Qwen-Image-2.1 i2i: старт с вашего собственного изображения, и почему здесь нет ползунка силы

Если вы искали Qwen-Image-2.1 i2i, то уже знаете, что такое image-to-image (i2i): вы подаёте модели изображение вместо пустого латента и получаете на выходе картинку, похожую на него. Эта страница расставляет всё по местам в вопросе, когда это правильный ход для Qwen-Image-2.1, — и объясняет ту часть, которая удивляет людей, пришедших от других моделей изображений. В этой модели слайдера strength, который вы ищете, просто нет. Собственный пайплайн Qwen-Image-2.1 вообще не принимает аргумент strength или denoise: ваше референсное изображение подаётся как контекст, целевое изображение стартует с чистого шума, а то, насколько выход отклонится от вашего ввода, определяется тем, что вы напишете. Если же вам на самом деле нужно изменить одну конкретную вещь, оставив всё остальное нетронутым, это другая задача, и решает её другая линейка в семействе — чекпойнты Qwen-Image-Edit — а сравнение на этой странице стоит прочитать первым, потому что читатель, ищущий «i2i», часто находится всего в одном поиске от неподходящего инструмента.

Что на самом деле делает входное изображение

В Qwen-Image-2.1 изображение-условие попадает в модель через две двери, и ни одна из них не является «шумным стартовым латентом, который вы откатываете назад». Репозиторий и класс пайплайна diffusers, опубликованные для этой модели, описывают и то и другое:

• Текстовый энкодер — текстовый энкодер — это Qwen3-VL 8B, визуально-языковая модель, и в репозитории производителя указано, что он кодирует текстовую инструкцию и изображения-условия в единое унифицированное представление. Ваше изображение буквально является частью того, что модель считывает как свой промпт.

• VAE — то же самое изображение кодируется в латентные токены и добавляется перед шумом, впереди собственных токенов целевого изображения, так что трансформер видит одну общую последовательность, в которой ваш референс идёт первым, а то, что генерируется, — после него.

• Старт таргета — латенты таргета сэмплируются из гауссова распределения и денойзятся по всему расписанию, начиная с sigma 1.0 и ниже. В этом пайплайне нет точки входа для частичного денойзинга.

Третий пункт — это и есть всё отличие от i2i, который использовало большинство. В классической схеме вы кодируете входное изображение, добавляете к нему шум пропорционально значению strength и выполняете денойзинг начиная с этой точки — так что вход действительно присутствует в стартовом латенте, а число strength определяет, сколько от него сохранится. На собственном пути Qwen-Image-2.1 ваше изображение никогда не является стартовой точкой. Оно — контекст. Результат — не очищенная версия вашего файла; это новое изображение, нарисованное с вашим файлом в комнате.

Стоит знать ещё одну деталь, потому что именно в ней и живёт та самая аббревиатура, которую ввёл читатель. Пайплайн diffusers выдаёт явную ошибку, если попытаться передать предварительно закодированные латенты в качестве image, с комментарием, что «текстовый энкодер должен видеть само изображение». Изображение-условие должно быть пикселями, а не тензором.

Регулятор силы, и куда он делся

Diffusers действительно поставляет img2img-пайплайн для этого семейства, и его strength-аргумент ведёт себя ровно так, как вас научила ожидать эта область. Прочитайте в докстринге самого класса: изображение «используется как отправная точка, и чем выше strength, тем больше добавляется шума», а «значение 1 по сути игнорирует image». Значения по умолчанию — strength=0.6 и num_inference_steps=50. Таким образом, два конца — это те два конца, которые вы уже знаете:

• Сила около 0 — почти не добавляется шума, цикл шумоподавления короткий, и результат едва отличается от вашего исходного изображения. Это настройка для цветокоррекции, лёгкой обработки текстуры, почти копия.

• Strength равен 1 — добавляемый шум максимален, шумоподавление проходит весь график, а входное изображение фактически отбрасывается. Это text-to-image с дорогостоящей пустой операцией в придачу.

