Qwen-Image-2.1 ワークフロー：ノードチェーン、ダイヤル、そして初日から何が変わったか

このページから得られるのは、Qwen-Image-2.1のグラフをゼロから組み直して再現できることだ——ローダーが実際に使う名前によるノードチェーン、出力が求めたものになるかどうかを決める4つか5つの調整つまみ、そして、ノイズスケジュールを変えたことに気づかずに人々が変えてしまう2つの設定。モデル自体はベンダーによる統合テキスト・トゥ・イメージ／画像編集リリースで、2026年9月20日に研究用ライセンスの下でオープンソース化された。視覚生成コンポーネントは7Bパラメータ、32のシングルストリームDiT層、16倍の空間圧縮を行う64チャネルRGBA VAE、編集パスでは最大10枚の参照画像。この日付は、あなたがどのチェックポイントを配線しているかを知らせるためのもので、何かを発表するためのものではない。主題はこのグラフであり、このグラフには、他人のスクリーンショットを信じる前に読む価値のある改訂履歴がある——今日出荷されているテンプレートは初日に出荷されたテンプレートではなく、その違いのうち4つはまさに読者が間違えやすいものだ。

このページが説明しているのはどのグラフか

以下はすべて、ComfyUI のワークフローテンプレート Comfy-Org/workflow_templates を、2026年10月13日時点のリビジョンで、ComfyUI stable v0.39.0（2026年10月5日公開）上で実行して読み取ったものです。ノード名は、ローダーがグラフ内で用いる表示名です。リビジョン間でノードが追加または改名された場合は、その日付を記します。ここに至る経路は、Qwen-Image-2.1 に関する ComfyUI のチュートリアルページです — そこには3つのテンプレートがあり、本ページはテキストから画像生成のものを踏襲し、さらにそれをアレンジしています。

3つのテンプレートはQwen-Image-2.1 Text to Image、Qwen-Image-2.1 Image Edit、そしてRemove Background: Qwen-Image-2.1です。最後のものは別のグラフではありません。ComfyUIのドキュメントによると、これは「Remove the background, and output a PNG image」というプロンプトで画像編集サブグラフを再利用しています。つまり、学ぶべきグラフは2つで、そのうち1つはもう一方の上に重なったプロンプトテンプレートです。

ノードチェーン、順番に

text-to-image テンプレートはサブグラフです — キャンバス上の 1 つの折りたたみ可能なノードで、18 個の公開入力を持ち、13 ノードのチェーンを内包しています。その内部の順序は次のとおりです：

• UNETLoader — 読み込むファイル: qwen_image_2.1_int8_convrot.safetensors。weight dtype はデフォルトのままです。これは拡散モデルであり、ここで選ぶファイルが、あなたの実行結果が他の人と一致するかどうかを最初に決める要素です。

• Qwen Image 2.1 Cache — ローダーとサンプラーの間に位置します。現在のテンプレートでは省略できませんが、バイパスは可能です。そして、最初の1週間でダウンロードしたグラフから最も欠けている可能性が高いノードです。

• KSampler — キャッシュノードからモデルを、テキストエンコーダーからポジティブおよびネガティブのコンディショニングを、そして空の latent を受け取ります。同梱のテンプレートにおけるウィジェットは次のとおりです: seed 0、control fixed、steps 25、cfg 1、sampler euler、scheduler simple、denoise 1。

• EmptyLatentImage — 幅と高さは、サブグラフの外側にあるResolution Selectorノードから入力され、その3番目の入力であるバッチサイズは1に設定されています。

• VAEDecode → SaveImageAdvanced — デコーダーはピクセルを保存ノードに渡し、そのファイル名プレフィックスは Qwen_image_2.1 で、フォーマットは PNG、8ビット、sRGB として出力されます。ここで PNG は見た目だけの話ではありません。VAE は4チャンネルを扱うため、8ビット PNG がディスクに書き込まれるまでアルファチャンネルを保持します。

• CLIPLoader — qwen3vl_8b_int8_convrot.safetensorsをタイプqwen_imageに設定して読み込みます。Qwen3-VL 8Bはテキストエンコーダーであり、参照画像を読み取るビジョンタワーでもあります。

