Qwen-Image-Edit：編集ライン、チェックポイントごとに

これはQwen-Image-Editラインのリファレンスページです——指示に従う画像エディターであり、並行して構築されたテキストから画像への生成器ではありません。このラインには公開済みチェックポイントがちょうど3つあります：Qwen-Image-Editは2025年8月17日にリリースされ、20BのQwen-Image上に構築されました。Qwen-Image-Edit-2509は2025年9月22日に公開された月次イテレーションです。そしてQwen-Image-Edit-2511は2025年12月17日に2509の強化版として公開されました。このページの内容はすべて、その3つのうち最新のものに焦点を当てており、各記述がどのチェックポイントについてのものかを毎回明示しています。最初に挙げておくべきことがもう1つあります。それは多くの人が実際に尋ねている質問への答えだからです：Qwen-Image-2.1は7Bの視覚生成コンポーネントを備えた、テキストから画像生成と画像編集を統合したモデルであり、Qwen-Image-2.1-Turboは同じモデルの8ステップに加速されたチェックポイントです。どちらも編集ラインのエントリではなく、この区別こそがこのページが存在する理由そのものです。

Qwen-Image 対 Qwen-Image-Edit

Qwen-Image と Qwen-Image-Edit の違いを検索したのなら、それは目の前にある2つのうち、どちらなのかを尋ねていたことになる。答えは明快で、率直に述べておく価値がある。この2つは互換性がなく、ファイル名では見分けられないからだ。

• Qwen-Image — テキストから画像を生成するモデルです。言葉を渡せば、画像を返してくれます。Qwen-Image-Editがその上に構築されたモデルです。元の編集チェックポイント自身のカードでは、「Qwen-Imageの画像編集版」と説明されており、20B Qwen-Imageモデルを基盤としているため、Qwen-Imageのテキストレンダリングを継承しています。

• Qwen-Image-Edit — 画像から画像へのモデルです。画像とテキストを渡すと、その画像を変更したバージョンを返します。最初のチェックポイントのカードでは、pipeline_tag: image-to-image に分類されています。何もないところから画像を求めることはできません。元の画像は省略できません。

• 編集を別物にする仕組み — 生成器の入力経路が1つ（テキスト）であるのに対し、編集器には3つある。オリジナルのチェックポイントのカードには、入力画像をQwen2.5-VLに同時に投入して視覚的意味の制御を行い、VAEエンコーダにも投入して視覚的外観の制御を行うと説明されている。その2つ目の経路こそ、テキストから画像へのモデルが構造上持ち得ないものである。編集器は、あなたの画像について言葉で伝えられているのではなく、あなたの画像の潜在表現を見ているのだ。

• 二つの流れが再び交わるところ — Qwen-Image-2.1 は自身のカードで「テキストから画像生成と画像編集を統合したモデル」と説明されています。これは同じ問いに対する別のアーキテクチャの答えです。生成器に後付けされた編集用チェックポイントではなく、1 つのモデルが両方を担います。その編集例では、テキストから画像生成にも使うパイプラインに image= 引数を渡します。自分がどのファミリーのものを使っているかを見極めたいなら、最も手っ取り早い手がかりはチェックポイント名です。Qwen-Image-Edit… シリーズの名前なら編集系、Qwen-Image-2.1… シリーズの名前なら統合モデルです。

ここにあるものは、両者のどちらかを推奨するものではありません。これらは異なる問題に対する異なる答えであり、このページの残りの部分では最初のものについて説明します。

指示への準拠：何を変え、何を変えないのか

これは、検索需要が人々は実際にこう入力していると示している質問であり、機能一覧ではなく、直接的な答えに値する。正直な答えには二つの半面があり、心地よいのはそのうちの一方だけだ。

