Qwen-Image-2.1 LoRA: jakie adaptery istnieją, co trzeba, by wytrenować własny, i co tak naprawdę mówi licencja

Istnieje prawdziwy ekosystem adapterów niskorzędowej adaptacji (LoRA) dla Qwen-Image-2.1, jednolitego modelu obrazu do generowania i edycji od tego dostawcy, a dokumentacji na ten temat ze strony dostawcy praktycznie nie ma. Ta strona to stała odpowiedź na cztery pytania, które czytelnik wpisuje razem: czy ktoś w ogóle tworzy adaptery do tego modelu, gdzie one są, czego trzeba, by taki wytrenować, i co licencja pozwala zrobić z wynikiem. To nie jest materiał premierowy. Qwen-Image-2.1 zostało udostępnione jako open source 20 września 2026 roku, a jego przyspieszony brat Qwen-Image-2.1-Turbo pojawił się 9 października 2026 roku; obie daty są tu tylko po to, by wskazać, których checkpointów dotyczy ta strona, a nie po to, by o czymkolwiek informować.

W skrócie: adapterów jest kilkaset, są to głównie prace nad postaciami i stylem publikowane przez indywidualnych praktyków, trenowanie jednego z nich jest udokumentowane od początku do końca przez co najmniej trzy łańcuchy narzędzi podmiotów trzecich z opublikowanymi pomiarami pamięci, a licencja — która nie jest licencją Apache dla tej generacji modeli obrazu — powtarza niekomercyjne ograniczenie dotyczące utworu pochodnego, którego wiele spośród samych adapterów nie przenosi dalej.

Dwa zdania o tym, czym jest LoRA, a następnie model.

LoRA to niewielki zestaw niskorzędowych przyrostów wag, które są dodawane do zamrożonego bazowego checkpointu w momencie wczytywania i adresowane do konkretnych modułów po nazwie; to nie jest model, lecz patch, który zmienia sposób działania istniejącego modelu. Ponieważ przyrosty te są trenowane względem konkretnych wag, adapter jest związany z checkpointem, na którym został wytrenowany, w sposób, którego flaga konfiguracyjna nie może naprawić.

To powiązanie jest całym powodem, dla którego ta strona dotyczy konkretnie Qwen-Image-2.1, a nie LoRA. Checkpoint to 32-warstwowy jednoprzepływowy transformer dyfuzyjny z 7 mld parametrów w komponencie generowania wizualnego, enkoder tekstowy Qwen3-VL 8B oraz 64-kanałowy VAE RGBA działający przy 16× kompresji przestrzennej — wszystkie liczby pochodzą z karty modelu i repozytorium dostawcy, odczytane 13 października 2026 r. Ustawia swój harmonogram próbkowania w momencie wywołania, z 40 krokami wnioskowania w przykładach z samej karty. Żaden z tych szczegółów nie jest przypadkowy w przypadku adapterów: architektura decyduje, do czego plik może się odnosić, a harmonogram decyduje, o co proszony jest adapter wytrenowany przy innej parametryzacji.

Co istnieje dla tego modelu i jak uczciwie to policzyć

Poniższe liczby pochodzą z API Hugging Face i API Civitai, odczytanych 13 października 2026 r., a samo zapytanie warto przytoczyć, ponieważ to samo pytanie daje skrajnie różne odpowiedzi w zależności od tego, jak je zadasz.

• Repozytoria na Hugging Face, które deklarują Qwen-Image-2.1 jako swój model bazowy: 323.

• Spośród nich, repozytoria, które również mają lora tag: 115.

• Adaptery w Civitai pasujące do filtra modelu bazowego „Qwen 2.1" z typem ustawionym na LoRA: 106. Wcześniejsze sprawdzenie tego samego dnia dało 105; filtr działa na bieżąco, a liczba się zmienia, więc traktuj ją jako odczyt, a nie sumę.

