Qwen-Image-Edit: La linea di editing, checkpoint per checkpoint

Questa è la pagina di riferimento per la linea Qwen-Image-Edit — l'editor di immagini che segue le istruzioni, non il generatore da testo a immagine con cui è stato sviluppato. La linea ha esattamente tre checkpoint pubblicati: Qwen-Image-Edit, rilasciato il 17 agosto 2025 e basato sul Qwen-Image da 20B; Qwen-Image-Edit-2509, l'iterazione mensile pubblicata il 22 settembre 2025; e Qwen-Image-Edit-2511, pubblicato il 17 dicembre 2025 come versione migliorata di 2509. Tutto in questa pagina è incentrato sul più recente di questi tre, e indica sempre a quale checkpoint si riferisce ogni affermazione. C'è un'altra cosa da precisare subito, perché è la risposta alla domanda che la maggior parte delle persone si sta effettivamente ponendo: Qwen-Image-2.1 è un modello unificato di text-to-image e image editing con un componente di generazione visiva da 7B, e Qwen-Image-2.1-Turbo è lo stesso modello come checkpoint accelerato a 8 step. Nessuno dei due è una voce della linea edit, e questa distinzione è l'intero motivo per cui esiste questa pagina.

Qwen-Image contro Qwen-Image-Edit

Se hai cercato la differenza tra Qwen-Image e Qwen-Image-Edit, stavi chiedendo quale delle due cose hai davanti. La risposta è netta e vale la pena affermarla senza mezzi termini, perché le due non sono intercambiabili e i nomi dei file non ti permettono di distinguerle.

• Qwen-Image — un modello text-to-image. Gli dai delle parole, lui ti restituisce un'immagine. È il modello su cui è stato costruito Qwen-Image-Edit. La scheda del checkpoint di editing originale lo descrive come "la versione per l'editing di immagini di Qwen-Image", costruito sul modello Qwen-Image da 20B, ed è così che eredita il rendering del testo di Qwen-Image.

• Qwen-Image-Edit — un modello image-to-image. Gli passi un'immagine più del testo, e lui ti restituisce una versione modificata di quell'immagine. La scheda del primo checkpoint lo classifica sotto pipeline_tag: image-to-image. Non puoi chiedergli un'immagine dal nulla; l'immagine di partenza non è facoltativa.

• Il meccanismo che rende diverso l'editing — dove il generatore ha un solo ingresso (il testo), l'editor ne ha tre. La scheda del checkpoint originale descrive l'immissione dell'immagine di input contemporaneamente in Qwen2.5-VL per il controllo semantico visivo e nell'encoder VAE per il controllo dell'aspetto visivo. È proprio quel secondo percorso che un modello text-to-image strutturalmente non possiede: all'editor non viene detto della tua immagine a parole, esso sta guardando i latenti della tua immagine.

• Dove le due linee tornano a convergere — Qwen-Image-2.1 è descritto sulla sua scheda come "un modello unificato di generazione da testo a immagine e modifica delle immagini". Questa è una diversa architettura di risposta alla stessa domanda: invece di un checkpoint di modifica avvitato a un generatore, un solo modello fa entrambe le cose. Il suo esempio di modifica passa un image= come argomento a una pipeline che usi anche per la generazione da testo a immagine. Se stai cercando di capire quale famiglia hai, l'indizio più rapido è il nome del checkpoint: un nome della serie Qwen-Image-Edit… è la linea di modifica, e un nome della serie Qwen-Image-2.1… è il modello unificato.

Qui nulla costituisce una raccomandazione tra loro. Sono risposte diverse a problemi diversi, e il resto di questa pagina riguarda la prima.

Aderenza alle istruzioni: cosa cambia e cosa lascia inalterato

Questa è la domanda che, stando alla domanda di ricerca, le persone digitano davvero, e merita una risposta diretta anziché un elenco di funzionalità. La risposta onesta ha due metà, e solo una delle due è confortevole.

Inizia dalla metà che è integrata nel design del modello, perché spiega la maggior parte delle segnalazioni del tipo "è cambiato più di quanto avessi chiesto". La scheda originale di Qwen-Image-Edit traccia una linea di demarcazione tra due modalità, e solo una di esse promette che qualcosa verrà preservato.