モデルの設計に組み込まれている側の半分から始めましょう。なぜなら、それは「頼んだ以上に変わってしまった」という報告のほとんどを説明してくれるからです。オリジナルの Qwen-Image-Edit カードは2つのモードの間に線を引き、そのうちの一方だけが、何かが保持されることを約束しています。

• 外観編集 — 特定の要素の追加、削除、変更といった低レベルの視覚的作業。カード自体の文言では、これには「画像の他のすべての領域が完全に変わらないままであること」が求められています。これは、ほとんどの人が編集という言葉で意味する内容に一致するモードです。

• セマンティック編集 — IP作成、オブジェクトの回転、スタイル転送などの高レベルな作業。ここでカードは逆のことを述べている。つまり「意味的な一貫性を保ちながら全体的なピクセル変更を可能にする」のだ。ベンダー自身によるこの作業例は、多くのスタイルで描き直されたカピバラのマスコットで、カードは「編集後の画像のほとんどのピクセルが入力画像のものと異なる」一方でキャラクターの一貫性は保たれると指摘している。

その2番目のモードはバグではないし、カードもそれをバグとして提示していない。しかし、それが「これをジブリ映画のように見せて」といったリクエストが、元画像とほとんどピクセルを共有しない画像として正当に返ってきうる理由である。もし空だけを変えたかったのなら、あなたはセマンティック編集を求めていたわけではない。これらは意図された動作についてベンダーが報告した説明として読むべきで、測定値として読むべきではない——カードはそれらを設計として述べており、各モードがその約束を守る割合を公表した当事者はいない。

さて、ここからはあまり心地よくない半面だ。この系列のプロジェクト自身が、早い段階で自らのノートの中で指示追従の問題を認めていた。Qwen-Image リポジトリの、2025年8月19日付のオリジナルチェックポイントに関するノートは、その最初のリリースにおける「パフォーマンスの不一致」を指摘し、特に同一性保持と指示追従を名指しで挙げて、ユーザーを更新された Diffusers ビルドへ誘導している。これはベンダーが自社モデルについて報告した自認であり、指示遵守に関する証拠としてはこれ以上なく直接的なものだ。そしてそれは2025年8月のチェックポイントについての話であり、2511についてではない。

ベンダー自身が示した困難なケースの実例は、いかなる主張よりも示唆に富む。オリジナルカードの連鎖編集ウォークスルーでは、Qwen-Image が生成した書道作品に文字の誤りがあり、編集者には、描かれた赤いボックス内の 稽 と、青いボックス内の 亭 を修正することが求められる。カードによれば、難解な文字である 稽 は、1ステップでは正しく修正されない。右下の構成要素は 旨 であるべきなのに、日 として返ってくる。日 の領域の周囲にさらに赤いボックスをぴったりと描いて初めて、モデルは正しい構成要素を生成する。そこから2つのことが導かれ、ベンダーはその両方を述べている。ソース画像上のバウンディングボックスは実際の制御メカニズムであり、1回の境界付き修正ステップでは常に十分とは限らない。これは、ベンダーが報告した失敗であり、ベンダーが選んだ例におけるベンダーが報告した回復であり、まさにそのような証拠が取るべき形である。

カードは動作するものとして分類しており、それぞれが測定結果ではなくベンダーの主張である：

• 保持を伴う要素レベルの編集 — シーンへの看板の追加（元のカードには、モデルが対応する反射も生成したと記されている）、細い髪の毛や小さなオブジェクトの除去、画像内の1文字だけの色変更。

• バイリンガルテキスト編集 — 元のフォント、サイズ、スタイルを維持しながら、画像内の中国語と英語のテキストを追加、削除、変更できます。2509カードはこれをさらに拡張し、フォントの種類、色、マテリアルの編集に対応。オリジナルカードでは、小さく複雑なテキストに至るまで中国語ポスターを編集する様子を紹介しています。

