Рабочий процесс Qwen-Image-2.1: цепочка узлов, регуляторы и что изменилось с нулевого дня

Что вы получите с этой страницы — это Qwen-Image-2.1 граф, который можно собрать с нуля и воспроизвести — цепочку узлов под теми именами, которые реально используют загрузчики, те четыре-пять регуляторов, что решают, окажется ли вывод тем, о чём вы просили, и две настройки, которые люди меняют, не зная, что тем самым изменили расписание шума. Сама модель — это выпущенное вендором унифицированное решение для генерации изображений по тексту и их редактирования, открытое 20 сентября 2026 года под исследовательской лицензией: 7B параметров в компоненте визуальной генерации, 32 слоя DiT с одним потоком, 64-канальный RGBA VAE с 16-кратным пространственным сжатием и до десяти референсных изображений на пути редактирования. Эта дата здесь для того, чтобы сказать вам, какой чекпоинт вы подключаете, а не для того, чтобы что-то анонсировать. Предмет рассмотрения — граф, и у графа есть история ревизий, которую стоит прочитать, прежде чем доверять чьему-то скриншоту: шаблон, который поставляется сегодня, — не тот шаблон, что был в день ноль, и четыре из различий — это ровно то, в чём читатель ошибается.

Какой график описывается на этой странице?

Всё ниже взято из репозитория шаблонов рабочих процессов ComfyUI Comfy-Org/workflow_templates, в редакции, актуальной на 13 октября 2026 года, работающей на стабильной версии ComfyUI v0.39.0 (выпущена 5 октября 2026 года). Имена узлов — это отображаемые имена, которые загрузчики используют в графе; если узел был добавлен или переименован между ревизиями, приводится его имя. Путь к этим файлам — собственная страница руководства ComfyUI по Qwen-Image-2.1 — в ней есть три шаблона, и эта страница следует за шаблоном текст-в-изображение, а затем видоизменяет его.

Три шаблона — это Qwen-Image-2.1 Text to Image, Qwen-Image-2.1 Image Edit и Remove Background: Qwen-Image-2.1. Последний не является отдельным графом: в документации ComfyUI сказано, что он повторно использует тот же подграф редактирования изображения с промптом «Remove the background, and output a PNG image». Так что изучать нужно два графа, и один из них — это шаблон промпта, надстроенный над другим.

Цепочка узлов, по порядку

Шаблон «текст-в-изображение» — это подграф: один сворачиваемый узел на холсте с восемнадцатью открытыми входами, оборачивающий цепочку из тринадцати узлов. Внутри него порядок такой:

• UNETLoader — загружает qwen_image_2.1_int8_convrot.safetensors при этом dtype весов оставлен на значении по умолчанию. Это диффузионная модель, и файл, который вы здесь выберете, — первое, что определяет, совпадёт ли ваш запуск с чьим-либо ещё.

• Qwen Image 2.1 Cache — находится между загрузчиком и сэмплером. В текущем шаблоне он не опционален, но его можно обойти (bypass), и это тот узел, который чаще всего отсутствует в графе, скачанном вами в первую неделю.

• KSampler — получает модель из узла кэша, положительное и отрицательное кондиционирование из текстового энкодера и пустой латент. Его виджеты в поставляемом шаблоне выглядят так: seed 0, control fixed, steps 25, cfg 1, sampler euler, scheduler simple, denoise 1.

• EmptyLatentImage — ширина и высота поступают из узла Resolution Selector, который находится вне подграфа, а его третий вход, размер пакета, задаётся равным 1.

• VAEDecode → SaveImageAdvanced — декодер передаёт пиксели узлу сохранения, префикс имени файла которого — Qwen_image_2.1, а формат поставляется как PNG, 8 бит, sRGB. PNG здесь не для красоты: VAE несёт четыре канала, поэтому именно 8-битный PNG сохраняет альфа-канал в целости по пути на диск.

• CLIPLoader — загружает qwen3vl_8b_int8_convrot.safetensors с типом, установленным в qwen_image. Qwen3-VL 8B — это текстовый энкодер, а также компонент зрения, который считывает ваши референсные изображения.