Вот в чём загвоздка, и именно поэтому существует эта страница. Пример, опубликованный вместе с тем пайплайном, загружает чекпойнт 2025 года, а не эту модель. У Qwen-Image-2.1 есть собственный класс пайплайна, QwenImage21Pipeline, и он не принимает strength аргумента, нет denoise аргумента и никакой точки входа с частичным шумом. Какое бы значение вы ни помнили из настроек другой модели, на пути 2.1 его попросту негде задать. Рычаг переместился с числа на промпт.

Это не тот пробел, который вендор оставил незаполненным. Он поставляет модель, единственная задача которой — писать этот промпт: Qwen-Image-2.1-PE-I2I, дообученный чекпойнт Qwen3.5-VL 9B, который принимает расплывчатую инструкцию плюс одно или несколько входных изображений и возвращает JSON-объект с rewritten_prompt и одним из двух взаимоисключающих полей — wh_ratio, когда запрос создаёт новую композицию, или ratio_follow, когда он должен унаследовать соотношение сторон пронумерованного входного изображения. Этот JSON — ближайшее, что есть у Qwen-Image-2.1 к настройке силы воздействия. Это модель сообщает вам, сохраняет ли ваш запрос кадр входа или строит новый. Обратите внимание, где строка «i2i» появляется в собственных названиях вендора: у этого чекпойнта для перезаписи промптов, а не у отдельного чекпойнта image-to-image. Поколение 2.1 его не публикует.

i2i или редактирование: правило, которое нужно применить

Используйте i2i, когда нужна вариация. Используйте редактирование, когда нужно изменение. Всё остальное следует из этой одной строки.

• Вариация — вам нравится изображение, и вы хотите больше похожих. Другой вариант, другой свет, тот же персонаж в новой сцене, тот же продукт в новом окружении. Вы не можете назвать ни одной вещи, которая должна остаться идентичной до пикселя, потому что вы не сохраняете — вы перерисовываете. Это задача для i2i.

• Изменение — так это можно назвать. «Сохрани персонажа и позу без изменений, надень на него эту рубашку». Инструкция — это ограничение, а остальная часть кадра — обещание, которое вам должны вернуть. Это работа по редактированию.

В Qwen-Image-2.1 оба варианта поведения реализованы в одном чекпоинте. В собственном релизном материале вендора его называют «единой моделью генерации изображений по тексту и редактирования изображений», а описанный в нём путь локального редактирования имеет масочную форму: обвести или закрасить область либо передать исходное изображение и отдельную маску в качестве двух входных данных. Чего в поставке поколения 2.1 нет, так это отдельного чекпоинта для редактирования.

Специализированные чекпойнты для редактирования относятся к другой линейке и другим поколениям. Собственный список моделей организации-вендора на Hugging Face, прочитанный 13 октября 2026 года, содержит девять моделей для работы с изображениями под этим автором, и записи о редактировании в нём — это Qwen-Image-Edit (создана 17 августа 2025), Qwen-Image-Edit-2509 (22 сентября 2025) и Qwen-Image-Edit-2511 (17 декабря 2025). Ни одна из них не является моделью 2.1. Поэтому относитесь с осторожностью к любой странице, где говорится «Qwen-Image-Edit 2.1»: в списке вендора нет репозитория с таким названием, и варианты написания, которые вводят люди — «qwen image edit 3», «qwen image edit 2512», — также не соответствуют опубликованному репозиторию вендора. Что бы вам ни сообщало утверждение о линейке редактирования, проверьте, о каком поколении в нём речь, прежде чем действовать на его основании, потому что эта линейка охватывает три датированных поколения, и релиз 2.1 не входит в их число.

