Qwen-Image-2.1 i2i: Começando a partir da sua própria imagem, e por que não há um controle deslizante de intensidade

Se você pesquisou por Qwen-Image-2.1 i2i, você já sabe o que significa image-to-image (i2i): você entrega ao modelo uma imagem em vez de um latente em branco, e recebe de volta uma imagem que se parece com ela. O que esta página resolve é quando essa é a escolha certa no Qwen-Image-2.1 — e a parte que surpreende quem chega de outros modelos de imagem. Neste aqui, o controle deslizante de strength que você procura não existe. O próprio pipeline do Qwen-Image-2.1 não aceita nenhum argumento de strength ou denoise: sua imagem de referência entra como contexto, a imagem de destino parte de ruído puro, e o que decide o quanto a saída se afasta da sua entrada é o que você escreve. Se o que você realmente precisa é que uma única coisa nomeada seja alterada e todo o resto permaneça intacto, essa é uma tarefa diferente, tratada por outra linha da família — os Qwen-Image-Edit checkpoints — e a comparação nesta página é a parte que vale a pena ler primeiro, porque quem pesquisa por "i2i" muitas vezes está a uma busca de distância da ferramenta errada.

O que a imagem de entrada realmente faz

Em Qwen-Image-2.1, uma imagem de condicionamento entra no modelo por duas portas, e nenhuma delas é "um latente inicial ruidoso que você reduz". O repositório e a classe de pipeline do diffusers publicados para este modelo descrevem ambas:

• Codificador de texto — o codificador de texto é o Qwen3-VL 8B, um modelo de linguagem e visão, e o repositório do fornecedor afirma que ele codifica a instrução de texto e as imagens de condição em uma única representação unificada. Sua imagem é, literalmente, parte daquilo que o modelo lê como seu prompt.

• VAE — a mesma imagem é codificada em tokens latentes e inserida antes do ruído, à frente dos próprios tokens da imagem-alvo, de modo que o transformer vê uma única sequência conjunta, com a sua referência primeiro e o elemento que está sendo gerado depois dela.

• Início do alvo — os latentes alvo são amostrados de uma gaussiana e têm o ruído removido ao longo do cronograma completo, de sigma 1,0 para baixo. Não há ponto de entrada para remoção parcial de ruído nesse pipeline.

O terceiro item é toda a diferença em relação ao i2i que a maioria das pessoas já usou. No esquema clássico, você codifica sua imagem de entrada, adiciona ruído a ela proporcionalmente a um valor de força e remove o ruído a partir desse ponto — então a entrada está genuinamente presente no latente inicial, e o número da força decide quanto dela sobrevive. No caminho próprio do Qwen-Image-2.1, sua imagem nunca é o ponto de partida. Ela é contexto. A saída não é uma versão limpa do seu arquivo; é uma nova imagem pintada com o seu arquivo no ambiente.

Vale a pena conhecer mais um detalhe, porque é aí que a abreviatura que o leitor digitou realmente está. O pipeline diffusers lança um erro explícito se você tentar passar latentes pré-codificados como imagem, com o comentário de que "o codificador de texto precisa ver a imagem em si". A imagem de condição deve ser pixels, não um tensor.

O controle de força, e para onde ele foi

O Diffusers realmente disponibiliza um pipeline img2img para esta família, e o argumento strength se comporta exatamente como o campo lhe ensinou a esperar. Leia na própria docstring da classe: a imagem "é usada como ponto de partida e mais ruído é adicionado quanto maior o strength", e "um valor de 1 essencialmente ignora image". Os valores padrão são strength=0.6 e num_inference_steps=50. Os dois extremos são, portanto, os dois extremos que você já conhece:

• Intensidade próxima de 0 — quase nenhum ruído é adicionado, o ciclo de redução de ruído é curto e a saída mal se distingue da sua entrada. Esta é a configuração para correção de cor, uma passagem leve de textura, uma quase-cópia.

• Força em 1 — o ruído adicionado é máximo, a remoção de ruído percorre o cronograma completo e a imagem de entrada é efetivamente descartada. É texto para imagem com uma operação nula dispendiosa acoplada.