• Text Encode Qwen Image 2.1 (id узла TextEncodeQwenImage21) — задаёт conditioning промпта. Он принимает clip, промпт, негативный промпт, необязательный VAE, разрешение в виде целого числа и автоматически расширяемый набор слотов изображений с именами image_1 – image_16. Он возвращает три вещи: позитивный conditioning, негативный conditioning и латент. Именно этот латент многие упускают из виду — это пустой латент, размер которого соответствует первому референсному изображению, и в графе «текст-в-изображение» он не используется, потому что пустой латент вместо него берётся из Resolution Selector.

• VAELoader — qwen_image_2.1_vae_bf16.safetensors, подаётся как в декодер, так и в путь опорного изображения текстового энкодера.

Необязательная ветвь — последняя деталь. Второй CLIPLoader загружает qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors с типом, установленным в stable_diffusion — не qwen_image, и это различие намеренное, поскольку это чекпоинт для генерации текста, а не визуальный энкодер. Он подаётся на Generate Text, вывод которого проходит через Preview Any в положительный промпт сэмплера, переключаемый с помощью ComfySwitchNode, подключённого к входу refine_prompt. Узел Primitive String (Multiline) хранит системный промпт, которому следует перезапись, и вы можете прочитать и отредактировать его.

Посчитайте цепочку — и получится шесть узлов реальной работы: загрузить диффузионную модель, загрузить текстовый энкодер, загрузить VAE, закодировать промпт, выполнить сэмплирование из пустого латента, декодировать и сохранить. Всё остальное в шаблоне — это память или удобство.

Что изменилось между графиком нулевого дня и этим?

Это стоит знать, прежде чем копировать воркфлоу со скриншота из руководства, потому что шаблоны Qwen-Image-2.1 редактировали пять раз после того, как они впервые появились, и эти правки не косметические.

• 20 сентября 2026 г. — первый шаблон. Коммит 96309bd530, «Добавлен шаблон Qwen Image 2.1». Семь узлов в подграфе преобразования текста в изображение: загрузчики, энкодер, пустой латент, сэмплер, декодер. Загрузчик CLIP был настроен на текстовый энкодер bfloat16, qwen3vl_8b_bf16.safetensors — файл размером 16,33 ГБ.

• 20 сентября 2026 года, позже в тот же день. Коммит 371a7b7171 переключил тот загрузчик на qwen3vl_8b_int8_convrot.safetensors — файл размером 8,71 ГБ — с сообщением «Switch Qwen Image 2.1 CLIP to int8 convrot». В примечании самого шаблона он помечен как «загружается шаблонами, меньше памяти». Рабочий процесс, собранный на основе утреннего файла, и тот, что собран на основе вечернего, — это не один и тот же рабочий процесс.

• 25 сентября 2026 г. Узел Qwen Image 2.1 Cache впервые появился в графе вместе со всей ветвью улучшения промпта — вторым загрузчиком CLIP, Generate Text, Preview Any, переключателем, узлом системного промпта. До этой даты не было ни узла кэша, который нужно было бы задать, ни шага перезаписи, который можно было бы отключить. Шаблон редактирования изображений получил соответствующие входы в тот же день. Заметка о преобразовании текста в изображение также получила в этой редакции и строку о 4 мегапикселях, и обёртку промпта для прозрачных изображений.

• 28 сентября 2026 г. В примечания к загрузке были добавлены размеры файлов — это изменение в документации, а не в графике, но именно оттуда берутся те числа, с которыми читатель сверяется в своём менеджере загрузок.

• 30 сентября 2026 г. Коммит 9fae1041be, «Qwen Image 2.1: обновление настроек PE» — последний раз, когда вообще трогали любой из шаблонов 2.1. Это тот случай, который значит больше всего и заметен меньше всего. На узле Generate Text изменились три значения: бюджет токенов max_length снижен с 16256 до 4096, штраф за повторы — с 1.05 до 1.0, а thinking переключён с off на on, и в примечании к самому узлу теперь сказано, что чекпойнт «обучался с блоком рассуждений и теряет качество без него». В примечаниях к шаблону прежние значения названы официальными и сказано, что ограничение введено, чтобы «одна перезапись не могла длиться много минут».

