Fluxo de Trabalho do Qwen-Image-2.1: A Cadeia de Nós, os Controles e o Que Mudou Desde o Dia Zero

O que você obtém desta página é um Qwen-Image-2.1 grafo que você pode reconstruir do zero e reproduzir — a cadeia de nós pelos nomes que os loaders realmente usam, os quatro ou cinco controles que decidem se a saída é o que você pediu, e as duas configurações que as pessoas alteram sem saber que alteraram o cronograma de ruído. O modelo em si é o lançamento unificado de texto para imagem e edição de imagem do fornecedor, aberto em 20 de setembro de 2026 sob uma licença de pesquisa: 7B de parâmetros no componente de geração visual, 32 camadas DiT de fluxo único, um VAE RGBA de 64 canais com compressão espacial de 16x, e até dez imagens de referência no caminho de edição. Essa data está aqui para dizer qual checkpoint você está conectando, não para anunciar nada. O grafo é o assunto, e o grafo tem um histórico de revisões que vale a pena ler antes de confiar na captura de tela de outra pessoa — o template distribuído hoje não é o template distribuído no dia zero, e quatro das diferenças são exatamente as coisas que um leitor erra.

Qual gráfico esta página está descrevendo

Tudo o que está abaixo foi lido do repositório de templates de workflow do ComfyUI Comfy-Org/workflow_templates, na revisão vigente em 13 de outubro de 2026, executando no ComfyUI stable v0.39.0 (publicado em 5 de outubro de 2026). Os nomes dos nós são os nomes de exibição usados pelos carregadores no grafo; quando um nó foi adicionado ou renomeado entre revisões, a data é indicada. O caminho para esses arquivos é a própria página de tutorial do ComfyUI para o Qwen-Image-2.1 — há três templates nela, e esta página segue o de texto para imagem e depois o adapta.

Os três templates são Qwen-Image-2.1 Text to Image, Qwen-Image-2.1 Image Edit, e Remove Background: Qwen-Image-2.1. O último não é um grafo diferente: a documentação do ComfyUI diz que ele reutiliza o subgrafo de edição de imagem com o prompt "Remove the background, and output a PNG image". Portanto, há dois grafos para aprender, e um deles é um template de prompt em cima do outro.

A cadeia de nós, em ordem

O template de texto para imagem é um subgrafo — um nó recolhível no canvas com dezoito entradas expostas — envolvendo uma cadeia de treze nós. Dentro dele, a ordem é:

• UNETLoader — carrega qwen_image_2.1_int8_convrot.safetensors com o dtype do peso deixado em padrão. Este é o modelo de difusão, e o arquivo que você escolhe aqui é a primeira coisa que decide se a sua execução corresponde à de qualquer outra pessoa.

• Qwen Image 2.1 Cache — fica entre o carregador e o amostrador. Não é opcional no template atual, mas pode ser ignorado, e é o nó com maior probabilidade de estar faltando em um grafo que você baixou na primeira semana.

• KSampler — recebe o modelo do nó de cache, o condicionamento positivo e negativo do codificador de texto e um latente vazio. Seus widgets no template fornecido mostram: semente 0, controle fixo, passos 25, cfg 1, amostrador euler, agendador simple, redução de ruído 1.

• EmptyLatentImage — a largura e a altura são conectadas a partir do nó Resolution Selector que fica fora do subgrafo, e sua terceira entrada, o tamanho do lote, vem definida como 1.

• VAEDecode → SaveImageAdvanced — o decodificador entrega os pixels ao nó de salvamento, cujo prefixo de nome de arquivo é Qwen_image_2.1 e cujo formato vem como PNG, 8 bits, sRGB. O PNG não tem função meramente cosmética aqui: o VAE carrega quatro canais, então o PNG de 8 bits é o que mantém o canal alfa vivo no caminho até o disco.

• CLIPLoader — carrega qwen3vl_8b_int8_convrot.safetensors com o tipo definido como qwen_image. O Qwen3-VL 8B é o codificador de texto e também é a torre de visão que lê suas imagens de referência.