Aqui está o porém, e é por isso que esta página existe. O exemplo publicado com esse pipeline carrega o checkpoint de 2025, não este modelo. O Qwen-Image-2.1 tem sua própria classe de pipeline, QwenImage21Pipeline, e ela não aceita strength como argumento, nem denoise como argumento, e nenhum ponto de entrada de ruído parcial. Qualquer valor que você se lembre de ter definido em outro modelo, não há onde defini-lo no caminho do 2.1. A alavanca passou de um número para o prompt.

Não se trata de uma lacuna que o fornecedor deixou em aberto. Ele entrega um modelo cuja única função é escrever esse prompt: Qwen-Image-2.1-PE-I2I, um checkpoint ajustado do Qwen3.5-VL 9B que recebe uma instrução vaga mais uma ou mais imagens de entrada e retorna um objeto JSON com um rewritten_prompt e um de dois campos mutuamente exclusivos — wh_ratio, quando a solicitação cria uma nova composição, ou ratio_follow, quando ele deve herdar a proporção de aspecto de uma imagem de entrada numerada. Esse JSON é a coisa mais próxima de uma configuração de força que o Qwen-Image-2.1 tem. É o modelo dizendo se sua solicitação mantém o enquadramento da entrada ou constrói um novo. Observe onde a string "i2i" aparece na nomenclatura do próprio fornecedor: nesse checkpoint de reescrita de prompt, não em um checkpoint separado de imagem para imagem. A geração 2.1 não publica um.

i2i ou edição: a regra a aplicar

Recorra ao i2i quando quiser uma variação. Recorra ao editing quando quiser uma mudança. Todo o resto decorre dessa única frase.

• Variação — você gosta da imagem e quer mais como ela. Outra versão, luz diferente, o mesmo personagem em uma nova cena, o mesmo produto em um novo ambiente. Você não consegue apontar uma única coisa que precise permanecer idêntica pixel a pixel, porque você não está preservando — está repintando. Isso é um trabalho de i2i.

• Alterar — você pode nomear a coisa. "Mantenha o personagem e a pose inalterados, coloque esta camisa nele." A instrução é uma restrição, e o restante do quadro é uma promessa que lhe é devida de volta. Isso é um trabalho de edição.

No Qwen-Image-2.1, ambos os comportamentos residem em um único checkpoint. O próprio material de lançamento do fornecedor o chama de "um modelo unificado de geração de texto para imagem e edição de imagem", e o caminho de edição local que ele documenta tem formato de máscara: circule ou pinte a região, ou passe a imagem original e uma máscara separada como duas entradas. O que a geração 2.1 não traz é um checkpoint separado de edição.

Os checkpoints de edição dedicados são uma linha diferente e gerações diferentes. A própria listagem de modelos da organização fornecedora no Hugging Face, consultada em 13 de outubro de 2026, contém nove modelos de imagem sob esse autor, e as entradas de edição nela são Qwen-Image-Edit (criado em 17 de agosto de 2025), Qwen-Image-Edit-2509 (22 de setembro de 2025) e Qwen-Image-Edit-2511 (17 de dezembro de 2025). Nenhum deles é um modelo 2.1. Portanto, trate com cuidado qualquer página que diga "Qwen-Image-Edit 2.1": não existe nenhum repositório com esse nome na listagem do fornecedor, e as grafias que as pessoas digitam — "qwen image edit 3", "qwen image edit 2512" — também não correspondem a nenhum repositório publicado pelo fornecedor. Seja o que for que uma afirmação sobre a linha de edição lhe diga, verifique a que geração ela se refere antes de agir com base nela, porque a linha abrange três gerações datadas e o lançamento 2.1 não é uma delas.

