Qwen-Image-2.1 i2i: partire dalla propria immagine, e perché non esiste un cursore dell'intensità

Se hai cercato Qwen-Image-2.1 i2i, sai già cosa significa image-to-image (i2i): dai a un modello un'immagine invece di un latente vuoto e ricevi indietro un'immagine che le assomiglia. Ciò che questa pagina chiarisce è quando sia la mossa giusta su Qwen-Image-2.1 — e la parte che sorprende chi arriva da altri modelli di immagini. Su questo, lo slider della forza (strength) che stai cercando non esiste. La pipeline di Qwen-Image-2.1 non accetta affatto argomenti di strength o denoise: la tua immagine di riferimento viene inserita come contesto, l'immagine di destinazione parte da puro rumore, e ciò che decide quanto l'output si allontana dal tuo input è ciò che scrivi. Se ciò di cui hai davvero bisogno è cambiare una cosa specifica lasciando il resto intatto, quello è un lavoro diverso, gestito da una linea diversa della famiglia — i checkpoint Qwen-Image-Edit — e il confronto su questa pagina è la parte che vale la pena leggere per prima, perché chi cerca "i2i" è spesso a una sola ricerca di distanza dallo strumento sbagliato.

Cosa fa effettivamente l'immagine di input

Su Qwen-Image-2.1 un'immagine di condizionamento entra nel modello attraverso due porte, e nessuna delle due è "un latente di partenza rumoroso che riduci progressivamente". Il repository e la classe della pipeline diffusers pubblicata per questo modello le descrivono entrambe:

• Encoder di testo — l'encoder di testo è Qwen3-VL 8B, un modello visione-linguaggio, e il repository del fornitore afferma che codifica l'istruzione testuale e le immagini di condizionamento in un'unica rappresentazione unificata. La tua immagine è, letteralmente, parte di ciò che il modello legge come suo prompt.

• VAE — la stessa immagine viene codificata in token latenti e anteposta al rumore, prima dei token dell'immagine di destinazione stessa, così il transformer vede un'unica sequenza congiunta con il tuo riferimento per primo e ciò che viene generato subito dopo.

• Avvio target — i latenti target vengono campionati da una gaussiana e sottoposti a denoising lungo l'intera schedulazione, da sigma 1.0 in giù. Non esiste un punto di ingresso per il denoising parziale in quella pipeline.

Il terzo punto è tutta la differenza rispetto all'i2i che la maggior parte delle persone ha usato. Nello schema classico, codifichi l'immagine di input, vi aggiungi rumore in proporzione a un valore di forza e fai denoising da quel punto — quindi l'input è realmente presente nel latente di partenza e il numero della forza decide quanto ne sopravvive. Nel percorso proprio di Qwen-Image-2.1 la tua immagine non è mai il punto di partenza. È contesto. L'output non è una versione ripulita del tuo file; è una nuova immagine dipinta con il tuo file nella stanza.

Vale la pena conoscere un altro dettaglio, perché è proprio lì che risiede effettivamente l'abbreviazione digitata dal lettore. La pipeline di diffusers solleva un errore esplicito se si tenta di passare latenti pre-codificati come immagine, con il commento che "il codificatore di testo deve vedere l'immagine stessa". L'immagine di condizionamento deve essere composta da pixel, non da un tensore.

Il controllo della forza, e dove è finito

Diffusers fornisce effettivamente una pipeline img2img per questa famiglia, e il suo strength argomento si comporta esattamente come il campo ti ha insegnato ad aspettarti. Leggi dalla docstring della classe stessa: l'immagine "viene usata come punto di partenza e viene aggiunto più rumore quanto più alto è il strength", e "un valore di 1 ignora essenzialmente image". I suoi valori predefiniti sono strength=0.6 e num_inference_steps=50. I due estremi sono quindi i due estremi che già conosci:

• Intensità vicina a 0 — non viene aggiunto quasi nessun rumore, il ciclo di denoise è breve e l'output è appena distinguibile dall'input. Questa è l'impostazione per il color grading, un leggero passaggio di texture, una quasi-copia.

• Forza a 1 — il rumore aggiunto è massimo, il denoise esegue l'intera schedulazione e l'immagine di input viene di fatto scartata. È text-to-image con un costoso no-op allegato.

