Qwen-Image-Edit: линия редактирования, чекпойнт за чекпойнтом

Это справочная страница для линейки Qwen-Image-Edit — редактора изображений, следующего инструкциям, а не генератора текст-в-изображение, вместе с которым он создавался. В линейке ровно три опубликованных чекпоинта: Qwen-Image-Edit, выпущенный 17 августа 2025 года и построенный на 20B Qwen-Image; Qwen-Image-Edit-2509 — ежемесячная итерация, опубликованная 22 сентября 2025 года; и Qwen-Image-Edit-2511, опубликованный 17 декабря 2025 года как улучшенная версия 2509. Всё на этой странице сосредоточено на самом последнем из этих трёх, и каждый раз указывается, к какому чекпоинту относится то или иное утверждение. Есть ещё одна вещь, которую стоит назвать сразу, потому что это ответ на вопрос, который большинство людей на самом деле задают: Qwen-Image-2.1 — это унифицированная модель текст-в-изображение и редактирования изображений с компонентом визуальной генерации на 7B, а Qwen-Image-2.1-Turbo — та же модель в виде ускоренного чекпоинта с 8 шагами. Ни одна из них не входит в линейку для редактирования, и именно это различие и есть причина существования этой страницы.

Qwen-Image против Qwen-Image-Edit

Если вы искали разницу между Qwen-Image и Qwen-Image-Edit, вы спрашивали, какая из двух вещей находится перед вами. Ответ однозначен, и его стоит сказать прямо, потому что эти две вещи не взаимозаменяемы, а имена файлов не помогут их различить.

• Qwen-Image — модель преобразования текста в изображение. Вы даёте ей слова — она возвращает вам картинку. Это модель, на основе которой был создан Qwen-Image-Edit. В собственной карточке оригинального чекпоинта для редактирования она описывается как «версия Qwen-Image для редактирования изображений», построенная на базе 20B-модели Qwen-Image, что и обеспечивает наследование возможностей Qwen-Image по отрисовке текста.

• Qwen-Image-Edit — модель преобразования изображения в изображение. Вы передаёте ей картинку и текст, а она возвращает вам изменённую версию этой картинки. Карточка первого чекпоинта относит её к pipeline_tag: image-to-image. Вы не можете попросить у неё картинку из ниоткуда; исходное изображение обязательно.

• Механизм, благодаря которому редактирование работает иначе — у генератора один входной путь (текст), а у редактора их три. В карточке оригинального чекпоинта описывается подача входного изображения одновременно в Qwen2.5-VL для визуально-семантического управления и в энкодер VAE для управления визуальной внешностью. Именно этого второго пути у модели текст-в-изображение структурно нет: редактору не сообщают о вашем изображении словами — он смотрит на латенты вашего изображения.

• Где две линейки снова сходятся — Qwen-Image-2.1 описывается на своей собственной карточке как «унифицированная модель генерации изображений по тексту и редактирования изображений». Это иной архитектурный ответ на тот же вопрос: вместо чекпоинта для редактирования, прикрученного к генератору, одна модель делает и то, и другое. В его примере редактирования аргумент image=передаётся в пайплайн, который вы также используете для генерации изображений по тексту. Если вы пытаетесь понять, к какому семейству относится ваша модель, быстрее всего подскажет имя чекпоинта: имя из серии Qwen-Image-Edit… — это линейка для редактирования, а имя из серии Qwen-Image-2.1… — это унифицированная модель.

Ничто здесь не является рекомендацией в пользу одного из них. Это разные ответы на разные ответы, а остальная часть этой страницы посвящена первому из них.

Следование инструкциям: что оно меняет, а что оставляет без изменений

Это тот вопрос, который, как показывает поисковый спрос, люди действительно набирают, и он заслуживает прямого ответа, а не списка функций. У честного ответа есть две половины, и только одна из них приятна.

Начните с той половины, которая встроена в дизайн модели, потому что она объясняет большинство сообщений в духе «изменилось больше, чем я просил». В исходной карточке Qwen-Image-Edit проводится разграничение между двумя режимами, и только один из них обещает, что хоть что-то будет сохранено.

• Редактирование внешнего вида — низкоуровневая визуальная работа, такая как добавление, удаление или изменение отдельных элементов. Согласно формулировке самой карточки, это требует, чтобы «все остальные области изображения оставались полностью неизменными». Именно этот режим соответствует тому, что большинство людей подразумевает под редактированием.