На практике правило раскладывается так. Если вы можете записать инструкцию как предложение, в котором есть объект, — «сделай небо закатным», «убери часы», — вы на территории редактирования, и в 2.1 вы попадаете туда с помощью маски или нарисованной аннотации, а не переключением инструментов. Если в вашем предложении нет объекта и оно на самом деле описывает изображение, которое вы хотите получить следующим, вы на территории i2i. Читатель, который набрал «i2i», а потом обнаружил, что пишет повелительное предложение, — это читатель, которому нужен путь редактирования, и именно поэтому этот раздел находится так высоко на странице.

Что ваше входное изображение ограничивает

Пять вещей, которые вы исправляете в тот момент, когда выбираете референс, и все они задокументированы в собственном коде пайплайна или в опубликованной документации ComfyUI для этой модели. Читайте 13 октября 2026 г.

• Бюджет разрешения — в конвейере 2.1 output_resolution по умолчанию равен 1024, и каждое изображение-условие масштабируется до бюджета в output_resolution в квадрате с сохранением собственных пропорций, с округлением до кратных 32. Поэтому фотография 3000×4000 уменьшается примерно до 896×1184 — около одного мегапикселя — прежде чем модель увидит хотя бы один её пиксель. Документация ComfyUI делает цену этого наглядной: та же работа на холсте 3008×4000 против примерно 896×1184 выполняется примерно за 6 секунд на итерацию против примерно 0,3 — по замерам на RTX 5090. Уменьшение холста ускоряет запуск i2i за счёт получения меньшего изображения, а не за счёт добавления детализации.

• Соотношение сторон — если не указывать высоту и ширину, выходной холст определяется соотношением сторон последнего переданного вами изображения-условия. По отдельности каждый референс сохраняет собственную форму, поэтому портретное и пейзажное изображения могут передаваться в одном вызове, не обрезаясь под рамку друг друга.

• Кратные 32 — пайплайн выдаёт предупреждение и молча изменяет размер, когда высота или ширина не кратна удвоенному коэффициенту масштабирования VAE, который для этой модели равен 32. Если вы задаёте холст вручную, округлите его.

• Нативный размер — Qwen-Image-2.1 обучалась на 2K, и все размеры, которые рекомендует репозиторий, находятся в этом диапазоне: 2048×2048 для 1:1, 2752×1536 для 16:9, 1536×2752 для 9:16 и 2400×1792 для 4:3. В документации ComfyUI указано, что целевое значение по умолчанию — один мегапиксель, что для нативного квадрата 2048×2048 следует задавать примерно 4,0 МП, и — полезное предупреждение — что целевое значение, значительно превышающее размер, на котором обучалась модель, например 4K, приводит к потере следования промпту, а не к росту детализации.

• Alpha — если ваш референс содержит прозрачность, визуальному энкодеру передаётся копия, скомпонованная поверх белого; только копия для VAE сохраняет все четыре канала. Всё, что, по вашему мнению, модель должна понять о вашей прозрачности, текстовая сторона воспринимает как белый фон.

Что сохраняется, а что изобретается заново

Будь здесь точен, потому что релизный материал и механизм говорят разное, и оба верны.

• Задокументировано сохранение — вендор заявляет о работе над точностью передачи по двум направлениям: идентичность портрета, чтобы человек оставался узнаваемым при редактировании и генерациях, и согласованность продукта с сохранением текста, текстур и формы. Это заявления вендора, проиллюстрированные сопоставительными примерами, а не подкреплённые измерениями, и ни одной независимой оценки ни для одного из них не было опубликовано в материалах, изученных для этой страницы 13 октября 2026 года.

• Гарантировано на уровне пикселей — ничего. Ваш ориентир — это контекстные токены и визуальный префикс; цель — шум. Любая часть входных данных, которую ваш промпт ни затрагивает, ни подразумевает, может свободно измениться, и никакая настройка в конвейере не удерживает её на месте. Если деталь не должна смещаться, назовите её в промпте, потому что больше ничего этого не сделает.

• Метки проникают во входные данные — в документированном рабочем процессе редактирования ComfyUI мазки инструмента paint-pen ложатся на RGB-слой изображения, а не в маску, поэтому при сохранении изображение с метками записывается обратно в узел, и метки становятся частью референса, который считывает модель. Оставляйте метку внутри области, которую нужно изменить, и указывайте нужный цвет также в промпте, иначе цвет метки может проявиться в результате.

