Qwen-Image-2.1 i2i: Att utgå från din egen bild – och varför det inte finns något styrkereglage

Om du sökte efter Qwen-Image-2.1 i2i, vet du redan vad bild-till-bild (i2i) innebär: du ger en modell en bild i stället för en tom latent, och du får tillbaka en bild som liknar den. Det den här sidan klargör är när det är rätt drag på Qwen-Image-2.1 — och den del som förvånar folk som kommer från andra bildmodeller. I den här modellen finns inte det strength-reglage du letar efter. Qwen-Image-2.1:s egen pipeline tar inte alls något strength- eller denoise-argument: din referensbild går in som kontext, målbilden börjar från rent brus, och det som avgör hur långt utdata rör sig bort från din indata är det du skriver. Om det du faktiskt behöver är att en namngiven sak ändras medan resten lämnas orörd, är det ett annat jobb som hanteras av en annan linje i familjen — Qwen-Image-Edit checkpoints — och jämförelsen på den här sidan är den del som är värd att läsa först, eftersom en läsare som söker efter "i2i" ofta är en sökning bort från fel verktyg.

Vad indatabilden faktiskt gör

På Qwen-Image-2.1 kommer en villkorsbild in i modellen genom två dörrar, och ingen av dem är "en brusig startlatent som du skruvar tillbaka". Repositoriet och diffusers-pipelineklassen som publicerats för den här modellen beskriver båda:

• Textkodare — textkodaren är Qwen3-VL 8B, en vision-språkmodell, och leverantörens arkiv anger att den kodar textinstruktionen och villkorsbilderna till en enda enhetlig representation. Din bild är bokstavligen en del av det som modellen läser som sin prompt.

• VAE — samma bild kodas till latenta tokens och läggs före bruset, före målbildens egna tokens, så att transformatorn ser en gemensam sekvens med din referens först och det som genereras efter den.

• Målstart — mållatenterna samplas från en gaussisk fördelning och avbrusas genom hela schemat, från sigma 1,0 och nedåt. Det finns ingen ingångspunkt för partiell avbrusning i den pipelinen.

Den tredje punkten är hela skillnaden jämfört med den i2i som de flesta har använt. I det klassiska upplägget kodar du din indatabild, lägger till brus i proportion till ett styrkevärde och avbrusar från den punkten – så indata finns verkligen med i startlatenten och styrkesiffran avgör hur mycket av den som överlever. På Qwen-Image-2.1:s egen väg är din bild aldrig utgångspunkten. Den är kontext. Utdata är inte en uppstädad version av din fil; det är en ny bild som målas med din fil i rummet.

En detalj till är värd att känna till, eftersom det är där förkortningen som läsaren skrev faktiskt finns. Diffusers-pipelinen kastar ett explicit fel om du försöker skicka förkodade latenter som bild, med kommentaren att "textkodaren måste se själva bilden". Villkorsbilden måste vara pixlar, inte en tensor.

Styrkekontrollen, och vart den tog vägen

Diffusers levererar faktiskt en img2img-pipeline för den här familjen, och dess strength-argument beter sig precis som du har lärt dig att förvänta dig. I klassens egen docstring står det: bilden "används som utgångspunkt och ju högre strength, desto mer brus läggs till", och "ett värde på 1 ignorerar i princip image". Standardvärdena är strength=0.6 och num_inference_steps=50. De två ändarna är alltså de två ändar du redan känner till:

• Styrka nära 0 — nästan inget brus läggs till, brusreduceringsslingan är kort, och utdata går knappt att skilja från din indata. Det här är inställningen för färgkorrigering, en lätt texturgenomgång, en nästan identisk kopia.

• Styrka vid 1 — bruset som läggs till är maximalt, avbrusningen kör hela schemat, och indatabilden kastas i praktiken bort. Det är text-till-bild med en dyr no-op på köpet.