• Text Encode Qwen Image 2.1 (id do nó TextEncodeQwenImage21) — condiciona o prompt. Ele recebe o clip, um prompt, um prompt negativo, um VAE opcional, uma resolução inteira, e um conjunto de slots de imagem que cresce automaticamente chamados image_1 até image_16. Ele retorna três coisas: condicionamento positivo, condicionamento negativo e um latente. Esse latente é a parte que as pessoas não percebem — é um latente vazio dimensionado para a primeira imagem de referência e, no grafo de texto para imagem, não é usado porque o latente vazio vem do Resolution Selector em vez disso.

• VAELoader — qwen_image_2.1_vae_bf16.safetensors, alimentando tanto o decodificador quanto o caminho de imagem de referência do codificador de texto.

O ramo opcional é a última peça. Um segundo CLIPLoader carrega qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors com o tipo definido como stable_diffusion — não qwen_image, e essa diferença é intencional, porque este é um checkpoint de geração de texto, não o codificador de visão. Ele alimenta um nó Generate Text, cuja saída passa por Preview Any para o prompt positivo do sampler, alternado por um ComfySwitchNode conectado à entrada refine_prompt. Um nó Primitive String (Multiline) contém o prompt de sistema que a reescrita segue, e você pode lê-lo e editá-lo.

Conte a cadeia e são seis nós de trabalho real: carregar o modelo de difusão, carregar o codificador de texto, carregar o VAE, codificar o prompt, amostrar de um latent vazio, decodificar e salvar. Tudo o mais no template é memória ou conveniência.

O que mudou entre o gráfico do dia zero e este

Esta é a parte que vale a pena saber antes de copiar um fluxo de trabalho de uma captura de tela de um tutorial, porque os templates Qwen-Image-2.1 foram editados cinco vezes depois de surgirem pela primeira vez, e as edições não são cosméticas.

• 20 de setembro de 2026 — o primeiro template. Commit 96309bd530, "Adicionar template do Qwen Image 2.1". Sete nós no subgrafo de texto para imagem: os carregadores, o codificador, o latente vazio, o amostrador, o decodificador. O carregador CLIP foi definido para o codificador de texto bfloat16, qwen3vl_8b_bf16.safetensors — o arquivo de 16,33 GB.

• 20 de setembro de 2026, mais tarde no mesmo dia. Commit 371a7b7171 alterou esse loader para qwen3vl_8b_int8_convrot.safetensors, o arquivo de 8,71 GB, com a mensagem "Switch Qwen Image 2.1 CLIP to int8 convrot". A própria nota do template rotula-o como "loaded by the templates, lower memory". Um workflow criado a partir do arquivo da manhã e um criado a partir do da noite não são o mesmo workflow.

• 25 de setembro de 2026. O nó Qwen Image 2.1 Cache apareceu no grafo pela primeira vez, junto com todo o ramo de aprimoramento de prompt — o segundo CLIP loader, Generate Text, Preview Any, o switch, o nó de system prompt. Antes dessa data não havia nó de cache para configurar nem etapa de reescrita para desativar. O template de edição de imagem ganhou as entradas correspondentes no mesmo dia. A nota de texto para imagem também ganhou, nesta revisão, tanto a linha de 4 megapixels quanto o wrapper de prompt de imagem transparente.

• 28 de setembro de 2026. Os tamanhos de arquivo foram adicionados às notas de download — uma alteração de documentação, não uma alteração de gráfico, mas é daí que vêm os números que o leitor confere com o seu gerenciador de downloads.

• 30 de setembro de 2026. Commit 9fae1041be, "Qwen Image 2.1: Atualizar configurações de PE" — a última vez que qualquer um dos dois modelos 2.1 foi alterado. Este é o que mais importa e o menos visível. Três valores no nó Generate Text mudaram: o orçamento de tokens max_length de 16256 para 4096, a penalidade de repetição de 1.05 para 1.0, e thinking de desativado para ativado, com a própria nota do nó agora dizendo que o checkpoint "foi treinado com um bloco de raciocínio e perde qualidade sem ele". As notas do modelo descrevem os valores anteriores como os oficiais e dizem que o limite existe para que "uma única reescrita não possa ser executada por muitos minutos".

