Qwen-Image-2.1 i2i: Zaczynając od własnego obrazu i dlaczego nie ma suwaka siły

Jeśli szukałeś Qwen-Image-2.1 i2i, to już wiesz, co oznacza image-to-image (i2i): zamiast pustego latentu podajesz modelowi obraz, a w odpowiedzi dostajesz obraz, który go przypomina. To, co rozstrzyga ta strona, to kiedy jest to właściwy ruch w przypadku Qwen-Image-2.1 — oraz ta część, która zaskakuje osoby przychodzące z innych modeli obrazowych. W tym przypadku suwak siły, którego szukasz, nie istnieje. Własny pipeline Qwen-Image-2.1 w ogóle nie przyjmuje argumentu strength ani denoise: twój obraz referencyjny trafia do modelu jako kontekst, obraz docelowy zaczyna od czystego szumu, a o tym, jak bardzo wynik odbiega od twojego wejścia, decyduje to, co napiszesz. Jeśli tak naprawdę potrzebujesz zmiany jednej nazwanej rzeczy, a reszty pozostawienia bez zmian, to inne zadanie, obsługiwane przez inną linię w rodzinie — checkpointy Qwen-Image-Edit — a porównanie na tej stronie to część, którą warto przeczytać najpierw, bo czytelnik szukający „i2i” często jest o jedno wyszukiwanie od niewłaściwego narzędzia.

Co tak naprawdę robi obraz wejściowy

W Qwen-Image-2.1 obraz warunkujący wchodzi do modelu przez dwoje drzwi i żadne z nich nie jest „zaszumionym początkowym latentem, którego się stopniowo pozbywasz”. Repozytorium oraz opublikowana dla tego modelu klasa pipeline diffusers opisują jedno i drugie:

• Enkoder tekstu — enkoder tekstu to Qwen3-VL 8B, model wizyjno-językowy, a repozytorium dostawcy podaje, że koduje on instrukcję tekstową oraz obrazy warunkujące w jedną, ujednoliconą reprezentację. Twój obraz jest dosłownie częścią tego, co model odczytuje jako swój prompt.

• VAE — ten sam obraz jest kodowany do tokenów latentnych i dołączany na początek szumu, przed własnymi tokenami obrazu docelowego, więc transformer widzi jedną wspólną sekwencję, w której najpierw znajduje się twoje odniesienie, a po nim to, co jest generowane.

• Start celu — docelowe latenty są próbkowane z rozkładu Gaussa i odszumiane w całym harmonogramie, od sigma 1.0 w dół. W tym potoku nie ma punktu wejścia dla częściowego odszumiania.

Trzeci punkt to cała różnica w stosunku do i2i, z którego korzystała większość osób. W klasycznym schemacie kodujesz swój obraz wejściowy, dodajesz do niego szum proporcjonalnie do wartości siły, a następnie odszumiasz od tego punktu — więc dane wejściowe są naprawdę obecne w początkowym latencie, a liczba określająca siłę decyduje o tym, ile z nich przetrwa. Na własnej ścieżce Qwen-Image-2.1 twój obraz nigdy nie jest punktem początkowym. Jest kontekstem. Dane wyjściowe nie są oczyszczoną wersją twojego pliku; to nowy obraz namalowany z twoim plikiem w pomieszczeniu.

Warto znać jeszcze jeden szczegół, ponieważ to właśnie tam faktycznie znajduje się skrót wpisany przez czytelnika. Pipeline diffusers zgłasza jawny błąd, jeśli spróbujesz przekazać wstępnie zakodowane latenty jako obraz, z komentarzem, że „enkoder tekstu musi zobaczyć sam obraz”. Obraz warunkujący musi być pikselami, a nie tensorem.

Kontrola siły i gdzie się podziała

Diffusers rzeczywiście dostarcza pipeline img2img dla tej rodziny, a jego strength argument zachowuje się dokładnie tak, jak nauczyła cię oczekiwać ta dziedzina. Przeczytaj z samego docstringa klasy: obraz „jest używany jako punkt wyjścia, a im wyższa wartość strength, tym więcej szumu zostaje dodane", a „wartość 1 zasadniczo ignoruje image". Jego wartości domyślne to strength=0.6 i num_inference_steps=50. Oba końce są zatem tymi dwoma końcami, które już znasz:

• Siła bliska 0 — prawie nie dodaje się szumu, pętla odszumiania jest krótka, a wynik jest ledwo odróżnialny od danych wejściowych. To ustawienie do korekcji kolorów, lekkiego przebiegu tekstury, niemal kopii.

• Wartość Strength równa 1 — dodawany szum jest maksymalny, odszumianie przebiega według pełnego harmonogramu, a obraz wejściowy zostaje w praktyce odrzucony. To generowanie obrazu z tekstu z dołączoną kosztowną operacją pustą.