Ecco il trucco, ed è il motivo per cui esiste questa pagina. L'esempio pubblicato con quella pipeline carica il checkpoint 2025, non questo modello. Qwen-Image-2.1 ha la propria classe di pipeline, QwenImage21Pipeline, e non accetta alcun argomento strength, né alcun argomento denoise, e nessun punto di ingresso per il rumore parziale. Qualunque valore tu ricordi di aver impostato su un altro modello, non c'è nessun posto sul percorso 2.1 dove impostarlo. La leva si è spostata da un numero al prompt.

Non è una lacuna che il fornitore ha lasciato aperta. Distribuisce un modello il cui unico compito è scrivere quel prompt: Qwen-Image-2.1-PE-I2I, un checkpoint Qwen3.5-VL 9B sottoposto a fine-tuning che prende un'istruzione vaga più una o più immagini di input e restituisce un oggetto JSON con un rewritten_prompt e uno di due campi mutuamente esclusivi — wh_ratio, quando la richiesta crea una nuova composizione, oppure ratio_follow, quando dovrebbe ereditare il rapporto d'aspetto di un'immagine di input numerata. Quel JSON è la cosa più vicina a un'impostazione di intensità che Qwen-Image-2.1 abbia. È il modello che ti dice se la tua richiesta mantiene l'inquadratura dell'input o ne costruisce una nuova. Nota dove compare la stringa "i2i" nella denominazione dello stesso fornitore: su questo checkpoint di riscrittura del prompt, non su un checkpoint image-to-image separato. La generazione 2.1 non ne pubblica alcuno.

i2i o editing: la regola da applicare

Ricorri a i2i quando vuoi una variazione. Ricorri a editing quando vuoi un cambiamento. Tutto il resto deriva da quella singola riga.

• Variazione — ti piace l'immagine e ne vorresti altre simili. Un'altra versione, una luce diversa, lo stesso personaggio in una nuova scena, lo stesso prodotto in una nuova ambientazione. Non sapresti indicare una singola cosa che debba rimanere identica pixel per pixel, perché non stai preservando — stai ridipingendo. Questo è un lavoro i2i.

• Modifica — puoi dare un nome alla cosa. "Mantieni invariati il personaggio e la posa, mettigli questa maglietta." L'istruzione è un vincolo e il resto dell'inquadratura è una promessa che ti è dovuta. Questo è un lavoro di editing.

Su Qwen-Image-2.1 entrambi i comportamenti risiedono in un unico checkpoint. Il materiale di rilascio del fornitore stesso lo definisce "un modello unificato per la generazione da testo a immagine e l'editing delle immagini", e il percorso di modifica locale che documenta è basato su maschera: cerchia o dipingi la regione, oppure fornisci l'immagine originale e una maschera separata come due input. Ciò che la generazione 2.1 non include è un checkpoint di editing separato.

I checkpoint dedicati alla modifica sono una linea diversa e appartengono a generazioni diverse. L'elenco dei modelli della stessa organizzazione del fornitore su Hugging Face, consultato il 13 ottobre 2026, riporta nove modelli di immagini sotto quell'autore, e le voci di modifica che vi compaiono sono Qwen-Image-Edit (creato il 17 agosto 2025), Qwen-Image-Edit-2509 (22 settembre 2025) e Qwen-Image-Edit-2511 (17 dicembre 2025). Nessuno di essi è un modello 2.1. Quindi tratta con cautela qualsiasi pagina che parla di "Qwen-Image-Edit 2.1": nell'elenco del fornitore non esiste alcun repository con quel nome, e anche le grafie che le persone digitano — "qwen image edit 3", "qwen image edit 2512" — non corrispondono a un repository pubblicato del fornitore. Qualunque cosa ti dica un'affermazione sulla linea di modifica, controlla a quale generazione si riferisce prima di agire di conseguenza, perché la linea copre tre generazioni datate e il rilascio 2.1 non è una di esse.