• アイデンティティとキャラクターの一貫性 — 2509のカードでは、ポーズ変換やポートレートスタイルに対応する顔のアイデンティティ保持の向上が報告されています。2511のカードでは、複数人の集合写真や、別々の人物画像2枚を1枚のまとまりのある集合写真に融合する際のさらなる向上が報告されています。

• 新規視点合成とオブジェクト回転 — 元のカードは90度および完全な180度のオブジェクト回転を示しており、フレーム全体のピクセル変化が想定されるセマンティック編集に明確に位置づけています。

• 製品関連の業務 — 2509のカードは、無地背景の製品画像から製品ポスターを生成すること、およびロゴ生成を報告しています。2511のカードは、産業部品向けのバッチ産業製品デザインと素材差し替えを追加しています。

• ControlNet スタイルのコンディショニング — 2509 のカードには、深度マップ、エッジマップ、キーポイントマップ、スケッチのネイティブサポートが記載されており、キーポイントマップを使って人物のポーズを変更することも含まれている。

• ガイド抜粋 — 2509のカードには、マルチ画像編集は「人物＋人物」「人物＋製品」「人物＋シーン」にまたがる画像連結を通じて機能し、現在は入力画像1～3枚で最適なパフォーマンスが得られると記載されています。この上限はベンダーによるガイダンスであり、厳格な制限ではなく、2509について述べられたものです。

• 2511の新機能 — このカードでは、画像のドリフトの軽減、厳選された人気コミュニティLoRAのベースモデルへの直接統合、産業デザイン生成の強化、幾何学的推論の強化が挙げられており、デザイン注釈用の補助作図線を生成する例も示されています。

チェックポイント、名前、ターボパス

ここは多くの検索トラフィックが道を誤るところなので、正確を期す価値がある。モデル組織自身のHugging Face上の掲載には、edit系列のリポジトリが3つ、ただ3つだけ含まれている。これは直接調査によって確立された否定的所見である。すなわち、実在する3つのリポジトリは解決されるが、同じ系統のもっともらしく見える名前の集合——以下を含む——Qwen/Qwen-Image-Edit-2.1、-3.0、-3、-2512、-2601、-Plus、-Max、およびQwen/Qwen-Image-2.1-EditとQwen/Qwen-Image-Max-2512の両方——同一条件下では解決されない。それらの名前が何を指すにせよ、それらはモデル自身の組織から公開されたチェックポイントではなく、このページはそれらが何であるかを推測しない。

存在する3つ：

• Qwen-Image-Edit — オリジナル、2025年8月17日、Apache-2.0、image-to-image として登録。読み込みには次を使用: QwenImageEditPipeline。独自のクイックスタートではtrue_cfg_scale=4.0、negative_prompt=" "、および num_inference_steps=50 を使用します。

• Qwen-Image-Edit-2509 — 2025年9月22日、Apache-2.0、カード上では「Qwen-Image-Editの毎月のイテレーション」と説明されています。QwenImageEditPlusPipelineで読み込まれ、クイックスタートではtrue_cfg_scale=4.0、num_inference_steps=40、guidance_scale=1.0を使用します。これはマルチ画像入力、より強力な一貫性の取り組み、ネイティブControlNetサポートを追加したチェックポイントです。

• Qwen-Image-Edit-2511 — 2025年12月17日、Apache-2.0、そのカードには「Qwen-Image-Edit-2509に対する強化版であり、複数の改善点、特に一貫性が大幅に向上している」と記載されています。また、QwenImageEditPlusPipelineと一緒に、2509と同じサンプリング設定で読み込まれます。他に制約がなければ、これが編集ラインで最新のチェックポイントです。

読者がどれを持っている可能性が高いかは、それをどこで出会ったかによって変わります。ホスト型の画像編集機能を使っている人なら、ほぼ間違いなく2511か2509です。1年前にチェックポイントを取得し、その後触っていない人は、おそらくオリジナルを使っており、その人たちにとって重要な違いは、編集の仕組みが変わったことではなく、2509で追加された一貫性とマルチ画像作業にあります。