I tu jest haczyk — i właśnie dlatego powstała ta strona. Przykład opublikowany razem z tym pipeline'em wczytuje checkpoint z 2025 roku, a nie ten model. Qwen-Image-2.1 ma własną klasę pipeline, QwenImage21Pipeline, i nie przyjmuje żadnego argumentu strength, ani argumentu denoise, ani żadnego punktu wejścia dla częściowego szumu. Niezależnie od tego, jaką wartość pamiętasz z ustawiania na innym modelu, na ścieżce 2.1 nie ma gdzie jej ustawić. Dźwignia przeniosła się z liczby na prompt.

To nie jest luka, którą dostawca pozostawił otwartą. Dostarcza model, którego jedynym zadaniem jest napisanie tego promptu: Qwen-Image-2.1-PE-I2I, dostrojony checkpoint Qwen3.5-VL 9B, który przyjmuje niejasną instrukcję plus jeden lub więcej obrazów wejściowych i zwraca obiekt JSON z rewritten_prompt oraz jednym z dwóch wzajemnie wykluczających się pól — wh_ratio, gdy żądanie tworzy nową kompozycję, lub ratio_follow, gdy powinno odziedziczyć współczynnik proporcji numerowanego obrazu wejściowego. Ten JSON jest najbliższym odpowiednikiem ustawienia siły, jaki ma Qwen-Image-2.1. To model mówi ci, czy twoje żądanie zachowuje kadr wejściowy, czy buduje nowy. Zwróć uwagę, gdzie ciąg „i2i” pojawia się w nazewnictwie samego dostawcy: na tym checkpoincie do przepisywania promptów, a nie na osobnym checkpoincie obraz-do-obrazu. Generacja 2.1 nie publikuje żadnego.

i2i lub edycja: zasada do zastosowania

Sięgaj po i2i, gdy chcesz wariacji. Sięgaj po edycję, gdy chcesz zmiany. Wszystko inne wynika z tego jednego zdania.

• Wariacja — obraz Ci się podoba i chcesz więcej takich. Inne ujęcie, inne światło, ta sama postać w nowej scenie, ten sam produkt w nowym otoczeniu. Nie potrafisz wskazać ani jednej rzeczy, która musi pozostać identyczna co do piksela, bo nie zachowujesz — przemalowujesz. To zadanie dla i2i.

• Zmiana — możesz to nazwać. „Zachowaj postać i pozę bez zmian, ubierz ją w tę koszulkę”. Instrukcja jest ograniczeniem, a reszta kadru to obietnica, którą masz otrzymać z powrotem. To zadanie edycyjne.

W przypadku Qwen-Image-2.1 oba zachowania znajdują się w jednym punkcie kontrolnym. Materiały wydane przez samego dostawcę nazywają go „zunifikowanym modelem generowania tekstu na obraz i edycji obrazu”, a opisywana w nich ścieżka edycji lokalnej ma postać maski: zakreśl lub zamaluj region albo przekaż oryginalny obraz i osobną maskę jako dwa wejścia. To, czego nie dostarcza generacja 2.1, to osobny punkt kontrolny do edycji.

Dedykowane checkpointy do edycji to osobna linia i inne generacje. Własny wykaz modeli organizacji dostawcy na Hugging Face, odczytany 13 października 2026 r., zawiera dziewięć modeli obrazowych tego autora, a wpisy dotyczące edycji to Qwen-Image-Edit (utworzony 17 sierpnia 2025 r.), Qwen-Image-Edit-2509 (22 września 2025 r.) i Qwen-Image-Edit-2511 (17 grudnia 2025 r.). Żaden z nich nie jest modelem 2.1. Dlatego ostrożnie podchodź do każdej strony, która mówi „Qwen-Image-Edit 2.1”: w wykazie dostawcy nie istnieje żadne repozytorium o tej nazwie, a wpisywane przez ludzi warianty pisowni — „qwen image edit 3”, „qwen image edit 2512” — również nie odpowiadają opublikowanemu repozytorium dostawcy. Niezależnie od tego, co mówi twierdzenie o linii edycyjnej, przed podjęciem na jego podstawie działań sprawdź, której generacji ono dotyczy, ponieważ linia obejmuje trzy datowane generacje, a wydanie 2.1 nie należy do nich.

W praktyce reguła rozkłada się następująco. Jeśli możesz zapisać instrukcję jako zdanie z obiektem docelowym — „zmień niebo na zachód słońca”, „usuń zegarek” — jesteś w obszarze edycji, a w wersji 2.1 osiągasz to za pomocą maski lub namalowanej adnotacji, a nie przez przełączanie narzędzi. Jeśli twoje zdanie nie ma obiektu docelowego i jest tak naprawdę opisem obrazu, który chcesz uzyskać, jesteś w obszarze i2i. Czytelnik, który wpisał „i2i”, a potem przyłapał się na pisaniu trybu rozkazującego, to czytelnik, który potrzebuje ścieżki edycji, i właśnie dlatego ta sekcja znajduje się tak wysoko na stronie.