• Семантическое редактирование — высокоуровневая работа, такая как создание IP, поворот объекта и перенос стиля. Здесь карточка утверждает обратное: она «допускает общие изменения пикселей при сохранении семантической согласованности». Собственный наглядный пример этого от поставщика — маскот-капибара, перерисованный в разных стилях, где в карточке отмечается, что «большинство пикселей в отредактированном изображении отличаются от пикселей входного изображения», при этом согласованность персонажа сохраняется.

Этот второй режим — не баг, и в карточке он не представлен как таковой. Но именно поэтому запрос вроде «сделай так, чтобы это выглядело как фильм Ghibli» может с полным основанием вернуться изображением, которое почти не имеет общих пикселей с вашим исходником. Если вы хотели изменить только небо, вы не запрашивали семантическое редактирование. Воспринимайте это как описания предполагаемого поведения, сообщённые поставщиком, а не как измерения — в карточке они заявлены как дизайн, и ни одна из сторон не опубликовала, как часто каждый режим оправдывает своё обещание.

Теперь менее приятная половина. Сам проект этой линейки на раннем этапе признал проблемы со следованием инструкциям — в собственных заметках. В заметках репозитория Qwen-Image к исходному чекпоинту, датированных 19 августа 2025 года, отмечаются «несоответствия производительности» в первом выпуске и особо выделяются сохранение идентичности и следование инструкциям, а пользователей направляют к обновлённой сборке Diffusers. Это признание производителя о собственной модели — а это едва ли не самое прямое из возможных доказательств в вопросе соблюдения инструкций, — и касается оно чекпоинта августа 2025 года, а не 2511.

Собственный разобранный вендором пример сложного случая поучительнее любого заявления. В пошаговом описании цепного редактирования в исходной карточке каллиграфическое изображение, сгенерированное Qwen-Image, содержит ошибки в иероглифах, и редактору предлагается исправить 稽 внутри нарисованной красной рамки и 亭 внутри синей. В карточке сообщается, что 稽 — редкий иероглиф — не исправляется правильно за один шаг: нижний правый компонент должен быть 旨, а получается 日. Только после того, как вокруг области с 日 вплотную рисуют ещё одну красную рамку, модель выдаёт правильный компонент. Отсюда следуют две вещи, и вендор утверждает обе: ограничивающие рамки на исходном изображении — это реальный механизм управления, и одного шага коррекции в рамке не всегда достаточно. Это заявленный вендором сбой и заявленное вендором исправление на выбранном вендором примере — именно так и должны выглядеть подобные свидетельства.

В карточках категории описаны как рабочие, причём каждая — как заявление производителя, а не как измеренный результат:

• Поэлементные правки с сохранением — добавление вывески в сцену (в исходной карточке отмечено, что модель также сгенерировала соответствующее отражение), удаление тонких прядей волос и мелких объектов, перекрашивание одной буквы на изображении.

• Редактирование двуязычного текста — добавление, удаление и изменение китайского и английского текста на изображении с сохранением исходного шрифта, размера и стиля. Карта 2509 расширяет это до редактирования типа шрифта, цвета и материала, а оригинальная карта показывает редактирование китайского плаката вплоть до мелкого и сложного текста.

• Согласованность идентичности и персонажа — В карточке 2509 сообщается об улучшенном сохранении идентичности лица, поддерживающем преобразования позы и портретные стили; в карточке 2511 сообщается о дальнейших улучшениях для групповых фотографий с несколькими людьми и при объединении двух отдельных изображений людей в один целостный групповой снимок.

• Синтез новых ракурсов и поворот объекта — на исходной карточке показан поворот объекта на 90 градусов и полный поворот на 180 градусов, что явно относит это к семантическому редактированию, где ожидается изменение пикселей всего кадра.

• Работа с продуктом — карта 2509 сообщает о создании постеров продуктов из изображений продуктов на простом фоне, а также о создании логотипов. Карта 2511 добавляет пакетный промышленный дизайн продуктов и замену материалов для промышленных компонентов.

• Кондиционирование в стиле ControlNet — карточка 2509 сообщает о нативной поддержке карт глубины, краёв и ключевых точек, а также набросков, включая использование карты ключевых точек для изменения позы человека.

• Из руководства — в карточке 2509 сообщается, что редактирование с несколькими изображениями работает за счёт конкатенации изображений по схемам «человек + человек», «человек + продукт» и «человек + сцена», а также указывается, что оптимальная производительность в настоящее время достигается при 1–3 входных изображениях. Эта верхняя граница — рекомендация производителя, а не жёсткое ограничение, и она указана для 2509.

• Новые возможности в 2511 — в карточке перечислены смягчение дрейфа изображения, интеграция избранных популярных LoRAs сообщества непосредственно в базовую модель, улучшенная генерация промышленного дизайна и усиленное геометрическое рассуждение, с примером генерации вспомогательных линий построения для аннотирования дизайна.