O que não mudou é a metade útil disso. O bloco de amostragem é idêntico byte a byte entre o template do dia zero e o de hoje: steps 25, cfg 1, euler, simple, denoise 1, controle de seed fixo, um latent vazio na saída do Seletor de Resolução, batch size 1. O grafo nunca foi corrigido movendo o sampler. Ele foi corrigido ao mudar qual arquivo de codificador de texto é carregado, adicionar o nó de cache e corrigir as próprias configurações do aprimorador de prompt.

Há mais uma camada por baixo do grafo. O núcleo do ComfyUI continuou mudando depois que os templates se estabilizaram: a v0.38.0, em 29 de setembro, melhorou a lógica de localização do cache KV do Qwen 2.1, e a v0.39.0, em 5 de outubro, trouxe "Correção de travamento ao selecionar cache int8 ou int4 no qwen image 2.1". Se o seu grafo é o de hoje e a sua build é mais antiga do que isso, o menu suspenso de cache não é uma opção lenta, é um travamento.

Os mostradores que um leitor tem maior probabilidade de errar

Comece pelo que a documentação afirma sem rodeios, porque isso elimina a maior parte das suposições. Todos os três fluxos de trabalho do Qwen-Image-2.1 fazem amostragem com 25 passos, cfg 1, o amostrador euler e o agendador simple. Esse é o próprio resumo do ComfyUI, e corresponde exatamente aos widgets fornecidos.

A complicação é que 25 e 40 são ambas respostas corretas para perguntas diferentes. O model card do próprio fornecedor executa o pipeline diffusers com num_inference_steps=40, e o padrão do pipeline diffusers também é 40; a documentação do ComfyUI diz que o pipeline publicado "usa cerca de 40 a 50 passos com o sampler euler, e o template começa mais baixo, em 25". Nenhum dos números é um erro. Eles são um padrão de grafo e uma execução de referência.

• Passos — direção e trade-off.Um valor menor é mais rápido e, segundo a documentação do ComfyUI, se sustenta de forma diferente conforme a tarefa: edições localizadas simples se sustentam com 4 a 8 passos, "enquanto edições que reescrevem o quadro inteiro perdem coerência e precisam dos 25 completos". Detalhes finos teimosos, como mãos e dedos, "se acomodam por volta de 30 passos", e ir de 25 para 40 reduz a instabilidade em áreas detalhadas. A direção é monotônica e o trade-off é linear: o conselho da documentação é ajustar os passos apenas quando algo específico não se resolve, e não aumentá-los por precaução.

• Orientação — cfg 1 é orientação desativada, e esse é o caminho publicado. Com cfg 1, o ComfyUI pula a passagem de condicionamento negativo, então um prompt negativo não tem efeito. O template mantém cfg 1, "que é o caminho para o qual o Qwen-Image-2.1 é publicado"; o pipeline diffusers diz o mesmo com suas próprias palavras, definindo true_cfg_scale como 1.0 por padrão porque "o Qwen-Image 2.1 deve ser amostrado sem orientação". Aumente-o apenas quando você realmente quiser que o prompt negativo tenha efeito, e saiba o preço: cfg 2 segue prompts densos mais de perto, incluindo textos pequenos e números, "ao custo de bordas excessivamente nítidas"; valores mais altos deslocam a exposição para o excessivamente claro ou o excessivamente escuro; cfg 5 degrada muito a qualidade; cfg 0.5 quebra a imagem. A instrução do ComfyUI é alterar um valor por vez e comparar com uma seed fixa.