ではターボに関する疑問を、その名前が誤った前提を招きやすいがゆえに正確に述べておこう。Qwen-Image-2.1-Turboはターボ編集チェックポイントではない。そのカードには「8回のデノイジングステップでテキストから画像の生成および画像編集を行うためのQwen-Image-2.1の高速化チェックポイント」と記されており、同じ7Bの視覚生成アーキテクチャを使用し、QwenImage21Pipelineで直接読み込まれる。つまり編集における高速化の経路は統合モデルの高速化の経路であり、編集系統のものではなく、そのモデルの編集挙動を受け継ぐのである。

turbo が具体的に変えるもの：

• ステップ数 — デノイジングステップは8回で、統合モデルのクイックスタートでは40回、編集ラインでは40回または50回です。

• ガイダンス — 生成はデフォルトで CFG=1 を使用し、プレフィックス KV キャッシュはテキストと参照画像のコンテキストをデノイジングの各ステップ間で再利用します。この再利用が高速化の大きな部分を占めており、カードの編集例では use_kv_cache=True を明示的に渡しています。

• スケジュールはチェックポイントとともに保存されます — カードには、推奨される8ステップのサンプリングスケジュールがチェックポイントとともに保存され、自動的に読み込まれること、そしてnum_inference_stepsを設定するだけではそれが上書きされないことが記載されています。ステップ数を設定しても変化が見られない場合、その理由はこれです。呼び出し時に明示的にsigmas引数を指定すれば、保存されたスケジュールは上書きされ、カードはさらに、このチェックポイントでは他のスケジュールは評価されていないと付け加えています。

• Fidelity — このカードは、turboチェックポイントが統合モデルに対して忠実性を主張しているわけではなく、turboの編集忠実性を単独で測定した独立した計測結果も、引用できる形では存在しません。8ステップの編集が40ステップの編集と同じくらい忠実か、あるいはそうでないと言う人は、公表されている内容を超えたことを述べています。このカードが実際に記録しているのは、サンプリングの変更と、アーキテクチャが同じ7Bの視覚コンポーネントのままであるという点であり、まさにそれが、前提とするのではなくテストする価値がある理由なのです。

相対的な品質について言えば、独立系の数値はArtificial Analysisの画像編集ボードによるもので、これはベンダーの主張ではなく第三者による測定であり、注意深く読む価値がある。というのも、そのうち2つは名前から連想されるものとは違うからだ。

• Qwen Image Edit Plus 2511 — 1021 Elo、±8、4,478 サンプル、2025年11月、オープンウェイト。これはディスクリート編集ラインで最高スコアのエントリです。

• Qwen Image Edit Plus 2509 — Elo 981、±7、7,390サンプル、2025年9月、オープンウェイト。

• Qwen Image Edit — 918 Elo、±7、7,415サンプル、2025年8月、オープンウェイト。これは同じボード上で2511よりおよそ103 Elo低く、それこそが一貫性の取り組みによって得られた差の大きさである。

• Qwen Image Edit Max 2601 — Elo 1000、±8、5,036 サンプル、ボード上では2026年1月付、クローズドウェイト。ボードはこの項目を掲載しているが、モデル組織自身の一覧に一致するリポジトリは現れないため、このチェックポイントが何であるかは一次資料からは特定できない。ここでは独立したボードの行として報告されるのみで、それ以上のものではない。

• Qwen-Image-2.1 — Elo 1074、±9、5,536サンプル、オープンウェイト、最高の編集チェックポイントより約53 Elo高い。このボードではこの項目の日付が2026年9月と表示され、「API利用不可」と付記されている点に注意。専用の編集ラインを上回る統合モデルであることは、何を動かすかを決める人にとってこのページで最も有用な事実であり、これはベンダーの主張ではなく独立した測定値である。

