Flusso di lavoro di Qwen-Image-2.1: la catena di nodi, i controlli e cosa è cambiato dal giorno zero

Quello che ottieni da questa pagina è Qwen-Image-2.1: un grafo che puoi ricostruire da zero e riprodurre — la catena di nodi secondo i nomi che i loader usano davvero, le quattro o cinque manopole che decidono se l'output è quello che hai chiesto, e le due impostazioni che la gente cambia senza sapere di aver modificato il noise schedule. Il modello in sé è la release unificata di text-to-image e image-editing del fornitore, open-sourced il 20 settembre 2026 con licenza di ricerca: 7B parametri nella componente di generazione visiva, 32 layer DiT single-stream, un VAE RGBA a 64 canali con compressione spaziale 16x, e fino a dieci immagini di riferimento sul percorso di editing. Questa data serve a dirti quale checkpoint stai collegando, non ad annunciare qualcosa. Il grafo è il soggetto, e il grafo ha una cronologia delle revisioni che vale la pena leggere prima di fidarti dello screenshot di qualcun altro — il template che viene distribuito oggi non è il template del giorno zero, e quattro delle differenze sono esattamente le cose che un lettore sbaglia.

Quale grafico descrive questa pagina

Tutto ciò che segue è tratto dal repository dei template di workflow di ComfyUI Comfy-Org/workflow_templates, alla revisione corrente al 13 ottobre 2026, in esecuzione su ComfyUI stable v0.39.0 (rilasciata il 5 ottobre 2026). I nomi dei nodi sono i nomi visualizzati che i loader usano nel grafo; nei casi in cui un nodo è stato aggiunto o rinominato tra una revisione e l'altra, viene indicata la data. Il percorso verso questi file è la pagina di tutorial di ComfyUI stessa per Qwen-Image-2.1 — ci sono tre template al suo interno, e questa pagina segue quello text-to-image, per poi modificarlo.

I tre template sono Qwen-Image-2.1 Da testo a immagine, Qwen-Image-2.1 Modifica immagine e Rimuovi sfondo: Qwen-Image-2.1. L'ultimo non è un grafo diverso: la documentazione di ComfyUI afferma che riutilizza il sottografo di modifica immagine con il prompt "Remove the background, and output a PNG image". Quindi ci sono due grafi da imparare, e uno di essi è un template di prompt costruito sopra l'altro.

La catena di nodi, in ordine

Il template testo-immagine è un sottografo — un unico nodo comprimibile sul canvas con diciotto input esposti — che racchiude una catena di tredici nodi. Al suo interno, l'ordine è:

• UNETLoader — carica qwen_image_2.1_int8_convrot.safetensors con il weight dtype lasciato su default. Questo è il modello di diffusione, e il file che scegli qui è la prima cosa che determina se la tua esecuzione corrisponde a quella di chiunque altro.

• Qwen Image 2.1 Cache — si trova tra il loader e il sampler. Nel template attuale non è opzionale, ma può essere bypassato, ed è il nodo che con maggiore probabilità manca in un grafo scaricato nella prima settimana.

• KSampler — prende il modello dal nodo cache, il condizionamento positivo e negativo dal codificatore di testo, e un latente vuoto. I suoi widget nel template fornito riportano: seme 0, controllo fisso, passaggi 25, cfg 1, campionatore euler, pianificatore semplice, denoising 1.

• EmptyLatentImage — larghezza e altezza sono collegate in ingresso dal Resolution Selector, il nodo che si trova all'esterno del sottografo, e il suo terzo input, la dimensione del batch, è impostato su 1.

• VAEDecode → SaveImageAdvanced — il decoder passa i pixel al nodo di salvataggio, il cui prefisso del nome file è Qwen_image_2.1 e il cui formato viene distribuito come PNG, 8 bit, sRGB. PNG qui non è una scelta cosmetica: il VAE veicola quattro canali, quindi è il PNG a 8 bit a mantenere vivo il canale alfa fino al salvataggio su disco.

• CLIPLoader — carica qwen3vl_8b_int8_convrot.safetensors con il tipo impostato su qwen_image. Qwen3-VL 8B è l'encoder del testo ed è anche la torre di visione che legge le tue immagini di riferimento.