• Text Encode Qwen Image 2.1（ノードID TextEncodeQwenImage21）— プロンプトを条件付けします。これはclip、プロンプト、ネガティブプロンプト、オプションのVAE、解像度の整数値、そしてimage_1からimage_16という名前の自動拡張される画像スロット群を受け取ります。返すものは3つです：ポジティブ条件付け、ネガティブ条件付け、そしてlatent。このlatentこそが見落とされがちな部分です — 最初の参照画像に合わせたサイズの空のlatentであり、text-to-imageグラフでは空のlatentは代わりにResolution Selectorから供給されるため、使用されません。

• VAELoader — qwen_image_2.1_vae_bf16.safetensors。デコーダーとテキストエンコーダーの参照画像パスの両方に供給されます。

オプションのブランチは最後のピースです。2つ目の CLIPLoader は をロードします。qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors タイプを stable_diffusion に設定して、 qwen_image ではなく、その違いは意図的であり、これはテキスト生成用のチェックポイントで、ビジョンエンコーダーではないからです。これは Generate Text ノードに送られ、その出力は Preview Any を経由してサンプラーのポジティブプロンプトに送られ、 ComfySwitchNode によって切り替えられ、 refine_prompt 入力に接続されています。 Primitive String (Multiline) ノードには、書き換えが従うシステムプロンプトが保持されており、それを読んで編集できます。

連鎖を数えれば、実際の作業は6つのノードだ。拡散モデルを読み込み、テキストエンコーダーを読み込み、VAEを読み込み、プロンプトをエンコードし、空の潜在からサンプリングし、デコードして保存する。テンプレート内のそれ以外はすべてメモリか便宜的なものだ。

day-zero のグラフとこのグラフの間で、何が変わったのですか

これは、チュートリアルのスクリーンショットからワークフローをコピーする前に知っておく価値のある部分です。なぜなら、Qwen-Image-2.1 のテンプレートは最初に登場した後、5回編集されており、その編集は見た目だけのものではないからです。

• 2026年9月20日 — 最初のテンプレート。コミット 96309bd530、「Qwen Image 2.1 テンプレートを追加」。テキストから画像へのサブグラフのノードは7つ：ローダー、エンコーダー、空の潜在変数、サンプラー、デコーダー。CLIPローダーは bfloat16 のテキストエンコーダー、qwen3vl_8b_bf16.safetensors — 16.33 GB のファイルに設定されていました。

• 2026年9月20日、同じ日の遅い時間帯。コミット371a7b7171は、そのローダーをqwen3vl_8b_int8_convrot.safetensors（8.71 GB のファイル）に切り替えた。メッセージは「Switch Qwen Image 2.1 CLIP to int8 convrot」。テンプレート自身の注記には「loaded by the templates, lower memory」と記されている。朝のファイルから構築したワークフローと、夜のファイルから構築したワークフローは、同じワークフローではない。

• 2026年9月25日.このQwen Image 2.1 Cacheノードが、プロンプト拡張ブランチ全体（2つ目のCLIPローダー、Generate Text、Preview Any、スイッチ、システムプロンプトノード）とともに、初めてグラフに現れました。この日付より前には、設定すべきキャッシュノードも、オフにすべき書き換えステップもありませんでした。画像編集テンプレートには、同じ日に対応する入力が追加されました。テキストから画像への注記にも、この改訂で、4メガピクセルの行と透明画像用プロンプト ラッパーの両方が追加されました。

• 2026年9月28日。ダウンロードの注記にファイルサイズを追加しました — これはドキュメントの変更であり、グラフの変更ではありませんが、読者が自分のダウンロードマネージャーと照合する数値はここから来ています。

• 2026年9月30日。コミット9fae1041be、「Qwen Image 2.1: Update PE settings」— 2.1 のどちらかのテンプレートが最後に触られたのはこの時点です。これが最も重要で、最も目に見えにくい変更です。Generate Text ノード上の3つの値が変更されました。トークン予算 max_length は16256から4096に引き下げられ、反復ペナルティは1.05から1.0に、そして thinking はオフからオンになり、ノード自体のメモにはチェックポイントが「推論ブロックを伴って学習されており、それなしでは品質が低下する」と書かれています。テンプレートのメモでは、以前の値が公式のものであると説明され、上限が存在するのは「1回の書き換えが何分も実行されないようにするため」だと述べられています。