Na prática, a regra se resume assim. Se você consegue escrever a instrução como uma frase com um alvo nela — “deixe o céu com pôr do sol”, “remova o relógio” — você está no território da edição e, no 2.1, chega lá com uma máscara ou anotação pintada, em vez de trocar de ferramenta. Se a sua frase não tem alvo e é, na verdade, uma descrição da imagem que você quer em seguida, você está no território i2i. O leitor que digitou “i2i” e então se pegou escrevendo um imperativo é o leitor que precisa do caminho de edição, e é exatamente por isso que esta seção está tão no alto da página.

O que a sua imagem de entrada restringe

Cinco coisas que você corrige no momento em que escolhe uma referência, todas elas documentadas no próprio código do pipeline ou na documentação publicada do ComfyUI para este modelo. Leitura em 13 de outubro de 2026.

• Orçamento de resolução — o pipeline 2.1 tem, para output_resolution, o padrão 1024, e cada imagem de condição é redimensionada para um orçamento de output_resolution ao quadrado, em sua própria proporção, arredondado para múltiplos de 32. Uma fotografia de 3000×4000 é, portanto, reduzida a aproximadamente 896×1184 — cerca de um megapixel — antes que o modelo veja um único pixel dela. A documentação do ComfyUI torna o custo concreto: o mesmo trabalho em uma tela de 3008×4000 contra aproximadamente 896×1184 leva cerca de 6 segundos por iteração versus cerca de 0,3, medido em uma RTX 5090. Reduzir a tela torna uma execução i2i mais rápida ao produzir uma imagem menor, não ao adicionar detalhe.

• Proporção — se você omitir altura e largura, o canvas de saída é derivado da proporção da última imagem de condição que você passar. Individualmente, cada referência mantém seu próprio formato, então um retrato e uma paisagem podem ser enviados na mesma chamada sem que um seja recortado para o enquadramento do outro.

• Múltiplos de 32 — o pipeline avisa e redimensiona silenciosamente quando a altura ou a largura não for divisível pelo fator de escala do VAE vezes dois, que neste modelo é 32. Se você estiver escolhendo uma tela manualmente, arredonde-a.

• Tamanho nativo — O Qwen-Image-2.1 é treinado em 2K, e os tamanhos recomendados pelo repositório estão todos nessa faixa: 2048×2048 para 1:1, 2752×1536 para 16:9, 1536×2752 para 9:16 e 2400×1792 para 4:3. A documentação do ComfyUI afirma que o alvo padrão é um megapixel, que você define cerca de 4,0 MP para um quadrado nativo de 2048×2048 e — o aviso útil — que um alvo bem acima do tamanho treinado, 4K por exemplo, perde aderência ao prompt em vez de ganhar detalhe.

• Alpha — se sua referência tiver transparência, o codificador de visão recebe uma cópia composta sobre branco; somente a cópia da VAE mantém os quatro canais. Tudo o que você espera que o modelo entenda sobre sua transparência está sendo lido pelo lado do texto como fundo branco.

O que sobrevive, e o que é reinventado

Seja preciso aqui, porque o material de liberação e o mecanismo dizem coisas diferentes, e ambos são verdadeiros.

• Documentado para resistir — o fornecedor afirma trabalho de fidelidade em duas frentes: a identidade do retrato, para que uma pessoa permaneça reconhecível entre edições e gerações, e a consistência do produto, preservando texto, texturas e forma. São alegações do fornecedor ilustradas com exemplos lado a lado, em vez de associadas a uma medição, e nenhuma pontuação independente para qualquer delas foi publicada no material lido para esta página em 13 de outubro de 2026.

• Garantido ao nível do pixel — nada. Sua referência são tokens de contexto e um prefixo de visão; o alvo é ruído. Qualquer parte da entrada que seu prompt não aborde nem implique está livre para mudar, e nenhuma configuração no pipeline a mantém no lugar. Se um detalhe não deve se mover, nomeie-o no prompt, porque nada mais o fará.

• As marcas vazam para a entrada — no fluxo de edição documentado do ComfyUI, os traços da caneta de pintura caem na camada RGB da imagem, e não em uma máscara, então salvar grava a imagem marcada de volta no nó e as marcas passam a fazer parte da referência que o modelo lê. Mantenha uma marca dentro da região que você quer alterar e informe também a cor desejada no prompt, porque a cor da marca pode, de outro modo, aparecer na saída.