Co ogranicza twój obraz wejściowy

Pięć rzeczy, które naprawiasz w momencie wyboru referencji — wszystkie z nich są udokumentowane we własnym kodzie pipeline'u lub w opublikowanej dokumentacji ComfyUI dla tego modelu. Czytaj dalej 13 października 2026 r.

• Budżet rozdzielczości — w potoku 2.1 output_resolution domyślnie wynosi 1024, a każdy obraz warunku jest skalowany do budżetu output_resolution podniesionego do kwadratu, we własnym współczynniku proporcji, zaokrąglanego do wielokrotności 32. Fotografia 3000×4000 zostaje zatem zredukowana do około 896×1184 — mniej więcej jednego megapiksela — zanim model zobaczy choćby jeden jej piksel. Dokumentacja ComfyUI czyni ten koszt konkretnym: ta sama praca na kanwie 3008×4000 w porównaniu z około 896×1184 zajmuje około 6 sekund na iterację wobec około 0,3, zmierzone na RTX 5090. Zmniejszenie kanwy przyspiesza przebieg i2i poprzez tworzenie mniejszego obrazu, a nie poprzez dodawanie szczegółów.

• Współczynnik proporcji — jeśli pominiesz wysokość i szerokość, kanwa wyjściowa jest wyprowadzana ze współczynnika proporcji ostatniego obrazu warunkującego, który przekażesz. Każda referencja indywidualnie zachowuje własny kształt, więc portret i krajobraz mogą znaleźć się w tym samym wywołaniu, bez przycinania jednego do kadru drugiego.

• Wielokrotności 32 — potok ostrzega i po cichu zmienia rozmiar, gdy wysokość lub szerokość nie jest podzielna przez współczynnik skali VAE pomnożony przez dwa, który w tym modelu wynosi 32. Jeśli wybierasz kanwę ręcznie, zaokrąglij ją.

• Natywny rozmiar — Qwen-Image-2.1 jest trenowany w rozdzielczości 2K, a rozmiary zalecane w repozytorium mieszczą się w tym zakresie: 2048×2048 dla 1:1, 2752×1536 dla 16:9, 1536×2752 dla 9:16 oraz 2400×1792 dla 4:3. Dokumentacja ComfyUI podaje, że domyślnym celem jest jeden megapiksel, że dla natywnego kwadratu 2048×2048 ustawia się około 4,0 MP, a także — co jest przydatnym ostrzeżeniem — że cel znacznie przekraczający rozmiar treningowy, na przykład 4K, powoduje utratę wierności promptowi zamiast zyskania szczegółów.

• Alpha — jeśli twoja referencja zawiera przezroczystość, enkoderowi wizyjnemu przekazywana jest kopia złożona na białym tle; tylko kopia dla VAE zachowuje wszystkie cztery kanały. Wszystko, co oczekujesz, że model zrozumie na temat twojej przezroczystości, jest odczytywane przez stronę tekstową jako białe tło.

Co przetrwa, a co zostanie wymyślone na nowo

Bądź tu precyzyjny, ponieważ materiał wydawniczy i mechanizm mówią co innego, a oba są prawdziwe.

• Udokumentowana odporność — dostawca twierdzi, że prace nad wiernością prowadzone są na dwóch frontach: tożsamości portretu, dzięki czemu osoba pozostaje rozpoznawalna w kolejnych edycjach i generacjach, oraz spójności produktu, czyli zachowania tekstu, tekstur i kształtu. To twierdzenia dostawcy zilustrowane przykładami zestawionymi obok siebie, a nie poparte jakimkolwiek pomiarem, i w materiałach przeczytanych na potrzeby tej strony 13 października 2026 r. nie opublikowano niezależnej oceny dla żadnego z nich.

• Gwarantowane na poziomie piksela — nic. Twoim punktem odniesienia są tokeny kontekstu i prefiks wizyjny; celem jest szum. Każda część danych wejściowych, której twój prompt nie dotyczy ani nie implikuje, może się swobodnie zmieniać, a żadne ustawienie w potoku nie utrzymuje ją w miejscu. Jeśli jakiś szczegół nie może się zmienić, nazwij go w prompcie, bo nic innego tego nie zrobi.

• Ślady przedostają się do danych wejściowych — w udokumentowanym przepływie pracy edycji w ComfyUI pociągnięcia pióra malarskiego trafiają na warstwę RGB obrazu, a nie do maski, więc zapisanie wprowadza obraz ze śladami z powrotem do węzła, a ślady stają się częścią referencji odczytywanej przez model. Trzymaj ślad wewnątrz obszaru, który chcesz zmienić, i podaj w prompcie również kolor, jaki chcesz uzyskać, ponieważ w przeciwnym razie kolor śladu może pojawić się na wyjściu.