変わらなかったことこそが、この話の役に立つ半分だ。サンプリングブロックは、day-zero のテンプレートと今日のものでバイト単位で完全に同一だ。steps 25、cfg 1、euler、simple、denoise 1、シード制御は固定、Resolution Selector の出力にある空の latent、バッチサイズ 1。グラフはサンプラーを動かして直ったのではない。テキストエンコーダーのどのファイルを読み込むかを変え、キャッシュノードを追加し、プロンプトエンハンサー自身の設定を修正することで直ったのだ。

グラフの下には、もう1つのレイヤーがあります。テンプレートが固まった後も、ComfyUI のコアは変わり続けていました。9月29日の v0.38.0 では Qwen 2.1 の KV キャッシュ配置ロジックが改善され、10月5日の v0.39.0 では「qwen image 2.1 で int8 または int4 キャッシュを選択した際のクラッシュを修正」が同梱されました。あなたのグラフが最新で、ビルドがそれより古い場合、キャッシュのドロップダウンは遅いオプションではなく、クラッシュです。

読者が最も間違えやすいダイヤル

ドキュメントが率直に述べていることから始めましょう。そうすれば推測のほとんどが不要になります。Qwen-Image-2.1の3つのワークフローはすべて、次の設定でサンプリングします：steps 25、cfg 1、eulerサンプラー、simpleスケジューラー。これがComfyUI自身の要約であり、同梱のウィジェットと完全に一致します。

厄介なのは、25と40がどちらも異なる問いに対する正しい答えだという点です。ベンダー自身のモデルカードはdiffusersパイプラインをnum_inference_steps=40で実行しており、diffusersパイプラインのデフォルトも同様に40です。ComfyUIのドキュメントによると、公開されているパイプラインは「eulerサンプラーで約40〜50ステップを使用し、テンプレートはより低い25から始まる」とのことです。どちらの数値も誤りではありません。一方はグラフのデフォルトであり、もう一方は参照実行の値です。

• ステップ — 方向性とトレードオフ。少ないほど高速で、ComfyUI のドキュメントによれば、その持ちこたえ方は作業内容によって異なります。単純な局所編集なら 4〜8 ステップで持ちこたえますが、「フレーム全体を書き換える編集は一貫性を失い、フルの 25 ステップが必要」です。手や指のような頑固な細部は「およそ 30 ステップで落ち着き」、25 から 40 にすると精細な領域のちらつきが減ります。方向は単調で、トレードオフは線形です。ドキュメントの助言は、何か特定のものが解決しないときにだけステップ数を調整するのであって、安全のために引き上げるのではない、というものです。

• ガイダンス — cfg 1 はガイダンス無効であり、それが公開されている経路です。 cfg 1 では ComfyUI がネガティブコンディショニングのパスをスキップするため、ネガティブプロンプトは効果を持ちません。テンプレートは cfg 1 を維持しており、「それが Qwen-Image-2.1 が公開されている経路」です。diffusers パイプラインも同様のことを自前の言葉で述べており、true_cfg_scale をデフォルトで 1.0 にしています。なぜなら「Qwen-Image 2.1 はガイダンスなしでサンプリングされることを意図している」からです。ネガティブプロンプトを実際に効かせたいときだけ値を上げ、その代償を理解しておいてください。cfg 2 は小さな文字や数字を含む密なプロンプトにより忠実に従いますが、「その代償としてエッジが過剰にシャープになります」。より高い値では露出が明るすぎる側または暗すぎる側に寄り、cfg 5 では品質がひどく低下し、cfg 0.5 では画像が破綻します。ComfyUI の指示は、一度に 1 つの値だけを変更し、固定シードで比較することです。

• 解像度は矩形ではなく、メガピクセルの目標値です。 Resolution Selectorノードはアスペクト比とメガピクセル予算を設定します。ここで1.0 MPはおよそ1024x1024です。Qwen-Image-2.1はネイティブで2Kを生成するため、2048x2048の正方形の目標は約4.0 MPとなります。モデルが求めるのは32の倍数です — テキストエンコーダの解像度入力のツールチップには、参照画像は約解像度 x 解像度ピクセルに、32の倍数で、アスペクト比を維持してリサイズされると記載されており、パイプライン自身の寸法ヘルパーも同様に32へ丸めます。ベンダーのモデルカードには2Kプリセットが公開されています。1:1は2048x2048、4:3は2400x1792、3:4は1792x2400、3:2は2528x1696、2:3は1696x2528、16:9は2752x1536、9:16は1536x2752です。