• Modifica dell'aspetto — lavoro visivo di basso livello, come aggiungere, rimuovere o modificare elementi specifici. Secondo la formulazione della scheda stessa, ciò richiede che "tutte le altre regioni dell'immagine rimangano completamente invariate". Questa è la modalità che corrisponde a ciò che la maggior parte delle persone intende con il termine modifica.

• Editing semantico — attività di alto livello come la creazione di IP, la rotazione degli oggetti e il trasferimento di stile. Qui la scheda dice l'opposto: "consente modifiche complessive ai pixel mantenendo la coerenza semantica". L'esempio pratico fornito dallo stesso fornitore è una mascotte capibara ridisegnata in molti stili, dove la scheda osserva che "la maggior parte dei pixel nell'immagine modificata differisce da quelli nell'immagine di input" mentre la coerenza del personaggio viene preservata.

Quella seconda modalità non è un bug, e la scheda non la presenta come tale. Ma è il motivo per cui una richiesta come "fai in modo che sembri un film Ghibli" può legittimamente restituire un'immagine che non condivide quasi nessun pixel con la tua fonte. Se volevi che cambiasse solo il cielo, non stavi chiedendo una modifica semantica. Leggi queste come descrizioni del comportamento previsto riportate dal fornitore, non come misurazioni — la scheda le presenta come progettazione, e nessuna delle parti ha pubblicato un tasso al quale ciascuna modalità mantiene la sua promessa.

Ora la metà meno confortevole. Il progetto stesso della linea ha riconosciuto presto problemi di rispetto delle istruzioni, nelle proprie note. Le note del repository Qwen-Image per il checkpoint originale, datate 19 agosto 2025, segnalano "disallineamenti nelle prestazioni" in quella prima release e mettono in evidenza in particolare la preservazione dell'identità e il rispetto delle istruzioni, indirizzando gli utenti a una build aggiornata di Diffusers. Questa è un'ammissione riportata dal fornitore sul modello del fornitore stesso, il che è quanto di più diretto possa esserci come prova sull'aderenza alle istruzioni — e riguarda il checkpoint di agosto 2025, non 2511.

L'esempio pratico fornito dal fornitore stesso di un caso difficile è più istruttivo di qualsiasi affermazione. Nel walkthrough di editing concatenato sulla scheda originale, un'opera calligrafica generata da Qwen-Image contiene errori nei caratteri, e all'editor viene chiesto di correggere 稽 all'interno di un riquadro rosso disegnato e 亭 all'interno di uno blu. La scheda riporta che 稽 — un carattere poco noto — non viene corretto correttamente in un solo passaggio: il componente in basso a destra dovrebbe essere 旨 e viene restituito come 日. Solo dopo aver disegnato un ulteriore riquadro rosso stretto attorno alla regione del 日 il modello produce il componente corretto. Ne conseguono due cose, ed entrambe sono affermate dal fornitore: i bounding box sull'immagine di origine sono un vero meccanismo di controllo, e un singolo passaggio di correzione delimitato non è sempre sufficiente. Si tratta di un fallimento segnalato dal fornitore e di un recupero segnalato dal fornitore su un esempio scelto dal fornitore, che è esattamente la forma che tale evidenza dovrebbe assumere.

Categorie che le schede documentano come funzionanti, ciascuna come dichiarazione del fornitore anziché come risultato misurato:

• Modifiche a livello di elemento con preservazione — aggiungere un'insegna a una scena (la scheda originale osserva che il modello ha generato anche un riflesso corrispondente), rimuovere sottili fili di capelli e piccoli oggetti, ricolorare una singola lettera in un'immagine.

• Modifica di testo bilingue — aggiunta, eliminazione e modifica di testo cinese e inglese in un'immagine preservando il font, la dimensione e lo stile originali. La scheda 2509 estende questa funzione alla modifica del tipo di font, del colore e del materiale, e la scheda originale mostra la modifica di poster cinesi fino a testo piccolo e intricato.