Obie liczby to dolne granice, a nie pełne spisy. Tag na Hugging Face jest nadawany przez osobę wgrywającą, więc adapter, którego autor nie dodał do niego tagu, jest niewidoczny dla tego zapytania; liczba dla modelu bazowego jest większa niż liczba dla LoRA właśnie dlatego, że obejmuje również kwantyzacje, scalenia i przepakowania. Na Civitai przepaść między metodami jest wyraźna: zwykłe wyszukiwanie tekstowe frazy „qwen image 2.1” zwraca 994 unikalne modele, a większość z nich to wcale nie adaptery tego checkpointu — ten sam zbiór wyników zdominowany jest przez posty z workflow i przez pliki, których zadeklarowany model bazowy należy do zupełnie innej generacji obrazu. Filtruj po modelu bazowym, a nie po polu wyszukiwania.

Oba serwisy to miejsca, w których żyje ten ekosystem, i jest to jedyne twierdzenie wysuwane o którymkolwiek z nich: Hugging Face to miejsce, w którym publikuje się zapisy treningowe i zbiory danych, Civitai to miejsce, w którym gromadzą się skierowane do użytkowników adaptery i związane z nimi przepływy pracy ComfyUI, a żaden z nich nie jest wyznacznikiem jakości. Plik na którymkolwiek z nich może być oryginalnym wytworem treningu albo kopią czyjejś pracy.

Jak odróżnić oryginalny adapter od przepakowanego

To można sprawdzić, a sprawdzenie zajmuje około minuty. Weź dwa repozytoria, które wyglądają jak ten sam adapter.

akhaliq/Qwen-Image-2.1-Next-Scene-LoRA został utworzony 7 października 2026. TechnoBaptist/Qwen-Image-2.1-Next-Scene-LoRA został utworzony 9 października 2026. Ich pliki README są identyczne co do bajtu — ta sama długość, ten sam MD5 — a listy plików obu repozytoriów są zgodne we wszystkich 111 pozycjach. Późniejsze jest kopią wcześniejszego, wraz z opisem i całę resztą.

Mniej oczywistym przypadkiem jest częściowa kopia. developerjeremylive/Qwen-Image-2.1-Multiple-Angles-LoRA-etheroi zawiera 163 pliki. Każdy z 160, które również istnieją w akhaliq/Qwen-Image-2.1-Multiple-Angles-LoRA, ma identyczny rozmiar, a repozytorium jest ścisłym podzbiorem 344 plików tamtego. To, co pozostawiono, to cały katalog benchmarks/, siatki próbek dla poszczególnych checkpointów w samples/, a także kilka wariantów checkpointów. Wagi adaptera są obecne. Dowodów, że adapter robi to, co deklaruje, nie ma.

Zatem praktyczny test nie polega na pytaniu: „czy ma ładną kartę”. Polega na tym, czy karta niesie rzeczy, które mogą pochodzić tylko z odbycia przebiegu:

• Skąd pochodzą dane treningowe, wraz z linkiem — adapter kątowy podaje nazwę swojego źródła Objaverse i jego licencję oraz osobno publikuje pochodne zbiory danych par.

• Trener i hiperparametry, na poziomie rangi, alfy, współczynnika uczenia, liczby kroków i bazowej precyzji — wystarczająco, aby ktoś inny mógł podjąć próbę reprodukcji.

• Pośrednie punkty kontrolne, a nie tylko końcowy plik, dzięki czemu krzywą uczenia można zweryfikować, a nie tylko przyjąć na słowo.

• Ocena, która nie jest autoprezentacją autora, oraz sekcja „zakres i ograniczenia”, która wskazuje, co adapter robi źle.

Karta ze słowem wyzwalającym, zakresem siły i zestawem ładnych próbek, i niczym więcej, nie jest dowodem na cokolwiek. Nie jest też dowodem na repack — wiele uczciwych jednorazowych adapterów ma tak skąpą dokumentację. Oznacza to po prostu, że nie masz się na czym oprzeć, co w przypadku pliku, który za chwilę trafi do produkcyjnego pipeline'u, jest użytecznym wnioskiem.

Jakie szkolenie tak naprawdę się przechodzi

Najpierw szczere ujęcie sprawy, bo luka jest tu duża: publikowanie adaptera jest powszechne, a trenowanie go to przedsięwzięcie zupełnie innego rzędu. Są trzy koszty i wszystkie są realne.