• 2Kを超えると、失われるのは忠実さであって、シャープさではない。 モデルが学習した2Kサイズをはるかに超えるターゲット、たとえば4Kでは、プロンプトへの忠実さが失われる。これはアーキテクチャからの推測ではなく、文書化された挙動である。

• 本当に直感に反する点：解像度はノイズスケジュールも動かす。 Qwen-Image-2.1 は、タイムステップシフトが動的なフローマッチング Euler スケジューラでサンプリングし、パイプラインは潜在系列の長さから、つまり選択した解像度が生成するトークン数からシフトを計算する。チェックポイントのスケジューラ設定は、画像系列範囲 256〜8192 にわたって base_shift を 0.5、max_shift を 0.9 に設定しており、パイプラインは呼び出しのたびにその式へ実行の系列長を渡す。したがってキャンバスを変えると、フレームだけでなくサンプラーのスケジュールも変わる。ComfyUI テンプレートには設定できるシフト制御が存在しない — KSampler の入力は model、positive、negative、latent image、seed、steps、cfg、sampler name、scheduler であり、それがすべてだ。4 MP での結果が 1 MP での結果と、細部だけでは説明できないほど違って見えるなら、理由はこれだ。

• 編集グラフでは、resolution の挙動が異なり、デフォルトの中で唯一もっとも高コストです。ただし、custom_sizeがオフの場合 — テンプレートのデフォルト — 編集は最初の参照画像のサイズで生成されます。resolution 0 は各参照をそれぞれのピクセルサイズのまま 32 の倍数に丸めるため、3000x4000 の写真は 3008x4000 のキャンバスを生成します。0 より大きい値の場合は代わりに、その画像のアスペクト比をresolution x resolutionのピクセルバジェットにスケーリングします — 幅ではなく、総ピクセル数です。ComfyUI 自身によるコスト例（RTX 5090 で計測）: 3000x4000 の参照をresolution 0 にすると 1 イテレーションあたり約 6 秒、同じ編集をresolution 1024 にすると約 896x1184 で 1 イテレーションあたり約 0.3 秒です。custom_sizeをオンにして、キャンバスを Resolution Selector から取得し、リサイズされた最初の画像のサイズに近づけてください。「そうしないと編集がずれることがあります」。

決定性：シードが固定するものと、固定しないもの

固定シードは必要ではあるが十分ではなく、同梱のテンプレート同士でもこの点について見解が一致していない。テキストから画像を生成するKSamplerはコントロール固定で出荷され、2つの編集テンプレート — 画像編集と背景除去 — はいずれもコントロールランダム化で出荷される。同じサンプラー、同じデフォルト設定でありながら、再キュー時に正反対の挙動を示す。

シードが固定されていると仮定します。それでも画像が変化する要因は次のとおりです。

• KV キャッシュ。 これが最大のポイントで、噂ではなく文書化されています。Qwen-Image-2.1 は最初のステップの後、テキストと参照画像のキーおよびバリューをキャッシュします。パイプラインのソースは、条件付けトークンがモデルの因果的条件付けの下ではステップ非依存であるため、これが有効であると説明しています。次に、画像を再現しようとする人なら誰もが気にする点を述べています。キャッシュを切り替えると「低精度では同じ画像をビット単位で再現しない」のです。なぜなら、デコードステップはプリフィルステップとは異なるシーケンスレイアウトでアテンションを行い、両者は異なるタイル分割を行って異なる丸めに到達するためです。そして、最初のブロックでの 1 ULP の差は 32 ブロックとサンプラーの各ステップによって増幅されるので、「2 つの設定は同等に有効ですが、目に見えて異なるサンプルを生成します」。ソース自身の指示は、このフラグを固定してサンプルを固定せよ、というものです。ComfyUI では、このフラグは Qwen Image 2.1 Cache ノードの device（auto、gpu、cpu、off）と dtype（default、int8、int4）にあります。