• Identità e coerenza dei personaggi — la scheda del 2509 riporta una migliore conservazione dell'identità facciale che supporta trasformazioni di posa e stili ritrattistici; la scheda del 2511 riporta ulteriori miglioramenti sulle foto di gruppo con più persone e sulla fusione di due immagini separate di persone in un unico scatto di gruppo coerente.

• Sintesi di nuove viste e rotazione degli oggetti — la scheda originale mostra la rotazione dell'oggetto di 90 gradi e di 180 gradi completi, collocando esplicitamente questo nella modifica semantica dove ci si aspetta un cambiamento dei pixel dell'intero fotogramma.

• Lavoro sui prodotti — la scheda di 2509 riporta la generazione di poster di prodotto a partire da immagini di prodotto con sfondo semplice, oltre alla generazione di loghi. La scheda di 2511 aggiunge la progettazione di prodotti industriali in batch e la sostituzione dei materiali per componenti industriali.

• Condizionamento in stile ControlNet — la scheda di 2509 riporta il supporto nativo per mappe di profondità, bordi e keypoint e per schizzi, incluso l'uso di una mappa di keypoint per cambiare la posa di una persona.

• Guida all'uso — la scheda di 2509 riporta che la modifica multi-immagine funziona tramite concatenazione di immagini tra "persona + persona", "persona + prodotto" e "persona + scena", e afferma che le prestazioni ottimali sono attualmente ottenute con 1-3 immagini di input. Quel limite superiore è un'indicazione del fornitore, non un limite rigido, ed è indicato per 2509.

• Funzionalità più recenti nella 2511 — la scheda elenca la mitigazione della deriva delle immagini, l'integrazione di alcuni popolari LoRA della community direttamente nel modello di base, una generazione di design industriale migliorata e un ragionamento geometrico rafforzato, con un esempio di generazione di linee di costruzione ausiliarie per l'annotazione di progetto.

I checkpoint, i nomi e il percorso turbo

È qui che molto traffico di ricerca prende una piega sbagliata, quindi vale la pena essere precisi. L'elenco della stessa organizzazione del modello su Hugging Face contiene tre, e solo tre, repository nella linea edit. Si tratta di un riscontro negativo stabilito da una verifica diretta: i tre repository reali si risolvono, mentre una serie di nomi dall'aspetto plausibile della stessa famiglia — inclusi Qwen/Qwen-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, e sia Qwen/Qwen-Image-2.1-Edit che Qwen/Qwen-Image-Max-2512 — non si risolvono in condizioni identiche. Qualunque cosa quei nomi indichino, non sono checkpoint pubblicati dalla stessa organizzazione del modello, e questa pagina non tenterà di indovinare cosa siano.

I tre che esistono:

• Qwen-Image-Edit — l'originale, 17 agosto 2025, Apache-2.0, classificato come image-to-image. Caricato con QwenImageEditPipeline. La sua guida rapida usa true_cfg_scale=4.0, negative_prompt=" " e num_inference_steps=50.

• Qwen-Image-Edit-2509 — 22 settembre 2025, Apache-2.0, descritto sulla sua scheda come "l'iterazione mensile di Qwen-Image-Edit". Da caricare con QwenImageEditPlusPipeline; la sua guida rapida utilizza true_cfg_scale=4.0, num_inference_steps=40 e guidance_scale=1.0. Questo è il checkpoint che ha introdotto l'input multi-immagine, il lavoro più solido sulla coerenza e il supporto nativo a ControlNet.

• Qwen-Image-Edit-2511 — 17 dicembre 2025, Apache-2.0, descritto sulla sua scheda come "una versione migliorata rispetto a Qwen-Image-Edit-2509, con molteplici miglioramenti, tra cui una coerenza notevolmente migliore". Si carica anche con QwenImageEditPlusPipeline, con le stesse impostazioni di campionamento di 2509. Se non hai altri vincoli, questo è il checkpoint più recente della linea di editing.