Bazowy checkpoint. Trzy komponenty Qwen-Image-2.1 dają łącznie około 33 GB, licząc transformer, enkoder tekstu i VAE — to suma rozmiarów plików opublikowanych przez samo repozytorium, odczytana 13 października 2026 r. To jest to, co jest adaptowane, i nie kurczy się tylko dlatego, że trenujesz na nim małą łatkę.

Dane. LoRA nie uczy się koncepcji z garści obrazów tak, jak robi to prompt. Dwa najlepiej udokumentowane adaptery w tym ekosystemie opublikowały swoje zbiory danych jako pełnoprawne artefakty: adapter sterujący kamerą trenowano na 5028 parach oznaczonych kątami w pierwszej wersji i 13 328 w drugiej; adapter kontynuacji sceny trenowano na 1144 parach progresji klatka po klatce, z podpisami napisanymi przez model wizyjny dla każdej pary. Oba są złożonymi zbiorami danych, a nie kolekcjami fotografii — pary trzeba było wygenerować, oznaczyć i objąć licencją, zanim rozpoczęto trening, a w jednym przypadku materiały źródłowe musiały zostać przefiltrowane do obiektów na wolnej licencji, zanim w ogóle można było ich użyć.

Obliczenia. To część oparta na opublikowanych pomiarach, a nie na przeczuciach. Własny quickstart SimpleTuner dla tego modelu podaje presety VRAM, a osobno stojące za nimi testy wstępne pamięci: przepis dla 512px z checkpointingiem gradientów na każdym kroku zmieścił się w limicie alokacji 24 GiB, osiągając w szczycie 20,06 GiB przydzielonej pamięci i 21,10 GiB zarezerwowanej przez PyTorch. Wielorozdzielczościowy przepis przy 32,49 / 41,21 GiB przeszedł pomyślnie na L40S, ale zabrakło mu pamięci przy limicie 32 GiB. Autorzy wyraźnie zaznaczają, że to testy pamięci na ograniczonym podzbiorze, a nie pomiary przepustowości czy zbieżności, oraz że niższe budżety symulowano na L40S, zamiast uruchamiać je na kartach, dla których są nominalnie przeznaczone. Czytane tak, jak je opublikowano, mówią coś prostego: dolna granica dla tego modelu to karta 24 GB działająca tylko przy 512px, a 48 GB lub więcej to poziom, na którym stają się dostępne wielorozdzielczościowe przepisy, które framework faktycznie zaleca.

Czas jest cichszym kosztem i prawie nikt go nie publikuje. Publicznie dostępne są liczby kroków — 2000 aktualizacji w presecie 24 GB, 4000 w większych, z walidacją i tworzeniem checkpointów co 250 — oraz liczby checkpointów w niskich tysiącach z własnych zapisów treningowych adapterów. Tabela presetów SimpleTuner podaje budżety aktualizacji dla każdego poziomu VRAM i mówi wprost, że są to punkty wyjścia, które należy rozszerzać dopiero po przejrzeniu obrazów z checkpointów. Nikt nie opublikował godzin zegarowych dla powtarzalnego przebiegu, więc każda liczba, jaką zobaczysz cytowaną w kwestii tego, ile to zajmuje, dotyczy czyjejś karty i czyjegoś zbioru danych, a nie specyfikacji.

Natomiast same narzędzia są naprawdę dobre i to jest ta część, która zmieniła się wystarczająco niedawno, by warto było ją datować. Dostawca wskazuje na DiffSynth-Studio firmy ModelScope, w którego repozytorium znajduje się działający skrypt do trenowania LoRA dla tego checkpointu, a osobno dla wariantu Turbo — pojedyncze accelerate launch z rangą 32, AdamW przy 1e-4, pięć epok, maksymalny budżet pikseli 1 048 576 i gradient checkpointing. Quickstart SimpleTunera to najbardziej szczegółowy publiczny przepis, przy tym niezwykle szczery co do własnych ograniczeń. ai-toolkit wymienia zarówno Qwen-Image-2.1, jak i Qwen-Image-2.1-Turbo wśród obsługiwanych architektur, a dwa z opisanych powyżej adapterów odnotowują, że wytrenowano je za jego pomocą. Natomiast 12 października 2026 r. musubi-tuner scalił pull request dodający obsługę Qwen-Image 2.1 obejmującą trenowanie LoRA, pełny fine-tuning, podglądy treningu oraz konwersję między Diffusers a własnym formatem LoRA; zgłoszenie funkcji z prośbą o jej dodanie, otwarte 24 września, wciąż pozostaje otwarte. To scalenie miało miejsce trzy dni przed datą widniejącą na tej stronie i jest to zmiana w narzędziach, a nie wydanie modelu — oznacza, że dostępny stał się czwarty trener, a nie że cokolwiek w samym modelu się zmieniło.