• キャッシュノード自身のリリース履歴。 2026年9月25日より前には存在していなかったため、day-zero ワークフローにはそのような設定は存在せず、今日のものと同じようには動作しません。そして off — キャッシュを除外する唯一の設定 —「各ステップでプレフィックスを再計算する。これはより遅くなるが、キャッシュを除外する唯一の方法である」。

• どのモデルファイルを使うか。 このテンプレートは int8 の拡散モデルと int8 のテキストエンコーダーを読み込みます。どちらかを bf16 ファイルに差し替えれば、演算の内容が変わります。ダウンロードの注記に両方がサイズとともに記載されているのは、まさにその選択が現実のものであるためです。

• プロンプトエンハンサーが有効になっている場合の話です。 refine_promptが有効なとき、画像モデルはあなたが入力したプロンプトではなく、書き換えられたプロンプトからサンプリングします。そしてその書き換えは、独自のサンプリングパラメータを持つ別のGenerate Textノードによって生成されます。temperature 1.0、top_k 20、top_p 0.95、独自のシードフィールド、そしてmax_lengthのトークン予算です。KSamplerのシードはそのいずれもカバーしません。Preview Anyノードはサブグラフ内にあり、実際に画像モデルへ届いたプロンプトを表示します。これが、自分が何を再現したのかを知る唯一の方法です。

• ComfyUI のビルドです。 テンプレート自体にも警告があります。ワークフローの読み込み時にノードが見つからない場合、通常はそのビルドがノードより古いことを意味します。また、Desktop と Cloud は安定版リリースに追随するため、ナイトリー版に遅れを取ることがあります。

他人のQwen-Image-2.1画像を再現することは、シードの交換ではありません。それはテンプレートのリビジョン、2つのモデルファイル、解像度設定、ステップ、cfg、サンプラー、スケジューラー、キャッシュデバイスとdtype、エンハンサーのオン/オフ状態とそれ自体のシード——そして編集グラフの場合は最初の参照画像のサイズです。ComfyUIはこれらのワークフローについてシード再現性の保証を一切公表しておらず、diffusersのソースはキャッシュの切り替えがサンプルを変えると明確に述べています。完全一致は、シードが手渡してくれるものではなく、自分で意図的に組み立てるものとして扱ってください。

複数の画像、そしてメモリがどこへ行くのか

出荷時の構成では、このグラフは1回の実行につき1枚の画像を生成し、それを変えるためのつまみは地味です：EmptyLatentImageノードの3番目の入力、バッチサイズは、次の値に配線されています：1。それを上げることが、サンプラーに1つのキューから複数の画像を出力させる方法です。

それがどれだけのコストになるか——ここが正直な話になるポイントだ。テンプレートはキャッシュがどこに置かれるかを正確に示してくれる。autoは空きVRAMを使い、続いてシステムRAMを使う。cpuは計算の背後で先読みし、ドキュメントでは速度の犠牲はわずかだと説明されている。offは毎ステップでプレフィックスを再計算するため、より遅い。精度の側面については数値が示されている。int8はキャッシュを半分にしつつ、精度はおよそbf16相当で、int4はそれを4分の1にするが、1ステップあたりの誤差はおよそ2倍になる。彼らが公開していないのは、バッチサイズとVRAMの対応表であり、ComfyUIのドキュメントにもそれはない。カードに合わせてバッチサイズを見積もるなら、正直な答えは「それをカバーする一次情報の数値は存在しない」ということだ。効果が公表されているレバーは、キャッシュのデバイスとdtype、そして解像度ターゲットであり、これはレイテント数とキャッシュされるプレフィックスの両方を増やす。

フェンスの向こう側、diffusersパイプラインにはバッチに関する2つの罠があり、どちらもComfyUIグラフが隠してしまうため知っておく価値があります。そこでは、num_images_per_promptがバッチを乗算し、ジェネレータのリストを渡す場合はその長さが有効なバッチサイズと正確に一致しなければならず、そうでなければパイプラインが例外を送出します。また、条件画像のリストは「バッチ内のすべてのプロンプトで共有される1セットの画像であり、プロンプトごとに1エントリではない」ため、バッチ内の各プロンプトに独自の参照画像を与えることはできません。ソースの指示は、代わりにプロンプトごとにパイプラインを1回呼び出すことです。編集サブグラフにも同じ形の制約が別の場所にあります。そのBatchImagesNodeは最大10枚の参照画像をテキストエンコーダにバッチ化しますが、これは入力のバッチ化であり、出力のバッチ化ではありません。10枚の参照があっても10枚の画像が得られるわけではありません。