Quale delle due versioni il lettore abbia con ogni probabilità dipende da dove l'ha incontrata. Chiunque usi una funzione di modifica delle immagini ospitata si trova molto probabilmente su 2511 o 2509. Chiunque abbia scaricato un checkpoint un anno fa e non l'abbia più toccato si trova molto probabilmente sulla versione originale, e le differenze che contano per il lettore sono la coerenza e il lavoro multi-immagine aggiunti nella 2509, piuttosto che un cambiamento nel modo in cui funziona l'editing.

Ora la questione turbo, formulata con precisione perché il nome invita a un'assunzione errata. Qwen-Image-2.1-Turbo non è un checkpoint turbo per l'editing. La sua scheda lo descrive come «un checkpoint accelerato di Qwen-Image-2.1 per la generazione text-to-image e l'editing di immagini con 8 passaggi di denoising», che utilizza la stessa architettura di generazione visiva 7B e si carica direttamente con QwenImage21Pipeline. Quindi il percorso accelerato per l'editing è il percorso accelerato del modello unificato, ed eredita il comportamento di editing di quel modello anziché quello della linea dedicata all'editing.

Cosa cambia turbo, concretamente:

• Numero di passaggi — 8 passaggi di denoising, rispetto a 40 nella guida rapida del modello unificato e a 40 o 50 in quella della linea edit.

• Guidance — la generazione usa CFG=1 per impostazione predefinita, e la cache KV del prefisso riutilizza il contesto del testo e dell'immagine di riferimento tra i passaggi di denoising. È proprio da questo riutilizzo che deriva buona parte dell'accelerazione, e l'esempio di editing della scheda passa use_kv_cache=True in modo esplicito.

• La schedulazione viene salvata insieme al checkpoint — la scheda afferma che la schedulazione di campionamento a 8 passaggi consigliata viene salvata insieme al checkpoint e caricata automaticamente, e che impostare num_inference_steps da solo non la sovrascrive. Se imposti il numero di passaggi e non vedi alcun cambiamento, ecco il motivo. Un argomento esplicito sigmas al momento della chiamata sovrascrive invece la schedulazione salvata, e la scheda aggiunge che altre schedulazioni non sono state valutate per questo checkpoint.

• Fedeltà — la scheda non avanza alcuna dichiarazione di fedeltà per il checkpoint turbo rispetto al modello unificato, e non è disponibile alcuna misurazione indipendente che isoli la fedeltà di editing del turbo da citare. Chiunque ti dica che la modifica a 8 step sia o non sia fedele quanto la modifica a 40 step sta andando oltre ciò che è stato pubblicato. Ciò che la scheda documenta è il cambiamento del campionamento e il fatto che l'architettura rimane la stessa componente visiva da 7B, motivo per cui vale la pena testarlo anziché darlo per scontato.

Sulla qualità relativa, i dati indipendenti provengono dalla classifica di image editing di Artificial Analysis, che è una misurazione di terze parti e non un'affermazione di un fornitore, e vale la pena leggerli attentamente perché due di essi non corrispondono a ciò che i nomi suggeriscono.

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4.478 campioni, novembre 2025, pesi aperti. Questa è la voce con il punteggio migliore nella linea di modifica discreta.

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, 7.390 campioni, settembre 2025, pesi aperti.

• Qwen Image Edit — 918 Elo, ±7, 7.415 campioni, agosto 2025, pesi aperti. È circa 103 Elo al di sotto di 2511 nella stessa classifica, che è l'entità del divario che il lavoro sulla coerenza ha permesso di guadagnare.

• Qwen Image Edit Max 2601 — 1000 Elo, ±8, 5.036 campioni, datato gennaio 2026 sulla classifica, pesi chiusi. La classifica riporta questa voce; nessun repository corrispondente compare nell'elenco della stessa organizzazione del modello, quindi non è possibile stabilire cosa sia questo checkpoint sulla base di materiale primario. Viene qui riportato come riga di una classifica indipendente e nulla di più.

• Qwen-Image-2.1 — 1074 Elo, ±9, 5.536 campioni, pesi aperti, circa 53 Elo sopra il miglior checkpoint di editing. Nota che la classifica indica la data di questa voce come settembre 2026 e aggiunge "No API available". Un modello unificato che supera la linea dedicata all'editing è il singolo fatto più utile su questa pagina per chiunque debba decidere cosa eseguire, ed è una misurazione indipendente, non una dichiarazione di un fornitore.