Jest jeszcze jedno ograniczenie, które zaskakuje osoby trenujące LoRA pod inne architektury. Wyjście tego modelu nie ma przełącznika kanału alfa. VAE działa w czterokanałowej przestrzeni pikselowej RGBA, a czwarty kanał jest dekodowany jako kanał alfa, więc przezroczystość jest generowana wyłącznie przez prompt i nic innego — dokumentacja samego dostawcy stwierdza, że nigdzie w pipeline nie ma kontroli związanej z kanałem alfa. Adapter wytrenowany na nieprzezroczystych obrazach zmienia rozkład, którym steruje prompt; nie ma osobnego pokrętła przezroczystości, na którym mógłby się oprzeć. Jeśli Twój pipeline zależy od cutoutów, jest to właściwość modelu bazowego, który pożyczasz, i warto to przetestować, zanim poświęcisz mu przebieg treningowy.

Co mówi licencja o adapterze, który tworzysz

Przeczytaj plik, ponieważ odpowiedź nie jest tym, co sugerowałoby pozornie permisywne wydanie. Qwen-Image-2.1 jest rozpowszechniany na warunkach Umowy licencyjnej Qwen Research z dnia 20 września 2026 – 7831-bajtowy dokument przeniesiony bez zmian do repozytorium Turbo, którego kopia jest identyczna co do bajtu. To nie jest Apache 2.0, a wcześniejsza linia Qwen-Image była.

Klauzulą, która rozstrzyga o większości tych kwestii, jest klauzula udzielenia licencji. Sekcja 2(a) udziela Ci licencji na „używanie, reprodukowanie, rozpowszechnianie, kopiowanie, tworzenie utworów zależnych i wprowadzanie modyfikacji” materiałów, a następnie ogranicza to wszystko: „WYŁĄCZNIE DO CELÓW NIEKOMERCYJNYCH”. Sekcja 1(i) definiuje działalność niekomercyjną jako „wyłącznie do celów badawczych lub ewaluacyjnych”, co jest węższe niż „nie dla zysku” — nie przewiduje wyjątku dla wewnętrznego wykorzystania w działalności gospodarczej. Sekcja 2(b) stanowi, że wykorzystanie komercyjne wymaga odrębnej licencji, o którą należy wystąpić na adres podany w umowie. Adapter wytrenowany na tym checkpoincie jest utworem zależnym od niego, więc ograniczenie przechodzi wraz z adapterem; nie staje się on możliwy do wykorzystania komercyjnego tylko dlatego, że sam go wytrenowałeś.

Dwie rzeczy warte zauważenia, ponieważ obie przeczą powszechnym założeniom.

Po pierwsze, licencja nie milczy na temat trenowania — wprost je przewiduje. Sekcja 4(b) mówi, że jeśli używasz materiałów lub ich wyników do „tworzenia, trenowania, dostrajania lub ulepszania modelu AI, który jest rozpowszechniany lub udostępniany”, musisz w widoczny sposób umieścić „Built with Qwen” lub „Improved using Qwen” w powiązanej dokumentacji produktu. Zatem dostrajanie jest wymienione z nazwy i wiąże się z obowiązkiem oznakowania, a nie z kwestią pozwolenia.