Praticamente, la regola si scompone così. Se riesci a scrivere l'istruzione come una frase con un target al suo interno — "fai diventare il cielo un tramonto", "rimuovi l'orologio" — sei nel territorio dell'editing, e sulla 2.1 ci arrivi con una maschera o un'annotazione dipinta invece che cambiando strumento. Se la tua frase non ha un target ed è in realtà una descrizione dell'immagine che vuoi ottenere, sei nel territorio i2i. Il lettore che ha digitato "i2i" e poi si è ritrovato a scrivere un imperativo è il lettore che ha bisogno del percorso di modifica, ed è esattamente il motivo per cui questa sezione si trova così in alto nella pagina.

Ciò che la tua immagine di input vincola

Cinque cose che sistemi nel momento in cui scegli un riferimento, tutte documentate nel codice della pipeline stessa o nella documentazione pubblicata di ComfyUI per questo modello. Leggi il 13 ottobre 2026.

• Budget di risoluzione — della pipeline 2.1 l'output_resolutionha come valore predefinito 1024, e ogni immagine di condizione viene ridimensionata a un budget di output_resolution al quadrato mantenendo il proprio rapporto d'aspetto, arrotondato a multipli di 32. Una fotografia da 3000×4000 viene quindi ridotta a circa 896×1184 — all'incirca un megapixel — prima che il modello ne veda un singolo pixel. La documentazione di ComfyUI rende concreto il costo: lo stesso lavoro su una tela da 3008×4000 rispetto a circa 896×1184 viene eseguito in circa 6 secondi per iterazione contro circa 0,3, misurati su una RTX 5090. Ridurre la tela rende più veloce un'esecuzione i2i perché produce un'immagine più piccola, non perché aggiunge dettaglio.

• Rapporto d'aspetto — se ometti altezza e larghezza, la tela di output deriva dal rapporto d'aspetto dell'ultima immagine di condizionamento che passi. Individualmente, ogni riferimento mantiene la propria forma, quindi un ritratto e un paesaggio possono viaggiare nella stessa chiamata senza che uno venga ritagliato sulla cornice dell'altro.

• Multipli di 32 — la pipeline avvisa e ridimensiona silenziosamente quando altezza o larghezza non è divisibile per il fattore di scala del VAE moltiplicato per due, che su questo modello è 32. Se stai scegliendo una tela a mano, arrotondala.

• Dimensione nativa — Qwen-Image-2.1 è addestrato a 2K, e le dimensioni consigliate dal repository rientrano tutte in quella fascia: 2048×2048 per 1:1, 2752×1536 per 16:9, 1536×2752 per 9:16 e 2400×1792 per 4:3. La documentazione di ComfyUI indica che il target predefinito è un megapixel, che si impostano circa 4,0 MP per un quadrato nativo 2048×2048 e — l'avvertenza utile — che un target ben al di sopra della dimensione di addestramento, ad esempio 4K, perde l'aderenza al prompt invece di guadagnare dettaglio.

• Alpha — se il tuo riferimento contiene trasparenza, all'encoder visivo viene passata una copia compositata su bianco; solo la copia del VAE conserva tutti e quattro i canali. Tutto ciò che ti aspetti che il modello comprenda della tua trasparenza viene letto dal lato testo come sfondo bianco.

Ciò che sopravvive e ciò che viene reinventato

Sii preciso qui, perché il materiale di rilascio e il meccanismo dicono cose diverse ed entrambi sono veri.

• Documentato per resistere — il fornitore dichiara un lavoro di fedeltà su due fronti: l'identità del ritratto, così che una persona resti riconoscibile attraverso modifiche e generazioni, e la coerenza del prodotto, preservando testo, texture e forma. Si tratta di dichiarazioni del fornitore illustrate con esempi affiancati anziché collegate a una misurazione, e nel materiale consultato per questa pagina il 13 ottobre 2026 non è stato pubblicato alcun punteggio indipendente per nessuna delle due.

• Garantito a livello di pixel — niente. Il tuo riferimento sono i token di contesto e un prefisso visivo; il target è rumore. Qualsiasi parte dell'input che il tuo prompt non affronta né implica è libera di cambiare, e nessuna impostazione nella pipeline la mantiene al suo posto. Se un dettaglio non deve spostarsi, nominalo nel prompt, perché nient'altro lo farà.

• I segni trapelano nell'input — nel flusso di lavoro di modifica documentato di ComfyUI, i tratti della penna da disegno finiscono sul livello RGB dell'immagine anziché in una maschera, perciò il salvataggio riscrive l'immagine contrassegnata nel nodo e i segni diventano parte del riferimento che il modello legge. Mantieni un segno all'interno della regione che vuoi modificare e indica il colore desiderato anche nel prompt, perché altrimenti il colore del segno può comparire nell'output.

