Anda dibaca oleh sisi teks sebagai latar belakang putih.

Apa yang bertahan, dan apa yang diciptakan ulang

Berhati-hatilah di sini, karena materi rilis dan mekanismenya mengatakan hal yang berbeda dan keduanya benar.

• Terdokumentasikan untuk bertahan — vendor mengklaim adanya pekerjaan fidelitas di dua front: identitas potret, sehingga seseorang tetap dapat dikenali di seluruh penyuntingan dan generasi, serta konsistensi produk, dengan mempertahankan teks, tekstur, dan bentuk. Semuanya merupakan klaim vendor yang diilustrasikan dengan contoh berdampingan, bukan dikaitkan dengan suatu pengukuran, dan tidak ada skor independen untuk keduanya yang diterbitkan dalam materi yang dibaca untuk halaman ini pada 13 Oktober 2026.

• Dijamin hingga tingkat piksel — tidak ada. Referensi Anda adalah token konteks dan prefiks visi; targetnya adalah noise. Bagian mana pun dari input yang tidak dibahas maupun diimplikasikan oleh prompt Anda bebas berubah, dan tidak ada pengaturan dalam pipeline yang menahannya di tempat. Jika suatu detail tidak boleh bergeser, sebutkan dalam prompt, karena tidak ada hal lain yang akan melakukannya.

• Coretan bocor ke input — dalam alur kerja pengeditan ComfyUI yang didokumentasikan, goresan pena cat mendarat di lapisan RGB gambar, bukan di dalam masker, sehingga menyimpan akan menuliskan gambar yang ditandai kembali ke dalam node dan coretan-coretan itu menjadi bagian dari referensi yang dibaca model. Pertahankan sebuah coretan di dalam area yang ingin Anda ubah, dan sebutkan juga warna yang Anda inginkan di dalam prompt, karena jika tidak, warna coretan tersebut dapat muncul di output.

• Kanvas yang tidak cocok akan menggeser hasilnya — Dokumentasi ComfyUI menyarankan agar kanvas kustom tetap dekat dengan ukuran hasil pengubahan ukuran gambar referensi pertama, "jika tidak, hasil editnya bisa bergeser". Input yang bentuknya berbeda dari kanvas yang Anda minta tidak akan diberi letterbox; ia akan digeser.

• Determinisme membutuhkan dua pengaturan, bukan satu — mengalihkan use_kv_cache pada pipeline 2.1 mengubah sampel pada seed yang tetap, karena cache membuat langkah decode melakukan attention dengan tata letak sekuens yang berbeda daripada langkah prefill, sehingga keduanya "menghasilkan sampel yang sama-sama valid tetapi terlihat berbeda". Saran dari pipeline itu sendiri adalah menetapkan flag tersebut. Di ComfyUI, kontrol yang setara adalah presisi penyimpanan pada node cache, di mana — angka dari ComfyUI sendiri, belum diaudit — int8 memangkas separuh cache pada akurasi sekitar bf16 dan int4 memangkasnya menjadi seperempat sekaligus kurang lebih menggandakan galat per langkah.

Di mana i2i adalah alat yang salah

Lima kasus, masing-masing dengan alternatif yang disebutkan.

• Anda dapat menyebutkan hal persis yang ingin diubah. Gunakan jalur instruksi pada Qwen-Image-2.1 — lukis atau lingkari area tersebut, atau berikan mask terpisah sebagai input kedua — atau checkpoint khusus dari lini Qwen-Image-Edit. i2i akan mengecat ulang bingkai di sekitar target Anda sekaligus target itu sendiri.

• Anda perlu piksel asli tetap dipertahankan. i2i menghasilkan gambar baru; i2i tidak mempertahankan satu pun. Jalur mask adalah jalur yang dibuat untuk membiarkan sisa frame tidak tersentuh.

• Anda memerlukan 4K. Di atas ukuran latih 2K, model kehilangan kepatuhan terhadap prompt, menurut dokumentasi ComfyUI. i2i pada 4K adalah proses yang lebih lambat dan kurang mengikuti deskripsi Anda, bukan hasil yang lebih tajam.

• Anda memerlukan detail halus dari input yang direproduksi. Citra kondisi diubah ukurannya terlebih dahulu ke sekitar anggaran satu megapiksel, sehingga referensi 12 megapiksel tidak pernah mencapai model pada resolusi penuh. Detail yang lebih kecil daripada anggaran itu sudah hilang sebelum denoising dimulai.

• Anda memerlukan pengulangan eksekusi yang identik secara bit. Perbaiki flag cache KV dan seed, lalu ubah satu pengaturan dalam satu waktu — jika tidak, Anda membandingkan dua sampler yang berbeda dan menyebutnya noise.

Satu referensi silang, karena ini akan muncul: checkpoint Turbo yang dirilis 9 Oktober 2026 menggunakan arsitektur pembangkitan visual 7B yang sama dan jalur pengondisian gambar yang sama, serta menjalankan jadwal dalam 8 langkah denoising, bukan sekitar 40. Tidak ada yang berubah dalam hal bagaimana gambar masukan Anda digunakan antara keduanya. Jika Anda menginginkan jalur i2i dengan cepat, itulah checkpoint yang perlu dimuat; jika Anda sedang men-debug mengapa referensi Anda diabaikan, jumlah langkah bukan variabelnya.

Apa yang harus dilakukan selanjutnya

Mulailah dari Quick Start milik vendor sendiri di kartu model, bukan dari tutorial, dan baca daftar argumen contoh penyuntingan: contoh itu meneruskan image=input_image, menetapkan num_inference_steps, dan tidak memiliki argumen strength di mana pun. Ketiadaan itu adalah inti seluruh halaman ini, dan melihatnya di kode vendor lebih cepat daripada mempercayai ringkasan.

Dari sana, atur output_resolution ke ukuran yang benar-benar Anda butuhkan sebelum Anda menilai apa pun tentang kemiripannya, pertahankan kanvas Anda pada preset 2K native jika memungkinkan, dan tulis prompt seolah-olah referensinya adalah sebuah foto yang tergeletak di samping prompt, bukan tensor latents yang sedang didenoise sebagian — karena pada model ini memang itulah keadaannya. Dan jika, setelah tiga kali percobaan, Anda merasa ingin mengatakan "ubah hanya ini saja, biarkan yang lain", berhentilah. Kalimat itu adalah sinyal bahwa i2i adalah jalur yang salah, dan jalur edit adalah tempat yang tepat untuk itu.