• Niedopasowana kanwa przesuwa wynik — Dokumentacja ComfyUI zaleca, aby niestandardowa kanwa była zbliżona do rozmiaru pierwszego obrazu referencyjnego po zmianie rozmiaru, „w przeciwnym razie edycja może się przesunąć”. Dane wejściowe, których kształt różni się od kanwy, o którą poprosiłeś, nie są uzupełniane pasami; są przesuwane.

• Determinizm wymaga dwóch ustawień, a nie jednego — przełączanie use_kv_cache w potoku 2.1 zmienia próbkę przy ustalonym ziarnie, ponieważ pamięć podręczna sprawia, że krok dekodowania wykonuje uwagę na innym układzie sekwencji niż krok wstępnego wypełniania, więc oba "dają równie poprawne, ale widocznie różne próbki". Zalecenie samego potoku mówi, aby ustalić flagę. W ComfyUI równoważną kontrolą jest precyzja przechowywania węzła pamięci podręcznej, gdzie — według własnych danych ComfyUI, nieaudytowanych — int8 zmniejsza pamięć podręczną o połowę przy dokładności około bf16 i int4 zmniejsza ją do jednej czwartej, jednocześnie w przybliżeniu podwajając błąd na krok.

Gdzie i2i jest niewłaściwym narzędziem

Pięć przypadków, każdy z nazwaną alternatywą.

• Możesz wskazać dokładnie to, co chcesz zmienić. Użyj ścieżki instrukcji w Qwen-Image-2.1 — zamaluj lub zakreśl obszar, albo przekaż osobną maskę jako drugie wejście — lub dedykowanego checkpointu z linii Qwen-Image-Edit. i2i przemaluje kadr wokół twojego celu wraz z samym celem.

• Musisz zachować oryginalne piksele. i2i tworzy nowy obraz; nie zachowuje żadnych z nich. Ścieżka maski to ta, którą zbudowano, aby pozostawić resztę kadru bez zmian.

• Potrzebujesz 4K. Powyżej rozmiaru treningowego 2K model traci zgodność z promptem, zgodnie z dokumentacją ComfyUI. i2i w 4K to wolniejsze uruchomienie, które słabiej trzyma się twojego opisu, a nie ostrzejsze.

• Musisz uzyskać wierne odwzorowanie drobnych szczegółów z danych wejściowych. Obraz warunkujący jest najpierw skalowany do budżetu wynoszącego około jednego megapiksela, więc 12-megapikselowe odniesienie nigdy nie dociera do modelu w pełnej rozdzielczości. Szczegóły mniejsze niż ten budżet znikają, zanim rozpocznie się odszumianie.

• Potrzebujesz powtórzonego uruchomienia identycznego co do bitu.Ustal flagę pamięci podręcznej KV i ziarno, i zmieniaj jedno ustawienie naraz — w przeciwnym razie porównujesz dwa różne samplery i nazywasz to szumem.

Jedno odwołanie, bo to się pojawi: checkpoint Turbo wydany 9 października 2026 r. używa tej samej architektury generowania wizualnego 7B i tej samej ścieżki warunkowania obrazu, a harmonogram wykonuje w 8 krokach odszumiania zamiast około 40. Nic w tym, jak wykorzystywany jest twój obraz wejściowy, nie zmienia się między nimi. Jeśli chcesz ścieżkę i2i na szybko, to jest checkpoint do wczytania; jeśli debugujesz, dlaczego twoja referencja jest ignorowana, liczba kroków nie jest zmienną.

Co zrobić dalej

Zacznij od własnego Quick Startu dostawcy na karcie modelu, a nie od samouczka, i przeczytaj listę argumentów przykładu edycji: przekazuje image=input_image, ustawia num_inference_steps i nigdzie nie ma argumentu strength. Ten brak jest sednem tej strony, a zobaczenie go w kodzie dostawcy jest szybsze niż wierzenie streszczeniu.

Następnie ustaw output_resolution na rozmiar, którego faktycznie potrzebujesz, zanim zaczniesz oceniać cokolwiek pod kątem podobieństwa, trzymaj swoje płótno na natywnych presetach 2K, gdzie tylko możesz, i pisz prompt tak, jakby referencja była fotografią leżącą obok promptu, a nie tensorem latents poddawanym częściowemu odszumianiu — ponieważ w tym modelu to właśnie tym jest. A jeśli po trzech próbach przyłapiesz się na tym, że chcesz powiedzieć „zmień tylko to, resztę zostaw”, przestań. To zdanie jest sygnałem, że i2i to zła droga, a linia edycji jest miejscem, do którego to należy.