Po drugie, redystrybucja jest wyraźnie dozwolona, na określonych warunkach. Sekcja 3 zezwala Ci na rozpowszechnianie utworów zależnych, w formie źródłowej lub wynikowej, pod warunkiem że przekażesz odbiorcom kopię umowy, oznaczysz zmodyfikowane pliki i zachowasz plik informacyjny o treści: „Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved.” Sekcja 4(c) zabrania używania „Qwen” jako głównej nazwy lub identyfikatora Twojego utworu zależnego — użycie opisowe jest wyraźnie dozwolone. Sekcja 5(a) potwierdza, że przysługują Ci prawa do Twoich modyfikacji, pod warunkiem zachowania zgodności z umową. Spory podlegają prawu chińskiemu i jurysdykcji sądów w Hangzhou.

To spójne, czytelne zobowiązania. Niewygodne odkrycie polega na tym, jak często ekosystem ich nie spełnia. Spośród adapterów zbadanych podczas zbierania materiałów do tej strony, jeden — adapter do destylacji krokowej dla bazowego checkpointu — dostarcza tekst licencji i plik NOTICE zawierający dosłownie wymagany ciąg atrybucji, a także sekcję licencyjną na swojej karcie, w której powtarza ograniczenie niekomercyjne i kontakt w sprawie użycia komercyjnego. Kilka innych, w tym dwa z najczęściej pobieranych adapterów do sterowania kamerą i kontynuacji scen, deklaruje apache-2.0 w swoich metadanych, nie dostarcza żadnego pliku licencji i nie zawiera żadnej informacji o atrybucji. Ich karty nie roszczą sobie praw Apache do wag bazowych; pole metadanych jest po prostu błędne i to właśnie to pole odczyta narzędzie w dalszej części procesu. Jeśli to Ty budujesz coś na adapterze, sam przeczytaj licencję modelu bazowego, zamiast ufać tagowi na karcie adaptera — a jeśli to Ty publikujesz, poprawne spakowanie nie jest skomplikowane, trzeba je tylko zrobić celowo.

Kompatybilność i ta jedna rzecz dotycząca „turbo”

Adapter działa na checkpoincie, którego nazwę podaje jego zapis treningowy. W przypadku większości adapterów tutaj jest to sam Qwen-Image-2.1 i to na nim powinny być ładowane. Checkpoint Turbo to fine-tune tej samej architektury, a nie inny model — oba dzielą drzewo modułów, dlatego adapter trenowany na bazie najprawdopodobniej załaduje się na Turbo — ale przechowuje własny ośmiokrokowy harmonogram próbkowania wewnątrz checkpointu i realizuje trajektorię odszumiania, wewnątrz której adapter nie był trenowany. To, czy takie połączenie działa poprawnie, nie zostało udokumentowane przez nikogo, w tym przez dostawcę.

Jest też pułapka nazewnicza: określenie „turbo LoRA” obejmuje dwa przeciwstawne artefakty — adapter trenowany na checkpointcie Turbo oraz adapter destylacyjny, który zamienia standardowy checkpoint w kilkukrokowy. To różne pliki pełniące różne funkcje. Kwestia wyboru między checkpointem bazowym a Turbo oraz dwa znaczenia adaptera turbo mają własną stronę w tej dokumentacji — Qwen-Image-2.1-Turbo LoRA — a ta strona nie stanie się jej drugą kopią. Jeśli masz Turbo i adapter, którego nazwa wskazuje standardowy checkpoint, przeczytaj tamtą stronę, zanim cokolwiek załadujesz.

Dwa pokrewne pytania również powinny znaleźć się gdzie indziej. Skwantyzowane checkpointy — GGUF, FP8, INT4 i pozostałe — to odrębny temat z odrębną stroną; LoRA stosowana w skwantyzowanym potoku to uwaga o zgodności na tamtej stronie, a nie sekcja na tej. A model działający w konkretnym narzędziu to znowu osobne zagadnienie, z własnymi listami plików i własnymi trybami awarii.

Co się psuje, a co nie jest ustalone

Raporty o niepowodzeniach grupują się w trzy przyczyny, a każda z nich została udokumentowana przez kogoś, kto wykonał tę pracę, a nie wywnioskowana.