• Text Encode Qwen Image 2.1 (ID del nodo TextEncodeQwenImage21) — condiziona il prompt. Prende il clip, un prompt, un prompt negativo, un VAE opzionale, una risoluzione intera e un insieme autoespandibile di slot immagine denominati image_1 fino a image_16. Restituisce tre cose: condizionamento positivo, condizionamento negativo e un latente. Quel latente è la parte che sfugge ai più — è un latente vuoto dimensionato sulla prima immagine di riferimento e, sul grafo text-to-image, non viene usato perché il latente vuoto proviene invece dal Resolution Selector.

• VAELoader — qwen_image_2.1_vae_bf16.safetensors, alimentando sia il decoder sia il percorso dell'immagine di riferimento del codificatore di testo.

Il ramo opzionale è l'ultimo pezzo. Un secondo CLIPLoader carica qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors con il tipo impostato su stable_diffusion — non qwen_image, e questa differenza è intenzionale, perché questo è un checkpoint di generazione di testo, non l'encoder visivo. Alimenta un Generate Text nodo, il cui output passa attraverso Preview Any verso il prompt positivo del sampler, commutato da un ComfySwitchNode collegato all'input refine_prompt. Un Primitive String (Multiline) nodo contiene il prompt di sistema che la riscrittura segue, e puoi leggerlo e modificarlo.

Conta la catena e sono sei nodi di vero lavoro: caricare il modello di diffusione, caricare il text encoder, caricare il VAE, codificare il prompt, campionare da un latente vuoto, decodificare e salvare. Tutto il resto nel template è memoria o comodità.

Che cosa è cambiato tra il grafico del giorno zero e questo

Questa è la parte che vale la pena conoscere prima di copiare un workflow da uno screenshot di un tutorial, perché i template di Qwen-Image-2.1 sono stati modificati cinque volte dopo il loro primo arrivo, e le modifiche non sono cosmetiche.

• 20 settembre 2026 — il primo template. Commit 96309bd530, "Add Qwen Image 2.1 template". Sette nodi nel sottografo text-to-image: i loader, l'encoder, il latent vuoto, il sampler, il decoder. Il loader CLIP era impostato sul text encoder bfloat16, qwen3vl_8b_bf16.safetensors — il file da 16,33 GB.

• 20 settembre 2026, più tardi lo stesso giorno. Commit 371a7b7171 ha cambiato quel loader in qwen3vl_8b_int8_convrot.safetensors, il file da 8,71 GB, con il messaggio "Passa Qwen Image 2.1 CLIP a int8 convrot". La nota del template stesso lo etichetta come "caricato dai template, memoria inferiore". Un workflow costruito dal file del mattino e uno costruito da quello della sera non sono lo stesso workflow.

• 25 settembre 2026. Il nodo Qwen Image 2.1 Cache è apparso nel grafo per la prima volta, insieme all'intero ramo di miglioramento del prompt — il secondo caricatore CLIP, Generate Text, Preview Any, l'interruttore, il nodo del prompt di sistema. Prima di questa data non c'erano nodi cache da impostare né passaggi di riscrittura da disattivare. Il template di modifica immagine ha ricevuto gli input corrispondenti lo stesso giorno. In questa revisione, anche la nota text-to-image ha ricevuto sia la riga dei 4 megapixel sia il wrapper del prompt per immagini trasparenti.

• 28 settembre 2026. Le dimensioni dei file sono state aggiunte alle note di download — una modifica alla documentazione, non al grafico, ma è da lì che provengono i numeri che un lettore verifica rispetto al proprio gestore dei download.

• 30 settembre 2026. Commit 9fae1041be, "Qwen Image 2.1: Update PE settings" — l'ultima volta che uno dei due template 2.1 è stato toccato. Questo è quello che conta di più e che si vede meno. Tre valori sul nodo Generate Text sono cambiati: il budget di token max_length da 16256 a 4096, la penalità di ripetizione da 1.05 a 1.0, e thinking da off a on, con la nota del nodo stesso che ora dice che il checkpoint "è stato addestrato con un blocco di ragionamento e perde qualità senza di esso". Le note del template descrivono i valori precedenti come quelli ufficiali e dicono che il limite esiste affinché "una singola riscrittura non possa andare avanti per molti minuti".