• Несовпадающий холст сдвигает результат — документация ComfyUI советует держать пользовательский холст близким к размеру первого референсного изображения после изменения размера, «иначе правка может сместиться». Входные данные, форма которых отличается от заданного вами холста, не вписываются с чёрными полосами — они смещаются.

• Детерминизм требует двух настроек, а не одной — переключение use_kv_cache в пайплайне 2.1 меняет результат при фиксированном seed, потому что кэш заставляет шаг декодирования работать с иной структурой последовательности, чем шаг префилла, так что эти два режима «дают одинаково валидные, но заметно различающиеся результаты». Сам пайплайн советует зафиксировать этот флаг. В ComfyUI аналогичный параметр — точность хранения узла кэша, где — по собственным данным ComfyUI, не подтверждённым аудитом — int8 уменьшает кэш вдвое при точности порядка bf16, а int4 сокращает его вчетверо, примерно удваивая ошибку на каждом шаге.

Где i2i — неподходящий инструмент

Пять случаев, в каждом из которых названа альтернатива.

• Вы можете точно указать, что именно нужно изменить. Используйте путь инструкций в Qwen-Image-2.1 — закрасьте или обведите область, либо передайте отдельную маску в качестве второго входа — или специализированный чекпойнт из линейки Qwen-Image-Edit. i2i перерисует кадр вокруг вашей цели вместе с самой целью.

• Вам нужно, чтобы исходные пиксели сохранились. i2i создаёт новое изображение; оно не сохраняет ни одного. Путь с маской — это тот, который создан, чтобы не трогать остальную часть кадра.

• Вам нужно 4K. Выше обученного размера 2K модель теряет следование промпту — согласно документации ComfyUI. i2i в 4K — это более медленный прогон, который меньше следует вашему описанию, а не более резкий.

• Вам нужно, чтобы мелкие детали входного изображения были воспроизведены. Изображение-условие сначала масштабируется примерно до бюджета в один мегапиксель, поэтому референс в 12 мегапикселей никогда не доходит до модели в полном разрешении. Детали, меньшие этого бюджета, исчезают ещё до начала удаления шума.

• Нужен повторный запуск, побитово идентичный предыдущему. Зафиксируйте флаг KV-кэша и seed и меняйте по одной настройке за раз — иначе вы сравниваете два разных сэмплера и называете это шумом.

Одна перекрёстная ссылка, потому что это обязательно всплывёт: чекпойнт Turbo, выпущенный 9 октября 2026 года, использует ту же архитектуру визуальной генерации 7B и тот же путь обусловливания изображением, и выполняет расписание за 8 шагов денойзинга вместо примерно 40. В том, как используется ваше входное изображение, между ними ничего не меняется. Если вам нужен путь i2i на скорости, загружать нужно именно этот чекпойнт; если вы отлаживаете, почему ваш референс игнорируется, то количество шагов — не та переменная.

Что делать дальше

Начните с собственного Quick Start производителя на карточке модели, а не с руководства, и прочитайте список аргументов примера редактирования: он передаёт image=input_image, задаёт num_inference_steps, и нигде нет аргумента strength. Именно в этом отсутствии весь смысл этой страницы, и увидеть это в коде производителя быстрее, чем поверить в краткое изложение.

Оттуда установите output_resolution в размер, который вам действительно нужен, прежде чем судить о сходстве, по возможности держите холст на нативных пресетах 2K и пишите промпт так, как будто референс — это фотография, лежащая рядом с промптом, а не тензор латентов, который частично деноизируется, — потому что на этой модели это именно так. И если после трёх попыток вам захочется сказать «измените только это, оставьте всё остальное», остановитесь. Эта фраза — ваш сигнал, что i2i — неправильный путь, а режим редактирования — это то, что нужно.