Контрольные точки, имена и турбо-путь

Вот где много поискового трафика идёт не так, поэтому стоит быть точным. Собственный список организации, выпустившей модель, на Hugging Face содержит три, и только три, репозитория в линейке edit. Это негативный вывод, установленный прямым зондированием: три реальных репозитория разрешаются, а набор правдоподобно выглядящих имён из того же семейства — включая Qwen/Qwen-Image-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, и оба Qwen/Qwen-Image-2.1-Edit и Qwen/Qwen-Image-Max-2512 — не разрешаются при идентичных условиях. Что бы эти имена ни обозначали, они не являются опубликованными чекпоинтами собственной организации, выпустившей модель, и эта страница не будет гадать, чем они являются.

Три, которые существуют:

• Qwen-Image-Edit — оригинал, 17 августа 2025, Apache-2.0, заявлен как image-to-image. Загружается с помощью QwenImageEditPipeline. В его собственном быстром старте используются true_cfg_scale=4.0, negative_prompt=" " и num_inference_steps=50.

• Qwen-Image-Edit-2509 — 22 сентября 2025, Apache-2.0, в описании на его карточке указано: «ежемесячная итерация Qwen-Image-Edit». Загружается с помощью QwenImageEditPlusPipeline; в его руководстве по быстрому старту используются true_cfg_scale=4.0, num_inference_steps=40 и guidance_scale=1.0. Это тот самый чекпоинт, в котором появились поддержка нескольких входных изображений, более серьёзная работа над согласованностью и нативная поддержка ControlNet.

• Qwen-Image-Edit-2511 — 17 декабря 2025 г., Apache-2.0, на своей карточке описывается как «улучшенная версия Qwen-Image-Edit-2509 с множеством улучшений, в том числе с заметно лучшей согласованностью». Он также загружается с QwenImageEditPlusPipeline при тех же настройках сэмплирования, что и 2509. Если у вас нет других ограничений, это новейший чекпоинт в линейке редактирования.

То, какая версия, скорее всего, есть у читателя, зависит от того, где он с ней столкнулся. Все, кто пользуется облачной функцией редактирования изображений, скорее всего, работают с 2511 или 2509. Все, кто скачал чекпойнт год назад и с тех пор его не трогал, скорее всего, используют оригинальную версию, а важные для них различия — это согласованность и работа с несколькими изображениями, добавленные в 2509, а не изменение того, как работает редактирование.

Теперь вопрос о turbo, сформулированный точно, потому что название провоцирует неверное предположение. Qwen-Image-2.1-Turbo не является turbo-чекпоинтом для редактирования. В его карточке он описывается как «ускоренный чекпоинт Qwen-Image-2.1 для генерации изображений по тексту и редактирования изображений с 8 шагами денойзинга», использующий ту же 7B-архитектуру визуальной генерации и загружающийся напрямую с помощью QwenImage21Pipeline. Таким образом, ускоренный путь для редактирования — это ускоренный путь для унифицированной модели, и он наследует поведение редактирования этой модели, а не линейки редактирования.

Что конкретно меняет turbo:

• Количество шагов — 8 шагов денойзинга против 40 в быстром старте унифицированной модели и 40 или 50 в линейке редактирования.

• Guidance — по умолчанию при генерации используется CFG=1, а префиксное кэширование KV переиспользует контекст текста и референсного изображения на шагах денойзинга. Значительная часть ускорения достигается именно за счёт этого переиспользования, а пример редактирования из карточки передаёт use_kv_cache=True явно.

• Расписание сохраняется вместе с чекпойнтом — в карточке указано, что рекомендуемое 8-шаговое расписание сэмплирования сохраняется вместе с чекпойнтом и загружается автоматически, и что установка только num_inference_steps не переопределяет его. Если вы задаёте количество шагов и не видите изменений, вот почему. Явно переданный во время вызова аргумент sigmas переопределяет сохранённое расписание, и в карточке добавляется, что другие расписания не оценивались для этого чекпойнта.

• Точность — карточка не содержит утверждения о точности turbo-чекпоинта по сравнению с унифицированной моделью, и нет независимых измерений, которые изолированно оценивали бы точность редактирования turbo и на которые можно было бы сослаться. Любой, кто говорит вам, что 8-шаговое редактирование так же или не так точно, как 40-шаговое, выходит за рамки опубликованного. Что карточка действительно документирует, так это изменение сэмплирования и то, что архитектура остаётся тем же 7B-визуальным компонентом, — именно поэтому это стоит проверять, а не предполагать.