• A resolução é uma meta em megapixels, não um retângulo. O nó Resolution Selector define uma proporção e um orçamento de megapixels, em que 1,0 MP corresponde a cerca de 1024x1024. O Qwen-Image-2.1 gera nativamente em 2K, então a meta para um quadrado de 2048x2048 é cerca de 4,0 MP. Múltiplos de 32 são o que o modelo espera — a dica de ferramenta na entrada resolution do codificador de texto diz que as referências são redimensionadas para cerca de resolution x resolution pixels em múltiplos de 32, com a proporção preservada, e o próprio auxiliar de dimensões do pipeline também arredonda para 32. O model card do fornecedor publica as predefinições 2K: 1:1 em 2048x2048, 4:3 em 2400x1792, 3:4 em 1792x2400, 3:2 em 2528x1696, 2:3 em 1696x2528, 16:9 em 2752x1536, 9:16 em 1536x2752.

• Ultrapassar 2K custa aderência, não nitidez.Alvos bem acima do tamanho 2K treinado do modelo, como 4K, perdem a aderência ao prompt. Trata-se de um comportamento documentado, não de uma inferência da arquitetura.

• O ponto genuinamente contraintuitivo: a resolução também altera o cronograma de ruído. O Qwen-Image-2.1 faz amostragem com um agendador Euler de flow matching cujo deslocamento de timestep é dinâmico, e o pipeline calcula esse deslocamento a partir do comprimento da sequência latente — isto é, de quantos tokens a resolução escolhida produz. A configuração do agendador do checkpoint define base_shift 0,5 e max_shift 0,9 ao longo de um intervalo de sequência de imagem de 256 a 8192, e o pipeline insere o comprimento da sequência da sua execução nessa fórmula a cada chamada. Alterar a tela, portanto, altera o cronograma do amostrador, e não apenas o quadro. No template do ComfyUI não há nenhum controle de shift a ser definido — as entradas do KSampler são model, positive, negative, latent image, seed, steps, cfg, sampler name e scheduler, e essa é a lista completa. Se os seus resultados em 4 MP parecem diferentes dos seus resultados em 1 MP de uma forma que você não consegue explicar só pelo detalhe, é por isso.

• No grafo de edição, a resolução se comporta de forma diferente e é o padrão mais caro de todos. Com custom_size desativado — o padrão do template —, a edição é gerada no tamanho da primeira imagem de referência. resolution 0 mantém cada referência em seu próprio tamanho em pixels, arredondado para um múltiplo de 32, de modo que uma foto de 3000x4000 produz uma tela de 3008x4000. Um valor acima de 0, em vez disso, escala a proporção dessa imagem para um resolution x resolution orçamento de pixels — uma contagem total de pixels, não uma largura. O próprio exemplo de custo do ComfyUI, medido em uma RTX 5090: a referência de 3000x4000 com resolution 0 leva cerca de 6 segundos por iteração; a mesma edição com resolution 1024 leva cerca de 0,3 segundos por iteração, em aproximadamente 896x1184. Ative custom_size e obtenha a tela a partir do Resolution Selector, e mantenha-a próxima do tamanho da primeira imagem redimensionada, "caso contrário a edição pode se deslocar".

Determinismo: o que uma semente fixa, e o que não fixa

Uma seed fixa é necessária e não suficiente, e os templates fornecidos discordam entre si quanto a isso. O KSampler de texto para imagem vem com o controle fixo; ambos os templates de edição — o de edição de imagem e o de remoção de fundo — vêm com o controle aleatorizar. Mesmo sampler, mesmos padrões, comportamento oposto ao reenfileirar.

Suponha que a seed seja fixa. Eis o que ainda move a imagem:

• O cache KV. Esta é a grande questão, e está documentada em vez de ser folclore. O Qwen-Image-2.1 armazena em cache as chaves e os valores do texto e da imagem de referência após o primeiro passo; o código-fonte do pipeline explica que isso é válido porque os tokens de condicionamento são independentes do passo sob o condicionamento causal do modelo. Em seguida, ele diz o que importa para quem tenta reproduzir uma imagem: alternar o cache "não reproduz a mesma imagem bit a bit em precisão reduzida", porque a etapa de decodificação faz atenção com um layout de sequência diferente do da etapa de prefill, os dois dividem em blocos de forma diferente e chegam a arredondamentos diferentes — e uma diferença de um ULP no primeiro bloco é amplificada por 32 blocos e por cada passo do amostrador, então "as duas configurações produzem amostras igualmente válidas, mas visivelmente distintas". A instrução do próprio código-fonte é: fixe uma amostra fixando esta flag. No ComfyUI, a flag fica no nó Qwen Image 2.1 Cache, como device (auto, gpu, cpu, off) e dtype (default, int8, int4).