Quello che nonè cambiato è la metà utile di tutto questo. Il blocco di campionamento è identico byte per byte tra il template del giorno zero e quello di oggi: steps 25, cfg 1, euler, simple, denoise 1, seed control fisso, un latente vuoto all'output del Resolution Selector, batch size 1. Il grafo non è mai stato sistemato spostando il sampler. È stato sistemato cambiando quale file di text-encoder viene caricato, aggiungendo il nodo cache e correggendo le impostazioni del prompt-enhancer stesso.

Un ulteriore livello si trova sotto il grafo. Il core di ComfyUI ha continuato a cambiare dopo che i template si sono stabilizzati: la v0.38.0 del 29 settembre ha migliorato la logica di posizionamento della cache KV di Qwen 2.1, e la v0.39.0 del 5 ottobre ha rilasciato "Correzione del crash durante la selezione della cache int8 o int4 in qwen image 2.1". Se il tuo grafo è quello di oggi e la tua build è più vecchia, il menu a discesa della cache non è un'opzione lenta, è un crash.

I quadranti che un lettore ha più probabilità di sbagliare

Parti da ciò che la documentazione afferma senza mezzi termini, perché elimina gran parte delle supposizioni. Tutti e tre i workflow Qwen-Image-2.1 campionano con steps 25, cfg 1, il sampler euler e lo scheduler simple. Questo è il riepilogo di ComfyUI stesso, e corrisponde esattamente ai widget distribuiti.

La complicazione è che 25 e 40 sono entrambe risposte corrette a domande diverse. La model card del fornitore stesso esegue la pipeline diffusers a num_inference_steps=40, e anche il valore predefinito della pipeline diffusers è 40; la documentazione di ComfyUI afferma che la pipeline pubblicata "utilizza circa da 40 a 40 passaggi con l'Euler, e il template parte più in basso, a 25". Nessuno dei due numeri è un errore. Sono un valore predefinito del grafo e un'esecuzione di riferimento.

• Passaggi — direzione e compromesso.Un valore più basso è più veloce e, secondo la documentazione di ComfyUI, tiene in modo diverso a seconda del lavoro: le semplici modifiche localizzate tengono a 4-8 passaggi, «mentre le modifiche che riscrivono l'intera inquadratura perdono coerenza e richiedono tutti i 25». I dettagli fini ostinati come mani e dita «si assestano intorno ai 30 passaggi», e passare da 25 a 40 riduce il fizzle nelle aree dettagliate. La direzione è monotona e il compromesso è lineare: il consiglio della documentazione è di regolare i passaggi solo quando qualcosa di specifico non si risolve, non di aumentarli per sicurezza.

• Guidance — cfg 1 corrisponde a guidance disattivata, ed è il percorso pubblicato. A cfg 1 ComfyUI salta la passata di condizionamento negativo, quindi un prompt negativo non ha alcun effetto. Il template mantiene cfg 1, "che è il percorso per cui Qwen-Image-2.1 è pubblicato"; la pipeline diffusers dice la stessa cosa con parole proprie, impostando per impostazione predefinita true_cfg_scale a 1.0 perché "Qwen-Image 2.1 è pensato per essere campionato senza guidance". Alzalo solo quando vuoi davvero che il prompt negativo abbia effetto, e sappi qual è il prezzo: cfg 2 segue più fedelmente i prompt densi, inclusi testi piccoli e numeri, "al costo di bordi eccessivamente nitidi"; valori più alti spostano l'esposizione verso l'eccessivamente luminoso o l'eccessivamente scuro; cfg 5 degrada gravemente la qualità; cfg 0.5 rompe l'immagine. L'istruzione di ComfyUI è di cambiare un valore alla volta e confrontare con un seed fisso.