Что касается относительного качества, независимые показатели взяты из таблицы лидеров Artificial Analysis по редактированию изображений — это измерение третьей стороной, а не заявление производителя, — и их стоит внимательно изучить, потому что два из них означают не то, что можно предположить по их названиям.

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4 478 образцов, ноябрь 2025, открытые веса. Это лучшая по баллам запись в линейке дискретного редактирования.

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, 7 390 образцов, сентябрь 2025 г., открытые веса.

• Qwen Image Edit — 918 Elo, ±7, 7 415 образцов, август 2025 года, открытые веса. Это примерно на 103 Elo ниже, чем 2511 в той же таблице, — как раз таков размер разрыва, который дала работа над консистентностью.

• Qwen Image Edit Max 2601— 1000 Elo, ±8, 5 036 образцов, датировано январем 2026 года на доске, закрытые веса. Доска содержит эту запись; в собственном перечне организации-разработчика модели соответствующего репозитория не обнаруживается, поэтому установить, чем является этот чекпойнт, по первоисточникам невозможно. Здесь он приводится как строка независимой доски и не более того.

• Qwen-Image-2.1 — 1074 Elo, ±9, 5 536 образцов, открытые веса, примерно на 53 Elo выше лучшего чекпоинта для редактирования. Обратите внимание: таблица указывает дату этой записи как сентябрь 2026 года и добавляет «API недоступно». То, что унифицированная модель превосходит специализированную линейку для редактирования, — самый полезный факт на этой странице для всех, кто решает, что запускать, и это независимое измерение, а не заявление производителя.

На той же странице также указана стоимость API за каждую 1000 изображений для нескольких из этих пунктов, а на этой странице они намеренно не приводятся: они меняются, сообщаются на форумах, а не публикуются вендорами, и читателю, который захочет действовать, опираясь на сегодняшнюю цифру, стоит прочитать её в первоисточнике.

Что вам нужно предоставить

Требования редактора к вводу — это то, где решается судьба большинства неудачных прогонов, и спецификация в одном отношении мягче, чем люди ожидают, а в другом — строже.

• Исходное изображение обязательно, и оно представляет собой весь вход — текстового режима не существует. Карточка исходного чекпоинта преобразует свой пример в RGB перед его передачей; turbo-карточка унифицированной модели загружает свой пример и преобразует его в RGBA, что важно, поскольку Qwen-Image-2.1 генерирует и редактирует прозрачные изображения нативно.

• Безмасочное редактирование — это документированный путь в унифицированной модели — в карточке Qwen-Image-2.1 указано, что локальные правки можно задавать с помощью кругов, нарисованных аннотаций или отдельных масок, а также что модель поддерживает до 10 референсных изображений. Безмасочный вариант через круги и нарисованные аннотации — тот, который карточка представляет в первую очередь; именно поэтому можно разметить область в обычном графическом редакторе, а не создавать файл маски.

• Редактирование с маской существует как отдельный пайплайн — дискретный inpaint-пайплайн предоставляет mask_image, masked_image_latents и padding_mask_crop вместе с параметром strength, который по умолчанию равен 0.6. Если вы потратили время на поиски ползунка strength в edit-чекпоинтах и так его и не нашли, вот почему: собственные пайплайны линейки edit его не принимают, а пример редактирования в объединённой модели передаёт промпт и изображение вообще без аргумента strength.

• Разрешение источника ограничено, и ограничение это арифметическое — и исходный, и plus-пайплайн проверяют, что высота делится на удвоенный масштабный коэффициент VAE. В пайплайне унифицированной модели масштабный коэффициент VAE равен 16, и проверка требует делимости на 32 при значении по умолчанию output_resolution, равном 1024. Передача произвольного размера фотографии напрямую — один из обычных способов получить жёсткий сбой вместо плохой правки.

• Существуют нативные пресеты высокого разрешения, и это конкретные числа — унифицированная модель и её turbo-чекпоинт публикуют одни и те же семь пресетов: 1:1 при 2048×2048, 4:3 при 2400×1792, 3:4 при 1792×2400, 3:2 при 2528×1696, 2:3 при 1696×2528, 16:9 при 2752×1536 и 9:16 при 1536×2752. В примере текст-в-изображение для карточки turbo используется портретный пресет 1696×2528, а в примере редактирования — 2048×2048.

• У ввода нескольких изображений есть задокументированная золотая середина — до 3 изображений для 2509 и до 10 референсов для унифицированной модели. Превышать задокументированный производителем диапазон не запрещено, но нигде не опубликовано, что при этом происходит.