Adapter, który się ładuje i nic nie robi. Najbardziej konkretnym przypadkiem jest niezgodność nazewnictwa kluczy: w karcie pewnego adaptera wprost podano, że jego surowe pliki w formacie trenera używają nazewnictwa kluczy fused MLP tego trenera, które to Diffusers „po cichu pomija” — ładowanie przebiega pomyślnie, nie pojawia się żaden błąd, a adapter nie ma żadnego efektu. Plik działa z własnym loaderem, a nie z tym głównym. To różnica w układzie pliku, a nie w bazowym checkpointcie, i warto ją wykluczyć, zanim obwini się cokolwiek innego.

Adapter, który niszczy niezwiązane prompty. To problem współczynnika uczenia i czasu trwania, i istnieje pomiar: w jednej opublikowanej ablacji przebieg przy 3e-4 „poważnie pogorszył wszystkie cztery prompty walidacyjne do aktualizacji 500”, a niezwiązane tematy — lis, portret — zamieniały się w wytrenowany koncept. Dłuższe badanie treningowe tego samego autora opisuje odwrotną pułapkę: w jednym przebiegu prompt poprawiał się do aktualizacji 3500, pogorszył się przy 4000 i odzyskał jakość do 10000, więc zły pośredni checkpoint nie jest dowodem, że przebieg się nie powiódł. To drugie ustalenie jest wyraźnie oznaczone jako jakościowa progresja z pojedynczego przebiegu i pojedynczego ziarna walidacyjnego, bez zmierzonej krzywej błędu testowego, a odzyskanie opisano jako zależne od promptu. Potraktuj to jako powód, by zachowywać każdy checkpoint co 250 kroków, a nie jako przepis.

Adapter, który działa dobrze, a potem kumuluje błędy. Adapter kontynuacji sceny dokumentuje zmierzoną degradację w użyciu łańcuchowym: naiwne łańcuchowanie przy sile 0,9 kumuluje ziarno filmowe w widoczny szum kolorowy przy trzecim lub czwartym przeskoku, a zweryfikowanym obejściem autora jest siła równa 0,7 lub niższa oraz półpikselowe rozmycie gaussowskie na każdym wejściu w łańcuchu. Ta sama karta otwarcie przyznaje, że transformacje w późnych przeskokach pozostają zachowawcze, i określa to jako ograniczenie danych treningowych, a nie problem z ustawieniami.

Pod tym wszystkim kryje się zestaw rzeczy, które naprawdę nie zostały ustalone, i warto je przedstawić, a nie wypełniać. Nikt nie opublikował porównania jakości między Qwen-Image-2.1 a Qwen-Image-2.1-Turbo, więc nie ma punktu odniesienia, względem którego można by ocenić, co jakikolwiek adapter robi z którymkolwiek z nich. Nikt nie opublikował informacji, czy adapter dla standardowego checkpointu działa poprawnie na Turbo. Dostawca dokumentuje trenowanie LoRA tylko raz, w sekcji ModelScope w repozytorium projektu, wskazując na framework innej firmy; sama karta modelu nie zawiera żadnych wskazówek dotyczących adapterów, a enkoder tekstu checkpointu to komponent, który społeczność już zaczęła osobno publikować, co samo w sobie jest kwestią kompatybilności. A każda liczba na tej stronie to migawka ekosystemu sprzed dwóch do trzech tygodni, odczytana w jednym dniu — zarówno filtr Civitai, jak i zapytanie o model bazowy w Hugging Face będą w przyszłym miesiącu błędne, i to w kierunku większych wartości.

Jeśli zastanawiasz się, co dziś zrobić, sekwencja, która przetrwa wszystkie te luki, jest krótka. Zacznij od przeczytania zapisu treningowego adaptera, a nie jego próbek — jeśli nie ma zapisu, traktuj plik jako nieprzypisany i przetestuj go na własnym prompcie, zanim zaczniesz na nim budować. Dopasuj adapter do checkpointu wskazanego w jego zapisie, a jeśli używasz Turbo, najpierw przeczytaj stronę Turbo. Sprawdź, w jakim formacie loadera jest plik, zanim uznasz, że jest uszkodzony. I przeczytaj raz licencję bazową, ponieważ rządzi adapterem niezależnie od tego, co karta adaptera twierdzi o nim samym. Następnie wybierz trenera, zacznij od najniższego presetu VRAM obsługiwanego przez twoją kartę i oceniaj siatkę checkpointów, a nie końcowy plik.