同じページには、これらの項目のいくつかについて1,000画像あたりのAPIコストも記載されているが、このページではそれらを意図的に掲載していない。それらは変動し、ベンダーが公表したものではなく掲示板で報告されたものであり、今日の数値に基づいて行動しようとする読者なら、情報源で読むことを望むはずだからだ。

ご提供いただくもの

エディターの入力要件は、失敗する実行のほとんどが決まるところであり、仕様は、一方の方向では人が期待するよりも寛容で、もう一方の方向では期待するよりも厳しい。

• ソース画像は必須であり、入力の全体です — テキストのみのモードはありません。オリジナルのチェックポイントのカードは、渡す前にその例をRGBに変換します。統合モデルのturboカードは、その例を読み込んでRGBAに変換します。これは、Qwen-Image-2.1が透過画像をネイティブに生成・編集するため重要です。

• マスクレス編集は、統合モデルにおいて文書化された経路です — Qwen-Image-2.1のカードには、ローカル編集は円、描画による注釈、または別個のマスクで指定できると記載されており、またモデルが最大10枚の参照画像をサポートすることも記されています。円と描画による注釈を用いるマスクレス経路は、このカードが真っ先に挙げている方法です。これこそが、マスクファイルを作成するのではなく、通常の画像エディタで領域に印を付けられる理由です。

• マスク編集は別個のパイプラインとして存在します — 個別のインペイントパイプラインは、mask_image、masked_image_latents、padding_mask_cropパラメータとともに公開していますstrengthを、デフォルト値が0.6。編集チェックポイントで strength スライダーを探しても見つからなかったのなら、理由はこれです。編集ライン自体のパイプラインはそれを受け取らず、統合モデルの編集例は strength 引数を一切指定せずにプロンプトと画像を渡します。

• ソース解像度には制約があり、その制約は算術的だ — 元のパイプラインと plus パイプラインの両方で、高さが VAE スケール係数の 2 倍で割り切れることを検証します。統合モデルのパイプラインでは VAE スケール係数が 16 で、チェックでは 32 で割り切れることを求める警告が出て、デフォルトのoutput_resolutionは 1024 です。任意の写真サイズをそのまま通すことは、悪い編集ではなくハード障害を招くよくある方法の一つです。

• ネイティブの高解像度プリセットが存在し、それらは具体的な数値です — 統合モデルとそのturboチェックポイントは同じ7つのプリセットを公開しています：2048×2048の1:1、2400×1792の4:3、1792×2400の3:4、2528×1696の3:2、1696×2528の2:3、2752×1536の16:9、1536×2752の9:16です。turboのモデルカードのテキストから画像生成の例では1696×2528の縦位置プリセットを使用しており、編集の例では2048×2048を使用しています。

• 複数画像入力には、文書化された最適な範囲があります。 — 2509では最大3枚の画像、unified modelでは最大10件の参照です。ベンダーが文書化している範囲を超えることは禁止されていませんが、そうした場合に何が起こるかを説明した公開情報はありません。

• 見落としやすい供給要件がもう一つあります — 統合モデルの編集パスは、そのクイックスタートでnum_inference_stepsに40を指定しており、パイプラインのデフォルトにはuse_kv_cache=Trueとtrue_cfg_scale=1.0が含まれています。何かを調整する前にこれらのデフォルトを読んでおけば、一つだけ変えたつもりなのに出力が変わったのはなぜか、という混乱を一巡分回避できます。

すでに編集した画像を編集する

これはページの中で最も確立していない領域であり、何が文書化されていて何がそうでないかを切り分ける価値がある。2つの仕組みが説明されており、そのうちの一方は、ある障害に対するベンダー自身の回答である。