• Ещё одно требование к ресурсам, которое легко упустить — путь редактирования унифицированной модели использует num_inference_steps, равное 40, в быстром старте, а значения по умолчанию её конвейера включают use_kv_cache=True и true_cfg_scale=1.0. Если прочитать эти значения по умолчанию перед тем, как что-либо настраивать, это избавит вас от лишней путаницы о том, почему вывод изменился, когда вы думали, что изменили только одну вещь.

Редактирование изображения, которое вы уже отредактировали

Это наименее устоявшаяся область на странице, и стоит отделить то, что задокументировано, от того, что нет. Описаны два механизма, и один из них — собственный ответ вендора на сбой.

• Цепочная коррекция задокументирована и ожидаема — разбор каллиграфии на исходной карточке — это многошаговый цикл, а не один проход. Модель не справляется с 稽 за один шаг, читатель рисует более узкую рамку на проблемном компоненте, и следующий шаг это исправляет. Карточка представляет это как предполагаемый способ работы, а не как обходной путь, и конечный результат достигается после нескольких последовательных шагов на одном и том же изображении. Если вы редактируете уже отредактированное изображение, вы делаете то, что описывает поставщик.

• Дрейф изображения — это названный риск в новейшем чекпоинте — карточка 2511 открывает свой список ключевых улучшений пунктом «снижение дрейфа изображения», а это собственный термин вендора для накопления нежелательных изменений от хода к ходу. Утверждается, что 2511 его снижает; в карточке не указано, насколько именно, и не существует независимых измерений дрейфа за известное число ходов редактирования, на которые можно было бы сослаться.

• Что остаётся нерешённым — сколько качества отнимает третий или пятый ход, накапливается ли дрейф линейно или выходит на плато, и дрейфует ли 8-шаговый график turbo-чекпоинта иначе, чем 40-шаговый путь. Вендор не публикует кривую качества по ходам ни для одного чекпоинта ни в одной из линеек, а независимые лидерборды измеряют однопроходное редактирование, а не цепочки. Практический вывод таков: документированный рабочий процесс вендора — это короткая ограниченная цепочка с нарисованной областью на каждом ходу, и ничто из опубликованного не даёт оснований считать длинную цепочку незакреплённых правок безопасной.

• Переиспользование контекста взаимодействует с цепочками — префиксное KV-кэширование чекпоинта turbo переиспользует текстовый контекст и контекст референсного изображения между шагами денойзинга, и пример редактирования в карточке включает его. Это оптимизация в пределах одного вызова, а не память между ходами; ничто в карточке не указывает на то, что модель сохраняет что-либо между отдельными вызовами. Каждый ход начинается с изображения, которое вы ей передаёте.

Что не решено

Намеренно коротко, потому что справочная страница, скрывающая свои границы, хуже той, что указывает на них.

• Что такое «Qwen Image Edit 3» и «Qwen Image Edit 2512». Ни одно из этих названий не соответствует репозиторию в собственном списке организации, выпускающей модель, поэтому эта страница не может сказать, какое поколение они обозначают или обозначают ли они вообще какое-либо. Если более позднее поколение редактирования будет опубликовано, оно появится в этом списке, и эта страница будет неверной, пока её не перепишут.

• Что такое Qwen Image Edit Max 2601. Эту строку ведёт независимый совет; соответствующего репозитория вендора не существует. О пробеле скорее сообщают, чем его заполняют.

• Сказывается ли turbo на точности редактирования. Ни заявлений производителя, ни независимых измерений.

• Сколько дрейфа на самом деле устраняет 2511. Производитель заявляет о снижении, но не приводит количественных данных.

• Показатели для любой из задокументированных возможностей. Каждое утверждение вида «работает для X» на этой странице — это собственная карточка чекпойнта, описывающая предполагаемое поведение на выбранных примерах. Ни одно из них не является измеренным показателем успешности, и ни одно не следует так воспринимать.

Ваше следующее действие — выбрать один из трёх существующих чекпоинтов, прочитать карточку самого этого чекпоинта, прежде чем что-либо менять в его быстром старте, и передать ему исходное изображение, размеры которого удовлетворяют проверке делимости пайплайна. Если вы пришли сюда потому, что хотите начать с собственного изображения и сохранить как можно больше от него, а не изменить его, это связанная задача с отдельным руководством — страница image-to-image рассказывает, как начать с собственного изображения и что означает отсутствие регулятора силы для этого сценария. Если же вместо этого вам нужна более новая унифицированная модель, потому что независимая таблица лидеров ставит её выше всей линейки для редактирования, ускоренный чекпоинт — это дешёвый способ попробовать её, прежде чем принять решение.