• Una tela non corrispondente sposta il risultato — La documentazione di ComfyUI consiglia di mantenere una tela personalizzata vicina alle dimensioni ridimensionate della prima immagine di riferimento, "altrimenti la modifica può spostarsi". Un input la cui forma differisce dalla tela richiesta non viene letterboxato; viene spostato.

• Il determinismo richiede due impostazioni, non una — attivare o disattivare use_kv_cache nella pipeline 2.1 cambia il campione con un seed fisso, perché la cache fa sì che il passo di decodifica esegua l'attenzione con una disposizione della sequenza diversa rispetto al passo di prefill, quindi i due «producono campioni ugualmente validi ma visibilmente distinti». Il consiglio della pipeline stessa è di fissare il flag. In ComfyUI il controllo equivalente è la precisione di archiviazione del nodo cache, dove — dati forniti da ComfyUI stesso, non verificati — int8 dimezza la cache con una precisione all'incirca pari a bf16 e int4 la riduce a un quarto, raddoppiando all'incirca l'errore per passo.

Dove i2i è lo strumento sbagliato

Cinque casi, ciascuno con l'alternativa denominata.

• Puoi indicare esattamente l'elemento da modificare. Usa il percorso di istruzione su Qwen-Image-2.1 — dipingi o cerchia la regione, oppure passa una maschera separata come secondo input — oppure un checkpoint dedicato della linea Qwen-Image-Edit. i2i ridipingerà il fotogramma attorno al tuo target insieme al target stesso.

• È necessario che i pixel originali vengano conservati. i2i genera una nuova immagine; non ne conserva nessuno. Il percorso della maschera è quello progettato per lasciare inalterato il resto dell'inquadratura.

• Ti serve il 4K. Al di sopra della dimensione di addestramento di 2K il modello perde aderenza al prompt, secondo la documentazione di ComfyUI. L'i2i a 4K è un'esecuzione più lenta che segue meno la tua descrizione, non più nitida.

• Hai bisogno che i dettagli fini dell'input vengano riprodotti. L'immagine di condizionamento viene prima ridimensionata a un budget di circa un megapixel, quindi un riferimento da 12 megapixel non raggiunge mai il modello a piena risoluzione. I dettagli più piccoli di quel budget sono già persi prima che inizi il denoising.

• Ti serve una ripetizione del run bit-identica. Fissa il flag della KV cache e il seed, e cambia una sola impostazione alla volta — altrimenti stai confrontando due sampler diversi e lo chiami rumore.

Un rimando, perché salterà fuori: il checkpoint Turbo rilasciato il 9 ottobre 2026 utilizza la stessa architettura di generazione visiva 7B e lo stesso percorso di condizionamento dell'immagine, ed esegue la schedulazione in 8 passaggi di denoising invece di circa 40. Tra i due non cambia nulla nel modo in cui viene usata la tua immagine di input. Se vuoi il percorso i2i velocemente, quello è il checkpoint da caricare; se stai facendo debug sul motivo per cui il tuo riferimento viene ignorato, il numero di passaggi non è la variabile.

Cosa fare adesso

Parti dalla Quick Start del fornitore sulla model card piuttosto che da un tutorial, e leggi la lista di argomenti dell'esempio di editing: passa image=input_image, imposta num_inference_steps, e non ha alcun argomento strength da nessuna parte. Questa assenza è il punto centrale di questa pagina, e vederla nel codice del fornitore è più veloce che credere a un riassunto.

Da lì, imposta output_resolution alla dimensione che ti serve davvero prima di giudicare qualsiasi cosa sulla somiglianza, mantieni la tela sui preset nativi 2K quando puoi, e scrivi il prompt come se il riferimento fosse una fotografia appoggiata accanto al prompt anziché un tensore di latenti parzialmente denoizzato — perché su questo modello è proprio questo. E se, al terzo tentativo, ti viene voglia di dire "cambia solo questo, lascia tutto il resto", fermati. Quella frase è il segnale che i2i è la strada sbagliata, e la linea di modifica è dove dovrebbe stare.