• 連鎖的な修正は文書化されており、想定されています — 元のカードにある書道のウォークスルーは、単一のパスではなくマルチターンのループです。モデルは1つのステップで稽で失敗し、読み手は失敗した構成要素に対してより狭いボックスを描き、次のターンでそれが修正されます。カードはこれを回避策ではなく、意図された作業方法として提示しており、最終結果は同じ画像に対して連続する数回のターンを経て得られます。すでに編集済みの画像を編集しているのであれば、あなたはベンダーが文書化している通りのことをしていることになります。

• 画像ドリフトは最新チェックポイントで名指しされたリスクである — 2511のカードは主要な強化点のリストの筆頭に「画像ドリフトの緩和」を挙げており、これはターンを重ねるうちに望ましくない変化が蓄積することを指すベンダー自身の用語だ。2511がそれを低減するというのがその主張だが、カードはどの程度低減するのかを定量化しておらず、既知の編集ターン数にわたるドリフトの独立した測定値も、引用できる形では存在しない。

• 未解決の点 — 3回目や5回目のターンでどれだけ品質が損なわれるのか、ドリフトが線形に累積するのか、それとも頭打ちになるのか、そしてturboチェックポイントの8ステップスケジュールが40ステップ経路とは異なる仕方でドリフトするのかどうか。ベンダーはどちらの系統のどのチェックポイントについてもターンごとの品質曲線を公表しておらず、独立系のボードはチェーンではなく単一パス編集を測定している。実務的な解釈は、ベンダーが文書化したワークフローは各ターンに描画領域を伴う短い有界チェーンであり、ピン留めされていない編集の長いチェーンを安全として扱うことを支持する公表資料は何もない、というものだ。

• コンテキストの再利用はチェーン処理と相互作用する — turboチェックポイントのプレフィックスKVキャッシュは、デノイジングの各ステップにわたってテキストと参照画像のコンテキストを再利用し、カードの編集例ではこれが有効になっている。これは呼び出し内の最適化であり、ターンをまたぐメモリではない。カード内には、モデルが個別の呼び出し間で何かを保持することを示唆する記述はない。各ターンは、あなたが渡した画像から始まる。

何が未解決なのか

短くしてある。自分の境界を隠すリファレンスページは、それらを指し示すページよりも悪いからだ。

• 「Qwen Image Edit 3」と「Qwen Image Edit 2512」とは何か。どちらの名前も、モデル組織自身の一覧にあるリポジトリとしては解決できないため、このページではそれらがどの世代を指すのか、そもそも何らかの世代を指しているのかさえ述べることができません。後続の編集世代が公開されれば、それはその一覧に現れ、このページは書き直されるまで誤った内容のままとなります。

• Qwen Image Edit Max 2601とは何か。独立したボードがその行を保持しており、一致するベンダーリポジトリは存在しない。このギャップは埋められるのではなく報告される。

• turbo が編集の忠実度を犠牲にするかどうか。ベンダーの主張も、独立した測定もない。

• 2511が実際にどの程度ドリフトを除去するのか。 ベンダーは低減を主張しているが、その程度を定量化していない。

• 記載されているあらゆる機能の成功率。このページにある「Xで動作する」という記述はすべて、選ばれた例において意図される動作を説明したチェックポイント自身のカードです。そのいずれもが測定された成功率ではなく、そのように読まれるべきものでもありません。

次にあなたがすべきことは、存在する3つのチェックポイントのうち1つを選び、そのクイックスタート内で何かを変更する前にそのチェックポイント自身のカードを読み、パイプラインの整除性チェックを満たす寸法のソース画像をそれに渡すことです。ここに来た理由が、自分の画像から始めて、できるだけ変更せずにそのまま活かしたいからなら、それは独自のウォークスルーを持つ関連問題です — image-to-image ページでは、自分の画像から始めることと、strength コントロールが存在しないことがそれにとって何を意味するかを扱っています。代わりに、独立系のボードが編集系の全ラインナップの中でそれを上位に位置づけているために、より新しい統合モデルを求めているなら、accelerated チェックポイントは、本格的に採用する前にそれを試すための手軽な方法です。