同じグラフからの image-to-image

これに別のグラフは必要ありません。image-edit テンプレートは、空の latent をテキストエンコーダーの latent 出力に置き換えた text-to-image チェーンで、2 つの LoadImageノードがimage_1とimage_2をサブグラフの参照スロットに渡し、最後にImageCompareノードを置いて、入力と出力を並べて確認できるようにしたものです。画像を 1 枚、image_1に入れ、image_2は空のままにして、指示を書けば、それが image-to-image です。あなたの画像はモデルが読み取るコンテキストであり、部分的にノイズ除去する開始 latent ではありません。この経路には設定すべき strength や denoise のスライダーはありません。ターゲットはノイズから始まり、参照は代わりにエンコーダーと VAE を通って入るからです。

ここに境界を、それぞれ一文で示します。この二つは検索一語しか違わず、人は間違った方を手に取ってしまうからです。

• イメージ・トゥ・イメージとは、バリエーションが欲しいときに使うもので、モデルに画像と説明を渡すと、選んだキャンバスに、あなたのものに似た新しい絵を描き出します。

• 編集とは、何かを変更したいときに使うもので、モデルに画像と「どこをどう変えるか」を指定する指示、さらに必要に応じてマスクや描き込みを渡すと、モデルはフレームの残りの部分をそのまま保持します。

見分ける手がかりは、これから入力しようとしている文の中にあります。「これを夜の見た目にして」は i2i です。「ジャケットを赤に変えて、ほかはそのまま」は編集であり、このグラフでは、編集パスにマスク、10 個の参照スロット、ローカライズ編集の挙動があります。その隣接する問いは別のページの主題であり、このページはその線で止まるので、自分がどちらにいるのかが分かります。

ターボチェックポイントを1段落で

1件だけ相互参照を挙げておきます。turbo という表記がこのクエリ族の中にあり、読者がそれに出会うからです。Qwen-Image-2.1-Turboは、同じ7Bの視覚生成アーキテクチャの別個の8ステップチェックポイントで、2026年10月9日にリリースされ、同じQwenImage21Pipelineによって読み込まれます。そのモデルカードには、このチェックポイントは「推奨されるサンプリングスケジュールを含んでいるため、スケジューラを手動で設定することなくすぐに使用できる」こと、生成はデフォルトでCFG 1を使用すること、そしてnum_inference_stepsだけを設定しても保存済みのスケジュールは上書きされない——呼び出し時に明示的にsigmas引数を渡せば上書きされる——と記されています。これらのいずれも、このページのノードチェーンを変えるものではありません。同じローダー、同じエンコーダー、同じサンプラーノードです。変わるのはスケジュールがどこから来るかであり、それこそが、turbo の実行とベースモデルの実行を比較してモデルが悪くなったと結論づける前に、あなたのグラフで確認する価値のある唯一の点です。

グラフで次に何をすべきか

何かをキューに入れる前に、スクリーンショットからではなくComfyUIのテンプレートライブラリからテンプレートを読み込み、4つのノードを確認してください。次にResolution Selectorでは、実際に使いたいアスペクト比を設定し、モデル本来の2Kが必要な場合は4.0 MPのターゲットを設定します。次にKSamplerでは、controlがfixedであることを確認してください。実行を再現するつもりなら、何か特定のものが失敗するまでは、stepsを25、cfgを1のままにします。次にQwen Image 2.1 Cacheでは、device と dtype を今決めて書き留めてください。後から変更することはできないので、プロンプトだけが変わったかのように2つの画像を比較することはできません。次にGenerate Textノードでは、refine_promptを、気に入ったベースラインができるまでオフのままにしてください。その後オンにして、書き換えをPreview Anyで確認し、比較が意味を持つように、それまで使用していたシードを維持してください。