• La risoluzione è un obiettivo in megapixel, non un rettangolo. Il nodo Resolution Selector imposta un rapporto d'aspetto e un budget in megapixel, dove 1,0 MP corrisponde a circa 1024x1024. Qwen-Image-2.1 genera nativamente a 2K, quindi l'obiettivo per un quadrato 2048x2048 è di circa 4,0 MP. I multipli di 32 sono ciò che il modello richiede — il tooltip presente sull'input del text encoder resolution dice che i riferimenti vengono ridimensionati a circa resolution x resolution pixel in multipli di 32, con il rapporto d'aspetto preservato, e anche l'helper delle dimensioni della pipeline arrotonda a 32. La model card del fornitore pubblica i preset 2K: 1:1 a 2048x2048, 4:3 a 2400x1792, 3:4 a 1792x2400, 3:2 a 2528x1696, 2:3 a 1696x2528, 16:9 a 2752x1536, 9:16 a 1536x2752.

• Superare i 2K costa aderenza, non nitidezza. Target ben al di sopra della dimensione 2K su cui il modello è addestrato, come 4K, fanno perdere l'aderenza al prompt. È un comportamento documentato, non un'inferenza dedotta dall'architettura.

• Quello che è davvero controintuitivo: la risoluzione modifica anche la schedulazione del rumore. Qwen-Image-2.1 campiona con uno scheduler Euler di flow-matching il cui shift del timestep è dinamico, e la pipeline calcola lo shift dalla lunghezza della sequenza latente — cioè da quanti token produce la risoluzione scelta. La configurazione dello scheduler del checkpoint imposta base_shift a 0.5 e max_shift a 0.9 su un intervallo di sequenza immagine da 256 a 8192, e la pipeline immette la lunghezza di sequenza della tua esecuzione in quella formula a ogni chiamata. Cambiare la tela quindi cambia la schedulazione del sampler, non solo l'inquadratura. Nel template di ComfyUI non c'è alcun controllo di shift da impostare — gli input del KSampler sono model, positive, negative, latent image, seed, steps, cfg, sampler name e scheduler, e questa è tutta la lista. Se i tuoi risultati a 4 MP sono diversi da quelli a 1 MP in un modo che non riesci a spiegare solo con il livello di dettaglio, ecco il motivo.

• Nel grafo di modifica, la risoluzione si comporta diversamente ed è il valore predefinito più costoso in assoluto. Con custom_size disattivato — il valore predefinito del template — la modifica viene generata alla dimensione della prima immagine di riferimento. resolution 0 mantiene ogni riferimento alla propria dimensione in pixel arrotondata a un multiplo di 32, quindi una foto 3000x4000 produce una tela 3008x4000. Un valore superiore a 0 ridimensiona invece le proporzioni di quell'immagine su un budget di resolution x resolution pixel — un conteggio totale di pixel, non una larghezza. L'esempio di costo di ComfyUI stesso, misurato su una RTX 5090: il riferimento 3000x4000 con resolution 0 richiede circa 6 secondi per iterazione; la stessa modifica con resolution 1024 richiede circa 0,3 secondi per iterazione, a circa 896x1184. Attiva custom_size e prendi la tela dal Resolution Selector, mantenendola vicina alla dimensione ridimensionata della prima immagine, "altrimenti la modifica può spostarsi".

Determinismo: cosa fissa un seed e cosa no

Un seed fisso è necessario e non sufficiente, e i template forniti non concordano tra loro su questo. Il KSampler da testo a immagine viene fornito con il controllo fisso; entrambi i template di modifica — la modifica dell'immagine e la rimozione dello sfondo — vengono forniti con il controllo casuale. Stesso sampler, stessi valori predefiniti, comportamento opposto alla riaccodatura.

Supponi che il seed sia fisso. Ecco cosa muove ancora l'immagine:

• La KV cache. Questa è quella importante, ed è documentata anziché essere folklore. Qwen-Image-2.1 mette in cache le chiavi e i valori del testo e dell'immagine di riferimento dopo il primo passo; il sorgente della pipeline spiega che ciò è valido perché i token di condizionamento sono indipendenti dal passo sotto il condizionamento causale del modello. Poi dice la cosa che conta per chiunque provi a riprodurre un'immagine: attivare o disattivare la cache "non riproduce la stessa immagine bit per bit in precisione ridotta", perché il passo di decode esegue l'attenzione con un layout di sequenza diverso rispetto al passo di prefill, i due eseguono il tiling in modo diverso e approdano a un arrotondamento diverso — e una differenza di un ULP nel primo blocco viene amplificata da 32 blocchi e da ogni passo del sampler, quindi "le due impostazioni danno campioni ugualmente validi ma visibilmente distinti". L'indicazione del sorgente stesso è: fissa un campione fissando questo flag. In ComfyUI il flag si trova sul nodo Qwen Image 2.1 Cache, come device (auto, gpu, cpu, off) e dtype (default, int8, int4).