• Um canvas incompatível desloca o resultado — A documentação do ComfyUI recomenda manter um canvas personalizado próximo ao tamanho redimensionado da primeira imagem de referência, "caso contrário, a edição pode se deslocar". Uma entrada cuja forma difere do canvas solicitado não recebe letterbox; ela é movida.

• O determinismo exige duas configurações, não uma — alternar use_kv_cache no pipeline 2.1 altera a amostra com um seed fixo, porque o cache faz com que a etapa de decodificação atenda com um layout de sequência diferente da etapa de prefill, de modo que os dois "produzem amostras igualmente válidas, mas visivelmente distintas". O conselho do próprio pipeline é fixar a flag. No ComfyUI, o controle equivalente é a precisão de armazenamento do nó de cache, onde — números do próprio ComfyUI, não auditados — int8 reduz o cache pela metade com precisão próxima à de bf16 e int4 reduz a um quarto, enquanto aproximadamente dobra o erro por etapa.

Onde o i2i é a ferramenta errada

Cinco casos, cada um com a alternativa indicada.

• Você pode nomear exatamente o que deseja alterar. Use o caminho de instrução no Qwen-Image-2.1 — pinte ou circule a região, ou passe uma máscara separada como segunda entrada — ou um checkpoint dedicado da linha Qwen-Image-Edit. O i2i repintará o quadro ao redor do seu alvo junto com o próprio alvo.

• Você precisa que os pixels originais sejam mantidos. O i2i produz uma nova imagem; ele não preserva nenhum. O caminho da máscara é o que foi criado para deixar o resto do quadro inalterado.

• Você precisa de 4K.Acima do tamanho de treinamento de 2K, o modelo perde aderência ao prompt, de acordo com a documentação do ComfyUI. i2i em 4K é uma execução mais lenta que segue menos a sua descrição, não uma mais nítida.

• Você precisa que detalhes finos da entrada sejam reproduzidos. A imagem de condicionamento é primeiro redimensionada para um limite de aproximadamente um megapixel, então uma referência de 12 megapixels nunca chega ao modelo em resolução total. Detalhes menores que esse limite já se perderam antes que a remoção de ruído comece.

• Precisas de uma execução repetida idêntica bit a bit. Corrige a flag da cache KV e a seed, e altera uma definição de cada vez — caso contrário, estás a comparar dois samplers diferentes e a chamar-lhe ruído.

Uma referência cruzada, porque isso vai surgir: o checkpoint Turbo lançado em 9 de outubro de 2026 usa a mesma arquitetura de geração visual de 7B e o mesmo caminho de condicionamento de imagem, e executa a programação em 8 etapas de denoising em vez de cerca de 40. Nada sobre como a sua imagem de entrada é usada muda entre os dois. Se você quer o caminho i2i com rapidez, esse é o checkpoint a carregar; se você está depurando por que sua referência está sendo ignorada, a contagem de etapas não é a variável.

O que fazer a seguir

Comece pelo próprio Início Rápido do fornecedor no model card, em vez de partir de um tutorial, e leia a lista de argumentos do exemplo de edição: ele passa image=input_image, define num_inference_steps, e não tem nenhum argumento strength em lugar algum. Essa ausência é o ponto central desta página, e ver isso no código do fornecedor é mais rápido do que acreditar em um resumo.

A partir daí, defina output_resolution para o tamanho de que você realmente precisa antes de julgar qualquer coisa sobre semelhança, mantenha seu canvas nas predefinições nativas de 2K sempre que puder, e escreva o prompt como se a referência fosse uma fotografia colocada ao lado do prompt, e não um tensor de latentes passando por remoção parcial de ruído — porque, neste modelo, é isso que ela é. E se, após três tentativas, você se pegar querendo dizer "mude só isto, deixe todo o resto", pare. Essa frase é o seu sinal de que i2i é o caminho errado, e o lugar disso é a linha de edição.