• O histórico de versões do próprio nó de cache. Ele não existia antes de 25 de setembro de 2026, portanto um fluxo de trabalho do dia zero não tem essa configuração e não se comporta como o de hoje. E desativado — a única configuração que descarta o cache — "recalcula o prefixo a cada passo, o que é mais lento, mas é a única maneira de descartar o cache".

• Quais arquivos de modelo. O template carrega um modelo de difusão int8 e um codificador de texto int8. Troque qualquer um deles pelo arquivo bf16 e você terá alterado a aritmética. As notas de download listam ambos, com seus tamanhos, justamente porque a escolha é real.

• O aprimorador de prompt, se estiver ativado. Com refine_prompt ativado, o modelo de imagem faz amostragem do prompt reescrito, não daquele que você digitou — e a reescrita é gerada por um nó separado Generate Text com seus próprios parâmetros de amostragem: temperature 1.0, top_k 20, top_p 0.95, seu próprio campo de seed e um orçamento de tokens max_length. A seed do seu KSampler não cobre nada disso. O nó Preview Any dentro do subgrafo mostra o prompt que realmente chegou ao modelo de imagem, que é a única forma de saber o que você acabou de reproduzir.

• A build do ComfyUI. Os templates trazem o próprio aviso: nós ausentes ao carregar um workflow geralmente significam que a build é anterior aos nós, e o Desktop e a Cloud seguem as versões estáveis e podem ficar atrás de uma nightly.

Portanto, reproduzir a imagem de outra pessoa feita com Qwen-Image-2.1 não é uma troca de seed. É a revisão do template, os dois arquivos de modelo, a configuração de resolução, os passos, o cfg, o sampler, o scheduler, o dispositivo e o dtype do cache, o estado ligado/desligado do enhancer e a seed própria dele — e, para o grafo de edição, o tamanho da primeira imagem de referência. O ComfyUI não publica nenhuma garantia de reprodutibilidade por seed para esses fluxos de trabalho, e o código-fonte do diffusers diz claramente que uma alternância de cache altera a amostra; trate uma correspondência exata como algo que você monta deliberadamente, e não como algo que uma seed entrega a você.

Mais de uma imagem, e para onde vai a memória

Na configuração padrão, o grafo produz uma imagem por execução, e o ajuste para mudar isso não é nada glamouroso: a EmptyLatentImageterceira entrada do nó, tamanho do lote, ligada em 1. Aumentá-lo é o que faz o sampler emitir várias imagens a partir de uma única fila.

É aí que a coisa fica honesta quanto ao custo. Os templates dizem exatamente onde o cache fica — auto usa VRAM livre e depois RAM do sistema; cpu faz prefetch por trás da computação e a documentação descreve isso como tendo pouco custo de velocidade; off recalcula o prefixo a cada passo e é mais lento. Eles quantificam o lado da precisão: int8 reduz o cache pela metade com aproximadamente a precisão de bf16, e int4 o reduz a um quarto, mas aproximadamente dobra o erro por passo. O que eles não publicam é uma tabela de tamanho de lote para VRAM, e a documentação do ComfyUI também não. Se você está dimensionando um lote para uma placa, a resposta honesta é que nenhum número oficial cobre isso; as alavancas com efeitos publicados são o dispositivo de cache e o dtype, e a meta de resolução, que aumenta tanto a contagem de latentes quanto o prefixo em cache.