• La cronologia delle release del nodo cache stesso. Non esisteva prima del 25 settembre 2026, quindi un workflow day-zero non ha un'impostazione del genere e non si comporta come quello odierno. E off — l'unica impostazione che esclude la cache — "ricalcola il prefisso a ogni passo, il che è più lento ma è l'unico modo per escludere la cache".

• Quali file del modello. Il template carica un modello di diffusione int8 e un text encoder int8. Sostituisci l'uno o l'altro con il file bf16 e hai cambiato l'aritmetica. Le note di download li elencano entrambi, con le loro dimensioni, proprio perché la scelta è reale.

• Il prompt enhancer, se è attivo. Con refine_prompt attivo, il modello di immagini campiona dal prompt riscritto, non da quello che hai digitato — e la riscrittura è generata da un separato Generate Text nodo con i propri parametri di campionamento: temperature 1.0, top_k 20, top_p 0.95, il proprio campo seed e un max_length budget di token. Il tuo seed di KSampler non copre nulla di tutto ciò. Il Preview Any nodo all'interno del sottografo mostra il prompt che ha effettivamente raggiunto il modello di immagini, che è l'unico modo per sapere cosa hai appena riprodotto.

• La build di ComfyUI. I template portano il proprio avviso: i nodi mancanti durante il caricamento di un workflow di solito significano che la build precede i nodi, e Desktop e Cloud seguono le release stabili e possono rimanere indietro rispetto a una nightly.

Quindi riprodurre l'immagine Qwen-Image-2.1 di qualcun altro non è uno scambio di seed. È la revisione del template, i due file del modello, l'impostazione della risoluzione, i passi, cfg, sampler, scheduler, il device e il dtype della cache, lo stato on/off dell'enhancer e il suo seed — e, per il grafo di modifica, la dimensione della prima immagine di riferimento. ComfyUI non pubblica alcuna garanzia di riproducibilità del seed per questi workflow, e il codice sorgente di diffusers dice chiaramente che attivare o disattivare la cache cambia il campione; considera una corrispondenza esatta come qualcosa che assembli deliberatamente, non come qualcosa che un seed ti porge.

Più di un'immagine, e dove va la memoria

Nella configurazione fornita, il grafo produce un'immagine per esecuzione, e il controllo per cambiarlo è poco elegante: il nodo EmptyLatentImage ha come terzo input la dimensione del batch, impostata a 1. Aumentarlo è ciò che fa sì che il sampler emetta diverse immagini da una sola coda.

Quanto costa è il punto in cui si diventa onesti. I template ti dicono esattamente dove risiede la cache — auto usa la VRAM libera e poi la RAM di sistema; cpu esegue il prefetch dietro al calcolo e la documentazione lo descrive come un costo minimo in termini di velocità; off ricalcola il prefisso a ogni passo ed è più lento. Quanto al lato precisione, lo quantificano: int8 dimezza la cache con una precisione pari circa a bf16, e int4 la riduce a un quarto ma raddoppia all'incirca l'errore per passo. Ciò che non pubblicano è una tabella che leghi la dimensione del batch alla VRAM, e nemmeno la documentazione di ComfyUI lo fa. Se stai dimensionando un batch per una scheda, la risposta onesta è che nessuna cifra ufficiale lo copre; le variabili con effetti documentati sono il dispositivo della cache e il dtype, e la risoluzione target, che aumenta sia il numero di latent sia il prefisso in cache.

Dall'altra parte della barriera, nella pipeline di diffusers, si trovano due trappole legate al batch, ed entrambe vale la pena conoscerle perché il grafo di ComfyUI le nasconde. Lì, num_images_per_prompt moltiplica il batch e, se si passa una lista di generator, la sua lunghezza deve corrispondere esattamente alla dimensione effettiva del batch, altrimenti la pipeline solleva un'eccezione. E una lista di immagini di condizionamento è "un unico insieme di immagini condiviso da ogni prompt del batch, non una voce per prompt": non è possibile assegnare a ciascun prompt di un batch la propria immagine di riferimento; l'istruzione della fonte è invece di chiamare la pipeline una volta per prompt. Il sotto-grafo di editing presenta lo stesso tipo di vincolo in un punto diverso: il suo BatchImagesNode raggruppa fino a dieci immagini di riferimento nel text encoder, il che significa raggruppare input, non output. Dieci riferimenti non ti danno dieci immagini.