La stessa pagina elenca anche i costi API per 1.000 immagini per diverse di queste voci, e questa pagina di proposito non li riporta: cambiano, sono segnalati dalla board anziché pubblicati dai fornitori, e un lettore che agisse in base al numero di oggi vorrebbe leggerlo alla fonte.

Ciò che devi fornire

I requisiti di input dell'editor sono il punto in cui si decide la maggior parte delle esecuzioni fallite, e la specifica è più indulgente di quanto ci si aspetti in una direzione e meno indulgente in un'altra.

• L'immagine di origine è obbligatoria e costituisce l'intero input — non esiste una modalità solo testo. La card del checkpoint originale converte il proprio esempio in RGB prima di passarlo; la card turbo del modello unificato carica il proprio esempio e lo converte in RGBA, il che è importante perché Qwen-Image-2.1 genera e modifica immagini trasparenti in modo nativo.

• La modifica senza maschera è il percorso documentato nel modello unificato — la scheda di Qwen-Image-2.1 afferma che le modifiche locali possono essere specificate tramite cerchi, annotazioni dipinte o maschere separate, e che il modello supporta fino a 10 immagini di riferimento. Il percorso senza maschera tramite cerchi e annotazioni dipinte è quello che la scheda presenta per primo; è il motivo per cui è possibile contrassegnare una regione in un normale editor di immagini anziché produrre un file di maschera.

• L'editing mascherato esiste come pipeline separata — una pipeline inpaint discreta espone mask_image, masked_image_latents e padding_mask_crop insieme a un parametro strength che per impostazione predefinita è 0.6. Se hai passato del tempo a cercare uno slider di strength sui checkpoint di edit senza trovarlo, ecco perché: le pipeline della linea edit non ne accettano uno, e l'esempio di editing del modello unificato passa un prompt e un'immagine senza alcun argomento strength.

• La risoluzione di origine è vincolata, e il vincolo è aritmetico — sia la pipeline originale sia quella plus verificano che l'altezza sia divisibile per il doppio del fattore di scala del VAE. Nella pipeline del modello unificato il fattore di scala del VAE è 16 e il controllo avverte che è necessaria la divisibilità per 32, con un valore predefinito di output_resolution di 1024. Passare direttamente una dimensione foto arbitraria è uno dei modi più comuni per ottenere un errore bloccante anziché una modifica scadente.

• Esistono preset nativi ad alta risoluzione, e sono numeri specifici — il modello unificato e il suo checkpoint turbo pubblicano gli stessi sette preset: 1:1 a 2048×2048, 4:3 a 2400×1792, 3:4 a 1792×2400, 3:2 a 2528×1696, 2:3 a 1696×2528, 16:9 a 2752×1536 e 9:16 a 1536×2752. L'esempio di generazione da testo a immagine della scheda turbo utilizza il preset verticale 1696×2528 e il suo esempio di editing utilizza 2048×2048.

• L'input multi-immagine ha un punto ottimale documentato — fino a 3 immagini per 2509, e fino a 10 riferimenti per il modello unificato. Superare l'intervallo documentato dal fornitore non è proibito, ma nulla di ciò che è stato pubblicato descrive cosa succede quando lo si fa.

• Un ulteriore requisito di fornitura che è facile lasciarsi sfuggire — il percorso di editing del modello unificato richiede un num_inference_steps di 40 nella sua guida rapida e i valori predefiniti della sua pipeline includono use_kv_cache=True e true_cfg_scale=1.0. Leggere quei valori predefiniti prima di regolare qualsiasi cosa ti risparmierà un giro di confusione sul perché l'output è cambiato quando pensavi di aver cambiato solo una cosa.

Modificare un'immagine che hai già modificato

Questa è l'area meno consolidata della pagina e vale la pena distinguere ciò che è documentato da ciò che non lo è. Vengono descritti due meccanismi, e uno di essi è la risposta del fornitore stesso a un guasto.