Här är haken, och det är anledningen till att den här sidan finns. Exemplet som publicerades med den pipelinen laddar 2025-checkpointen, inte den här modellen. Qwen-Image-2.1 har sin egen pipelineklass, QwenImage21Pipeline, och den tar inget strength-argument, inget denoise-argument och ingen ingångspunkt för partiellt brus. Oavsett vilket värde du minns att du ställde in på en annan modell, finns det ingenstans på 2.1-vägen att ställa in det. Spaken har flyttats från en siffra till prompten.

Det är inte en lucka som leverantören lämnade öppen. Den levererar en modell vars enda uppgift är att skriva den prompten: Qwen-Image-2.1-PE-I2I, en finjusterad Qwen3.5-VL 9B-checkpoint som tar en vag instruktion plus en eller flera indatabilder och returnerar ett JSON-objekt med en rewritten_prompt och ett av två ömsesidigt uteslutande fält – wh_ratio, när förfrågan skapar en ny komposition, eller ratio_follow, när den ska ärva bildförhållandet från en numrerad indatabild. Det JSON-objektet är det närmaste Qwen-Image-2.1 kommer en styrkeinställning. Det är modellen som talar om för dig huruvida din förfrågan behåller indatans bildruta eller bygger en ny. Notera var strängen "i2i" förekommer i leverantörens egen namngivning: på denna prompt-omskrivande checkpoint, inte på en separat image-to-image-checkpoint. 2.1-generationen publicerar ingen sådan.

i2i eller redigering: regeln som ska tillämpas

Använd i2i när du vill ha en variation. Använd redigering när du vill göra en ändring. Allt annat följer av den enda raden.

• Variation — du gillar bilden och vill ha fler som den. Ett nytt försök, annat ljus, samma karaktär i en ny scen, samma produkt i en ny miljö. Du kan inte namnge en enda sak som måste förbli pixelidentisk, för du bevarar inte — du målar om. Det är ett i2i-jobb.

• Ändra – du kan namnge saken. "Behåll figuren och posen oförändrade, sätt den här skjortan på den." Instruktionen är en begränsning och resten av bilden är ett löfte du har rätt att få tillbaka. Det är ett redigeringsjobb.

På Qwen-Image-2.1 finns båda beteendena i en och samma checkpoint. Leverantörens eget lanseringsmaterial kallar den "en enhetlig modell för text-till-bild-generering och bildredigering", och den lokala redigeringsväg som den dokumenterar är maskformad: ringa in eller måla över området, eller skicka originalbilden och en separat mask som två indata. Det som 2.1-generationen inte levererar är en separat redigeringscheckpoint.

De dedikerade checkpoints för redigering är en annan linje och andra generationer. Leverantörsorganisationens egen modellförteckning på Hugging Face, läst den 13 oktober 2026, innehåller nio bildmodeller under den författaren, och redigeringsposterna i den är Qwen-Image-Edit (skapad 17 augusti 2025), Qwen-Image-Edit-2509 (22 september 2025) och Qwen-Image-Edit-2511 (17 december 2025). Ingen av dem är en 2.1-modell. Så behandla varje sida som säger "Qwen-Image-Edit 2.1" med försiktighet: det finns inget arkiv med det namnet i leverantörens lista, och stavningarna som folk skriver — "qwen image edit 3", "qwen image edit 2512" — matchar inte heller ett publicerat leverantörsarkiv. Oavsett vad ett påstående om redigeringslinjen säger dig, kontrollera vilken generation det gäller innan du agerar utifrån det, eftersom linjen omfattar tre daterade generationer och 2.1-utgåvan inte är en av dem.