Immagine-a-immagine dallo stesso grafo

Non hai bisogno di un grafo diverso per questo. Il template di modifica immagine è la catena text-to-image con il latente vuoto sostituito dall'output latente del text encoder, due LoadImage nodi che alimentano image_1 e image_2 negli slot di riferimento del sottografo, e un ImageCompare nodo alla fine così puoi vedere l'input accanto all'output. Metti un'immagine in image_1, lascia image_2 vuoto, scrivi un'istruzione, e questo è image-to-image: la tua immagine è contesto che il modello legge, non un latente di partenza a cui applica una riduzione parziale del rumore. Non c'è alcun cursore strength o denoise da impostare su questo percorso, perché il target parte dal rumore e il tuo riferimento entra invece attraverso l'encoder e il VAE.

Ecco il confine, in una frase ciascuno, perché questi due sono separati da una sola ricerca e la gente finisce per scegliere quello sbagliato.

• Image-to-image è per quando vuoi una variazione: fornisci al modello un'immagine e una descrizione, e questo ne dipinge una nuova simile alla tua, su una tela che scegli tu.

• La modifica è quando vuoi un cambiamento: fornisci al modello un'immagine e un'istruzione che indichi cosa dovrebbe essere diverso, più facoltativamente una maschera o segni dipinti, e il modello mantiene il resto dell'inquadratura.

L'indizio è nella frase che stai per digitare. "Fallo apparire così ma di notte" è i2i; "cambia la giacca in rosso, lascia tutto il resto" è una modifica, e su questo grafo il percorso di modifica è dove risiedono maschere, i dieci slot di riferimento e il comportamento di modifica localizzata. Quella domanda vicina è l'argomento di un'altra pagina, e questa si ferma alla riga così puoi capire su quale ti trovi.

Il checkpoint turbo, in un paragrafo

Un rimando, perché la grafia turbo si trova all'interno di questa famiglia di query e un lettore la incontrerà. Qwen-Image-2.1-Turbo è un checkpoint separato a 8 step della stessa architettura di generazione visiva da 7B, rilasciato il 9 ottobre 2026 e caricato dallo stesso QwenImage21Pipeline. La sua scheda del modello dice che il checkpoint "include il proprio schedule di campionamento consigliato, quindi è pronto all'uso senza configurare manualmente lo scheduler", che la generazione usa CFG 1 per impostazione predefinita e che impostare num_inference_steps da solo non sovrascrive lo schedule salvato — a farlo è un argomento sigmas esplicito passato al momento della chiamata. Nulla di tutto ciò cambia la catena di nodi in questa pagina: stessi loader, stesso encoder, stesso nodo sampler. Ciò che cambia è da dove proviene lo schedule, ed è l'unica cosa che vale la pena controllare nel tuo grafo prima di confrontare un'esecuzione turbo con una del modello base e concludere che il modello è peggiorato.

Cosa fare dopo, nel grafico

Carica il template dalla libreria di template di ComfyUI invece che da uno screenshot, poi leggi quattro nodi prima di accodare qualsiasi cosa. Su Resolution Selector, imposta le proporzioni che vuoi davvero e, se desideri il 2K nativo del modello, il target di 4.0 MP. Sul KSampler, conferma che il controllo sia fixed se intendi riprodurre un'esecuzione, e lascia steps a 25 e cfg a 1 finché qualcosa di specifico non fallisce. Sul Qwen Image 2.1 Cache, decidi ora device e dtype e annotali, perché non puoi cambiarli in seguito e confrontare due immagini come se si fosse mosso solo il prompt. E sul nodo Generate Text, lascia refine_prompt disattivato finché non hai una baseline che ti piace — poi attivalo, leggi la riscrittura in Preview Any, e mantieni il seed su cui eri così il confronto ha un senso.