Чтонеизменилось — это полезная половина всего этого. Блок сэмплинга побайтово идентичен между шаблоном нулевого дня и сегодняшним: шагов 25, cfg 1, euler, simple, denoise 1, управление seed фиксировано, пустой латент на выходе Resolution Selector, размер батча 1. Граф никогда не исправляли, перемещая сэмплер. Его исправили, изменив, какой файл текст-энкодера загружается, добавив узел кэша и исправив собственные настройки промпт-энхансера.

Ещё один слой лежит под графом. Ядро ComfyUI продолжало меняться после того, как шаблоны устоялись: v0.38.0 от 29 сентября улучшила логику размещения KV-кэша Qwen 2.1, а в v0.39.0 от 5 октября появилось «Исправлено падение при выборе кэша int8 или int4 в qwen image 2.1». Если ваш граф — сегодняшний, а ваша сборка старше этого, выпадающий список кэша — это не медленная опция, а падение.

Циферблаты, которые читатель, скорее всего, прочтёт неправильно

Начните с того, что документация прямо утверждает, потому что это устраняет большую часть догадок. Все три рабочих процесса Qwen-Image-2.1 сэмплируют с 25 шагами, cfg 1, сэмплером euler и планировщиком simple. Это собственная сводка ComfyUI, и она в точности совпадает с поставляемыми виджетами.

Сложность в том, что 25 и 40 — оба являются правильными ответами на разные вопросы. В собственной карточке модели от вендора конвейер diffusers запускается с num_inference_steps=40, и значение по умолчанию для конвейера diffusers тоже равно 40; документация ComfyUI говорит, что опубликованный конвейер «использует около 40–50 шагов с семплером euler, а шаблон начинается с меньшего значения — 25». Ни одно из этих чисел не является ошибкой. Это значение по умолчанию для графа и эталонный прогон.

• Шаги — направление и компромисс. Меньше — быстрее, и, согласно документации ComfyUI, качество держится по-разному в зависимости от задачи: простые локальные правки держатся на 4–8 шагах, «тогда как правки, переписывающие весь кадр, теряют связность и требуют все 25». Упорные мелкие детали, такие как кисти рук и пальцы, «устаканиваются примерно к 30 шагам», а переход с 25 на 40 уменьшает размывание в детализированных областях. Направление монотонно, а компромисс линеен: совет из документации — регулировать число шагов только тогда, когда что-то конкретное не прорисовывается, а не повышать их на всякий случай.

• Guidance — при cfg 1 управление отключено, и это опубликованный режим. При cfg 1 ComfyUI пропускает проход негативного кондиционирования, поэтому негативный промпт не оказывает никакого эффекта. Шаблон сохраняет cfg 1, «для которого публикуется Qwen-Image-2.1»; пайплайн diffusers говорит то же самое своими словами, устанавливая true_cfg_scale по умолчанию в 1.0, потому что «Qwen-Image 2.1 предназначена для сэмплирования без управления». Повышайте его только тогда, когда вы действительно хотите, чтобы негативный промпт начал действовать, и знайте цену: cfg 2 точнее следует за плотными промптами, включая мелкий текст и цифры, «ценой чрезмерно резких краёв»; более высокие значения смещают экспозицию в сторону пересвета или недосвета; cfg 5 сильно ухудшает качество; cfg 0.5 ломает изображение. Инструкция ComfyUI — менять по одному значению за раз и сравнивать при фиксированном seed.