• La correzione concatenata è documentata e prevista — la procedura guidata di calligrafia sulla scheda originale è un ciclo a più turni, non un singolo passaggio. Il modello fallisce su 稽 in un passaggio, il lettore disegna un riquadro più stretto sul componente in errore, e il turno successivo lo corregge. La scheda presenta questo come il modo previsto di lavorare, non come una soluzione alternativa, e il risultato finale si raggiunge dopo diversi turni successivi sulla stessa immagine. Se stai modificando un'immagine già modificata, stai facendo ciò che il fornitore documenta.

• L'image drift è il rischio nominato nel checkpoint più recente — la scheda del 2511 apre la sua lista dei miglioramenti chiave con "mitigate image drift", che è il termine usato dal fornitore stesso per indicare il cambiamento indesiderato che si accumula tra un turno e l'altro. L'affermazione è che il 2511 lo riduca; la scheda non quantifica in che misura, e non esiste alcuna misurazione indipendente della deriva su un numero noto di turni di modifica da citare.

• Ciò che non è stabilito — quanta qualità costa un terzo o quinto turno, se la deriva si accumula linearmente o raggiunge un plateau, e se il programma a 8 passi del checkpoint turbo derivi in modo diverso dal percorso a 40 passi. Il fornitore non pubblica alcuna curva di qualità per turno per nessun checkpoint in nessuna delle due linee, e le board indipendenti misurano la modifica a passaggio singolo anziché le catene. L'interpretazione pratica è che il flusso di lavoro documentato dal fornitore è una catena breve e delimitata con una regione disegnata su ogni turno, e nulla di pubblicato supporta il considerare sicura una lunga catena di modifiche non fissate.

• Il riutilizzo del contesto interagisce con il concatenamento — la cache KV del prefisso del checkpoint turbo riutilizza il contesto testuale e dell'immagine di riferimento tra i passaggi di denoising, e l'esempio di editing della card la attiva. Si tratta di un'ottimizzazione interna alla singola chiamata, non di una memoria tra turni; nulla nella card suggerisce che il modello conservi qualcosa tra chiamate separate. Ogni turno parte dall'immagine che gli fornisci.

Ciò che non è stabilito

Tenuta breve, perché una pagina di riferimento che nasconde i propri limiti è peggio di una che li indica.

• Cosa sono "Qwen Image Edit 3" e "Qwen Image Edit 2512". Nessuno dei due nomi corrisponde a un repository nell'elenco proprio dell'organizzazione del modello, quindi questa pagina non può dire quale generazione indichino, né se ne indichino una. Se viene pubblicata una generazione di editing successiva, comparirà in quell'elenco e questa pagina sarà errata finché non verrà riscritta.

• Cos'è Qwen Image Edit Max 2601.Una scheda indipendente riporta la riga; non esiste un repository del fornitore corrispondente. La lacuna viene segnalata anziché colmata.

• Se turbo comporta un costo in fedeltà di editing. Nessuna dichiarazione del fornitore, nessuna misurazione indipendente.

• Quanto drift rimuove effettivamente 2511. Il fornitore dichiara una riduzione e non la quantifica.

• Tassi per qualsiasi delle funzionalità documentate. Ogni affermazione del tipo "funziona per X" in questa pagina è la scheda del checkpoint stesso che descrive il comportamento previsto su esempi scelti. Nessuna di esse è un tasso di successo misurato, e nessuna di esse dovrebbe essere letta come tale.

La tua prossima azione è scegliere uno dei tre checkpoint esistenti, leggere la scheda di quel checkpoint prima di modificare qualsiasi cosa nella sua guida rapida, e passargli un'immagine di origine le cui dimensioni soddisfino il controllo di divisibilità della pipeline. Se il motivo per cui sei arrivato qui è che vuoi partire da un'immagine tua e conservarne il più possibile anziché modificarla, quello è un problema correlato con una sua procedura guidata: la pagina image-to-image tratta come partire dalla propria immagine e cosa significa per essa l'assenza di un controllo di strength. Se invece vuoi il modello unificato più recente perché una board indipendente lo colloca al di sopra dell'intera linea di editing, il checkpoint accelerato è il modo economico per provarlo prima di impegnarti.