I praktiken kan regeln delas upp så här. Om du kan skriva instruktionen som en mening med ett mål i — ”gör himlen till solnedgång”, ”ta bort klockan” — är du i redigeringsläge, och i 2.1 når du dit med en mask eller en målad annotering i stället för genom att byta verktyg. Om din mening inte har något mål och egentligen är en beskrivning av bilden du vill ha härnäst, är du i i2i-läge. Läsaren som skrev ”i2i” och sedan upptäckte att hen skrev en imperativ är läsaren som behöver redigeringsvägen, och det är hela anledningen till att det här avsnittet ligger så högt upp på sidan.

Vad din indatabild begränsar

Fem saker du fixar i samma stund som du väljer en referens, alla dokumenterade i pipelineens egen kod eller i ComfyUIs publicerade dokumentation för den här modellen. Läs den 13 oktober 2026.

• Upplösningsbudget — 2.1-pipelinens output_resolution är som standard 1024, och varje villkorsbild skalas om till en budget på output_resolution i kvadrat med sin egen bildproportion, avrundat till multiplar av 32. Ett fotografi på 3000×4000 reduceras därför till ungefär 896×1184 — omkring en megapixel — innan modellen ser en enda pixel av det. ComfyUI:s dokumentation gör kostnaden konkret: samma arbete på en canvas på 3008×4000 mot ungefär 896×1184 tar omkring 6 sekunder per iteration jämfört med omkring 0,3, mätt på ett RTX 5090. Att sänka canvansen gör en i2i-körning snabbare genom att producera en mindre bild, inte genom att lägga till detaljer.

• Bildförhållande — om du utelämnar höjd och bredd härleds utdataduken från bildförhållandet hos den senaste villkorsbilden du skickar. Var för sig behåller varje referens sin egen form, så en porträtt- och en landskapsbild kan färdas i samma anrop utan att den ena beskärs till den andras ram.

• Multiplar av 32 — pipelinen varnar och ändrar storleken i tysthet när höjden eller bredden inte är jämnt delbar med VAE-skalfaktorn gånger två, vilket för den här modellen är 32. Om du väljer en canvas för hand, avrunda den.

• Ursprunglig storlek — Qwen-Image-2.1 är tränad vid 2K, och storlekarna som repositoriet rekommenderar ligger alla i det intervallet: 2048×2048 för 1:1, 2752×1536 för 16:9, 1536×2752 för 9:16 och 2400×1792 för 4:3. ComfyUI:s dokumentation anger att standardmålet är en megapixel, att man ställer in ungefär 4,0 MP för en inbyggd kvadrat på 2048×2048, och — den användbara varningen — att ett mål långt över den tränade storleken, till exempel 4K, förlorar promptföljsamhet i stället för att vinna detaljrikedom.

• Alpha — om din referens har transparens får visionskodaren en kopia som kompositats över vitt; endast VAE-kopian behåller alla fyra kanalerna. Allt du förväntar dig att modellen ska förstå om din transparens läses av textsidan som vit bakgrund.

Vad som överlever, och vad som återuppfinns

Var noggrann här, för release-materialet och mekanismen säger olika saker och båda är sanna.

• Dokumenterat att överleva — tillverkaren hävdar att arbetet med trohet sker på två fronter: porträttidentitet, så att en person förblir igenkännbar genom redigeringar och generationer, och produktkonsekvens, där text, texturer och form bevaras. Detta är tillverkarens påståenden som illustreras med sida-vid-sida-exempel snarare än kopplade till en mätning, och ingen oberoende poäng för någon av dem publicerades i materialet som lästes för den här sidan den 13 oktober 2026.

• Garanterat på pixelnivå — ingenting. Din referens är kontexttokens och ett visionsprefix; målet är brus. Varje del av indata som din prompt varken tar upp eller antyder är fri att ändras, och ingen inställning i pipelinen håller den på plats. Om en detalj inte får flyttas, namnge den i prompten, för inget annat kommer att göra det.