• Разрешение — это целевое значение в мегапикселях, а не прямоугольник. Нода Resolution Selector задаёт соотношение сторон и бюджет в мегапикселях, где 1,0 МП — это примерно 1024x1024. Qwen-Image-2.1 генерирует нативно в 2K, поэтому целевое значение для квадрата 2048x2048 составляет около 4,0 МП. Модель хочет значения, кратные 32, — во всплывающей подсказке у входа resolution текстового энкодера сказано, что референсы масштабируются примерно до resolution x resolution пикселей с кратностью 32 и с сохранением соотношения сторон, а собственный помощник пайплайна по размерностям тоже округляет до 32. В карточке модели от вендора опубликованы пресеты 2K: 1:1 при 2048x2048, 4:3 при 2400x1792, 3:4 при 1792x2400, 3:2 при 2528x1696, 2:3 при 1696x2528, 16:9 при 2752x1536, 9:16 при 1536x2752.

• Превышение 2K снижает следование промпту, а не резкость. Целевые разрешения, значительно превышающие обученный размер модели в 2K, например 4K, приводят к потере следования промпту. Это задокументированное поведение, а не вывод из архитектуры.

• Тот, что действительно контринтуитивен: разрешение ещё и сдвигает расписание шума. Qwen-Image-2.1 выполняет сэмплирование с flow-matching Euler-планировщиком, у которого сдвиг временного шага динамический, и пайплайн вычисляет этот сдвиг из длины латентной последовательности — то есть из того, сколько токенов порождает выбранное вами разрешение. Конфиг планировщика в чекпоинте задаёт base_shift 0.5 и max_shift 0.9 в диапазоне длин последовательности изображения от 256 до 8192, и пайплайн при каждом вызове подставляет длину последовательности вашего запуска в эту формулу. Поэтому смена холста меняет расписание сэмплера, а не только кадр. В шаблоне ComfyUI нет никакого элемента управления сдвигом — входы KSampler: model, positive, negative, latent image, seed, steps, cfg, sampler name и scheduler, и это весь список. Если ваши результаты при 4 МП выглядят не так, как при 1 МП, и это нельзя объяснить одной лишь детализацией — вот почему.

• На графе редактирования разрешение ведёт себя иначе и является самым дорогим значением по умолчанию.Если custom_size выключен — значение по умолчанию в шаблоне — правка генерируется в размере первого референсного изображения. resolution 0 сохраняет каждое референсное изображение в его собственном размере в пикселях, округлённом до числа, кратного 32, поэтому фото 3000x4000 создаёт холст 3008x4000. Значение выше 0 вместо этого масштабирует соотношение сторон этого изображения до бюджета в resolution x resolution пикселей — общее количество пикселей, а не ширина. Собственный пример затрат ComfyUI, измеренный на RTX 5090: референс 3000x4000 при resolution 0 — около 6 секунд на итерацию; та же правка при resolution 1024 — около 0,3 секунды на итерацию, при примерно 896x1184. Включите custom_size и возьмите холст из Resolution Selector, и держите его близко к изменённому размеру первого изображения, «иначе правка может сместиться».

Детерминизм: что фиксирует seed, а что — нет

Фиксированный сид необходим, но недостаточен, и поставляемые шаблоны противоречат друг другу на этот счёт. KSampler для текст-в-изображение поставляется с управлением фиксированный; оба шаблона редактирования — редактирование изображения и удаление фона — поставляются с управлением случайный. Тот же сэмплер, те же значения по умолчанию, противоположное поведение при повторной постановке в очередь.

Предположим, сид зафиксирован. Вот что всё ещё меняет изображение:

• KV-кэш. Это самое важное, и оно задокументировано, а не является фольклором. Qwen-Image-2.1 кэширует ключи и значения текста и референсного изображения после первого шага; исходный код пайплайна объясняет, что это допустимо, поскольку токены обусловливания не зависят от шага при причинном обусловливании модели. Затем там говорится то, что важно для любого, кто пытается воспроизвести изображение: переключение кэша «не воспроизводит одно и то же изображение побитово при пониженной точности», потому что на шаге декодирования attention выполняется с другой раскладкой последовательности, чем на шаге предзаполнения, эти два этапа по-разному разбиваются на тайлы и попадают на разные округления — а разница в один ULP в первом блоке усиливается 32 блоками и каждым шагом сэмплера, так что «эти два режима дают одинаково валидные, но визуально различные сэмплы». В самом исходном коде указано: чтобы зафиксировать сэмпл, зафиксируйте этот флаг. В ComfyUI этот флаг находится на Qwen Image 2.1 Cache, в виде device (auto, gpu, cpu, off) и dtype (default, int8, int4).