Duas armadilhas de batch ficam do outro lado da cerca, no pipeline do diffusers, e vale a pena conhecer ambas, porque o grafo do ComfyUI as esconde. Ali, num_images_per_prompt multiplica o batch, e, se você passar uma lista de geradores, seu comprimento deve corresponder exatamente ao tamanho efetivo do batch, ou o pipeline lança um erro. E uma lista de imagens de condicionamento é "um conjunto de imagens compartilhado por todos os prompts do batch, não uma entrada por prompt" — você não pode dar a cada prompt de um batch sua própria imagem de referência; a instrução da fonte é chamar o pipeline uma vez por prompt. O subgrafo de edição tem o mesmo tipo de restrição em um lugar diferente: seu BatchImagesNode agrupa em batch até dez imagens de referência no codificador de texto, o que é agrupar entradas, não saídas. Dez referências não resultam em dez imagens.

Imagem para imagem do mesmo grafo

Você não precisa de um grafo diferente para isso. O template de edição de imagem é a cadeia de texto para imagem com o latent vazio trocado pela saída de latent do codificador de texto, dois LoadImage nós alimentando image_1 e image_2 nos slots de referência do subgrafo, e um ImageCompare nó no final para que você possa ver a entrada ao lado da saída. Coloque uma imagem em image_1, deixe image_2 vazio, escreva uma instrução, e isso é imagem para imagem: sua imagem é contexto que o modelo lê, não um latent inicial que ele desruidifica parcialmente. Não há slider de força ou denoise neste caminho para ajustar, porque o alvo começa a partir de ruído e sua referência entra através do codificador e do VAE.

Aqui está a fronteira, em uma frase para cada, porque esses dois estão a uma pesquisa de distância e as pessoas recorrem ao errado.

• Image-to-imageé quando você quer uma variação: você entrega ao modelo uma imagem e uma descrição, e ele pinta uma nova imagem parecida com a sua, em uma tela que você escolhe.

• Edição é quando você quer uma mudança: você entrega ao modelo uma imagem e uma instrução indicando o que deve ser diferente, além, opcionalmente, de uma máscara ou marcas pintadas, e o modelo mantém o resto do quadro.

O indício está na frase que você está prestes a digitar. "Faça ficar assim, mas à noite" é i2i; "mude a jaqueta para vermelho, deixe todo o resto" é uma edição, e neste grafo o caminho de edição é onde vivem as máscaras, os dez slots de referência e o comportamento de edição localizada. Essa pergunta vizinha é assunto de outra página, e esta para na linha para que você possa dizer em qual está.

O checkpoint turbo, em um parágrafo

Uma referência cruzada, porque a grafia turbo está dentro desta família de consultas e o leitor vai encontrá-la. Qwen-Image-2.1-Turbo é um checkpoint separado de 8 passos da mesma arquitetura de geração visual de 7B, lançado em 9 de outubro de 2026 e carregado pelo mesmo QwenImage21Pipeline. O próprio cartão do modelo diz que o checkpoint "inclui o seu cronograma de amostragem recomendado, por isso está pronto para usar sem configurar manualmente o agendador", que a geração usa CFG 1 por padrão, e que definir num_inference_steps por si só não substitui o cronograma salvo — já um argumento sigmas explícito em tempo de chamada substitui. Nada disso altera a cadeia de nós nesta página: os mesmos carregadores, o mesmo codificador, o mesmo nó de amostrador. O que muda é de onde vem o cronograma, que é a única coisa que vale a pena verificar no seu grafo antes de comparar uma execução turbo com uma execução de modelo base e concluir que o modelo piorou.

O que fazer a seguir, no gráfico

Carregue o template da biblioteca de templates do ComfyUI em vez de uma captura de tela, depois leia quatro nós antes de enfileirar qualquer coisa. No Resolution Selector, defina a proporção de aspecto que você realmente quer e, se quiser o 2K nativo do modelo, o alvo de 4.0 MP. No KSampler, confirme que o controle está fixed se você pretende reproduzir uma execução, e deixe steps em 25 e cfg em 1 até que algo específico falhe. No Qwen Image 2.1 Cache, decida device e dtype agora e anote-os, porque você não pode alterá-los depois e comparar duas imagens como se apenas o prompt tivesse mudado. E no nó Generate Text, deixe refine_prompt desativado até você ter uma baseline de que goste — depois ative-o, leia a reescrita em Preview Any, e mantenha a seed que você estava usando para que a comparação signifique alguma coisa.