• Markeringar läcker in i indata — I ComfyUIs dokumenterade redigeringsarbetsflöde hamnar penseldrag på bildens RGB-lager i stället för i en mask, så när du sparar skrivs den markerade bilden tillbaka in i noden och markeringarna blir en del av referensen som modellen läser. Behåll en markering inom det område du vill ändra och ange även färgen du vill ha i prompten, eftersom markeringens färg annars kan synas i resultatet.

• En canvas som inte matchar förskjuter resultatet — ComfyUI:s dokumentation rekommenderar att hålla en anpassad canvas nära storleken på den första referensbilden efter storleksändring, "annars kan redigeringen förskjutas". En indata vars form skiljer sig från den canvas du bad om blir inte letterboxad; den flyttas.

• Determinism kräver två inställningar, inte en — att växla use_kv_cache i 2.1-pipelinen ändrar samplen vid ett fast seed, eftersom cachen gör att avkodningssteget attenderar med en annan sekvenslayout än prefill-steget, så de två "ger lika giltiga men synligt åtskilda sampel". Pipelinens egen rekommendation är att låsa flaggan. I ComfyUI är motsvarande kontroll cachenodens lagringsprecision, där — ComfyUI:s egna siffror, ogranskade — int8 halverar cachen vid ungefär bf16-noggrannhet och int4 minskar den till en fjärdedel samtidigt som felet per steg ungefär fördubblas.

När i2i är fel verktyg

Fem fall, vart och ett med alternativet namngivet.

• Du kan namnge exakt vad som ska ändras. Använd instruktionsvägen på Qwen-Image-2.1 – måla eller ringa in området, eller skicka en separat mask som en andra indata – eller en dedikerad checkpoint från Qwen-Image-Edit-serien. i2i målar om bildrutan runt ditt mål tillsammans med själva målet.

• Du behöver ha originalpixlarna bevarade. i2i skapar en ny bild; den bevarar inga. Mask-sökvägen är den som är byggd för att lämna resten av bilden ifred.

• Du behöver 4K. Över den tränade storleken på 2K tappar modellen förmågan att följa prompten, enligt ComfyUI-dokumentationen. i2i i 4K är en långsammare körning som följer din beskrivning mindre, inte en skarpare.

• Du behöver fina detaljer från indata återgivna. Konditionsbilden skalas först om till en budget på ungefär en megapixel, så en referens på 12 megapixlar når aldrig modellen i full upplösning. Detaljer som är mindre än den budgeten är borta innan avbrusningen börjar.

• Du behöver en bit-identisk upprepad körning. Åtgärda KV-cache-flaggan och seeden, och ändra en inställning i taget – annars jämför du två olika samplers och kallar det brus.

En korsreferens, eftersom den kommer att dyka upp: Turbo-checkpointen som släpptes den 9 oktober 2026 använder samma 7B-arkitektur för visuell generering och samma väg för bildkonditionering, och kör schemat i 8 avbrusningssteg i stället för omkring 40. Ingenting i hur din indatabild används förändras mellan de två. Om du vill ha i2i-vägen snabbt är det den checkpointen du ska ladda; om du felsöker varför din referens ignoreras, är antalet steg inte variabeln.

Vad du ska göra härnäst

Börja med leverantörens egen Quick Start på modellkortet i stället för med en handledning, och läs redigeringsexemplets argumentlista: det skickar image=input_image, anger num_inference_steps, och har inget strength-argument någonstans. Att det saknas är hela poängen med den här sidan, och att se det i leverantörens kod går snabbare än att tro på en sammanfattning.

Därifrån, ställ in output_resolution till den storlek du faktiskt behöver innan du bedömer något om likhet, håll din canvas på de inbyggda 2K-förinställningarna där du kan, och skriv prompten som om referensen vore ett fotografi som ligger bredvid prompten snarare än en latents-tensor som delvis avbrusas – för på den här modellen är det vad det är. Och om du efter tre försök märker att du vill säga "ändra bara detta, lämna allt annat", sluta. Den meningen är din signal att i2i är fel väg, och redigeringslinjen är där den hör hemma.