• Собственная история релизов узла кэша. Он не существовал до 25 сентября 2026 года, поэтому у рабочего процесса, созданного в нулевой день, нет такой настройки, и он ведёт себя не так, как сегодняшний. А off — единственная настройка, которая исключает кэш, — «пересчитывает префикс на каждом шаге, что медленнее, но это единственный способ исключить кэш».

• Какие файлы модели. Шаблон загружает диффузионную модель в int8 и текстовый энкодер в int8. Замените любой из них на файл bf16 — и вы измените саму арифметику. В примечаниях к загрузке перечислены оба варианта с их размерами именно потому, что выбор здесь реален.

• Усилитель промпта, если он включён. При включённом refine_prompt модель изображения сэмплирует из переписанного промпта, а не из того, что вы ввели, — а перезапись генерируется отдельным узлом Generate Text с собственными параметрами сэмплирования: temperature 1.0, top_k 20, top_p 0.95, собственным полем seed и max_length бюджетом токенов. Ваш seed KSampler не охватывает ничего из этого. Узел Preview Any внутри подграфа показывает промпт, который фактически дошёл до модели изображения, и это единственный способ узнать, что именно вы только что воспроизвели.

• Сборка ComfyUI. Шаблоны несут собственное предупреждение: отсутствующие узлы при загрузке рабочего процесса обычно означают, что сборка вышла раньше этих узлов, а Desktop и Cloud следуют стабильным релизам и могут отставать от nightly-сборки.

Так что воспроизвести чужое изображение из Qwen-Image-2.1 — это не подмена seed. Это ревизия шаблона, два файла моделей, настройка разрешения, steps, cfg, sampler, scheduler, устройство и dtype кэша, состояние вкл./выкл. enhancer и его собственный seed — а для графа редактирования ещё и размер первого референсного изображения. ComfyUI не даёт никаких гарантий воспроизводимости по seed для этих workflow, а в исходном коде diffusers прямо сказано, что переключение кэша меняет sample; считайте точное совпадение тем, что вы собираете намеренно, а не тем, что выдаёт вам seed.

Больше одного, и куда уходит память

В поставляемой конфигурации граф создаёт одно изображение за запуск, а параметр для изменения этого прозаичен: EmptyLatentImage — третий вход узла, размер пакета, установленный в 1. Именно его увеличение заставляет сэмплер выдавать несколько изображений из одной очереди.

А вот сколько это стоит — здесь и начинается честный разговор. Шаблоны точно указывают, где живёт кэш — auto использует свободную VRAM, а затем системную RAM; cpu выполняет предвыборку в фоне вычислений, и документация описывает это как почти не влияющее на скорость; off пересчитывает префикс на каждом шаге и работает медленнее. Они дают количественные оценки по части точности: int8 уменьшает кэш вдвое при точности примерно как у bf16, а int4 уменьшает его вчетверо, но примерно удваивает ошибку на шаге. Чего они не публикуют, так это таблицу соответствия размера батча объёму VRAM, и документация ComfyUI тоже. Если вы подбираете размер батча под видеокарту, честный ответ: ни одна официальная цифра от разработчиков этого не покрывает; рычаги с опубликованным эффектом — это устройство кэша и dtype, а также целевое разрешение, которое увеличивает и количество латентов, и кэшированный префикс.

Две ловушки батчинга находятся по другую сторону забора — в пайплайне diffusers, и об обеих стоит знать, потому что граф ComfyUI их скрывает. Там num_images_per_prompt умножает батч, и если вы передаёте список генераторов, его длина должна точно совпадать с эффективным размером батча, иначе пайплайн выбрасывает ошибку. А список изображений-условий — это «один набор изображений, общий для каждого промпта в батче, а не по одной записи на промпт» — вы не можете дать каждому промпту в батче собственное референсное изображение; инструкция источника — вместо этого вызывать пайплайн по одному разу на промпт. У подграфа редактирования такое же по форме ограничение в другом месте: его BatchImagesNode объединяет до десяти референсных изображений в батч, отправляя их в текстовый энкодер, — это батчинг входов, а не выходов. Десять референсов не дают вам десяти картинок.

Изображение в изображение из того же графа

Для этого не нужен другой граф. Шаблон редактирования изображений — это цепочка текст-в-изображение, в которой пустой латент заменён на латентный выход текстового энкодера, два LoadImage-узла, которые подают image_1 и image_2 в слоты референсов подграфа, и ImageCompare — узел в конце, чтобы вы видели вход рядом с выходом. Поместите одно изображение в image_1, оставьте image_2 пустым, напишите инструкцию — и это изображение-в-изображение: ваше изображение — это контекст, который читает модель, а не стартовый латент, который она частично денойзит. На этом пути нет ползунка strength или denoise, который нужно настраивать, потому что целевое изображение начинается с шума, а ваш референс поступает через энкодер и VAE вместо этого.

Вот где проходит граница — по одному предложению для каждого из них, потому что эти двое отличаются лишь одним поисковым запросом, и люди хватаются не за то, что нужно.

• Image-to-image — это когда вам нужна вариация: вы даёте модели изображение и описание, а она рисует новую картинку, похожую на вашу, на выбранном вами холсте.

• Редактирование — это когда вы хотите что-то изменить: вы передаёте модели изображение и инструкцию, указывающую, что должно отличаться, а также, при желании, маску или нарисованные метки, и модель сохраняет остальную часть кадра.

Выдающая деталь — в предложении, которое вы вот-вот наберёте. «Сделай, чтобы это выглядело так же, но ночью» — это i2i; «поменяй куртку на красную, всё остальное оставь» — это правка, а на этом графе путь правки — это то место, где живут маски, десять слотов для референсов и поведение локальной правки. Тот соседний вопрос — тема другой страницы, а этот останавливается на этой границе, чтобы вы могли понять, на каком из них вы находитесь.

Турбо-чекпоинт, в одном абзаце

Одна перекрёстная ссылка — потому что вариант написания с «turbo» встречается внутри этого семейства запросов, и читатель с ним столкнётся. Qwen-Image-2.1-Turbo — это отдельный 8-шаговый чекпойнт той же 7B-архитектуры визуальной генерации, выпущенный 9 октября 2026 года и загружаемый тем же QwenImage21Pipeline. В его собственной карточке модели сказано, что чекпойнт «включает рекомендуемое расписание сэмплирования, поэтому его можно использовать без ручной настройки планировщика», что при генерации по умолчанию используется CFG 1, и что установка одного лишь num_inference_steps не переопределяет сохранённое расписание — а вот явно переданный во время вызова аргумент sigmas — переопределяет. Ничто из этого не меняет цепочку узлов на этой странице: те же загрузчики, тот же энкодер, тот же узел сэмплера. Меняется лишь то, откуда берётся расписание, — и это единственное, что стоит проверить в вашем графе, прежде чем сравнивать запуск turbo с запуском базовой модели и делать вывод, что модель стала хуже.

Что делать дальше — на графике

Загрузите шаблон из библиотеки шаблонов ComfyUI, а не со скриншота, затем изучите четыре узла, прежде чем что-либо ставить в очередь. На Resolution Selector, задайте то соотношение сторон, которое вам действительно нужно, и, если вам нужен нативный 2K модели, целевые 4.0 MP. На KSampler, убедитесь, что control установлен в fixed, если вы собираетесь воспроизводить запуск, и оставьте steps на 25, а cfg на 1, пока что-то конкретное не сломается. На Qwen Image 2.1 Cache, решите device и dtype сейчас и запишите их, потому что позже их изменить нельзя, и нельзя сравнивать два изображения так, будто изменился только промпт. А на узле Generate Text оставьте refine_prompt выключенным, пока у вас не появится базовый вариант, который вам нравится, — затем включите его, прочитайте переписанный вариант в Preview Any, и оставьте тот же seed, что и был, чтобы сравнение что-то значило.