Qwen-Image-2.1-arbetsflöde: Nodkedjan, rattarna och vad som har förändrats sedan dag noll

Det du får från den här sidan är en Qwen-Image-2.1-graf som du kan bygga om från grunden och reproducera — nodkedjan efter de namn som laddarna faktiskt använder, de fyra eller fem rattarna som avgör om resultatet är det du bad om, och de två inställningarna som folk ändrar utan att veta att de har ändrat brusschemat. Modellen i sig är leverantörens enhetliga utgåva för text-till-bild och bildredigering, släppt med öppen källkod den 20 september 2026 under en forskningslicens: 7B parametrar i den visuella genereringskomponenten, 32 DiT-lager med enkel ström, en RGBA-VAE med 64 kanaler vid 16x rumslig kompression, och upp till tio referensbilder i redigeringsvägen. Det datumet är här för att tala om vilken checkpoint du kopplar in, inte för att tillkännage något. Grafen är ämnet, och grafen har en revisionshistorik värd att läsa innan du litar på någon annans skärmdump av den — mallen som levereras i dag är inte mallen som levererades dag noll, och fyra av skillnaderna är exakt de saker en läsare missförstår.

Vilken graf beskriver den här sidan?

Allt nedan är hämtat från ComfyUI:s arbetsflödesmall-arkiv Comfy-Org/workflow_templates, vid den revision som gäller den 13 oktober 2026, kört på ComfyUI stable v0.39.0 (publicerad den 5 oktober 2026). Nodnamnen är de visningsnamn som loaders använder i grafen; där en nod har lagts till eller bytt namn mellan revisioner anges datumet. Vägen till dessa filer går via ComfyUI:s egen guidesida för Qwen-Image-2.1 — den innehåller tre mallar, och den här sidan följer text-till-bild-mallen och böjer den sedan.

De tre mallarna är Qwen-Image-2.1 Text to Image, Qwen-Image-2.1 Image Edit och Remove Background: Qwen-Image-2.1. Den sista är inte en annan graf: ComfyUI:s dokumentation säger att den återanvänder image-edit-subgrafen med prompten "Remove the background, and output a PNG image". Så det finns två grafer att lära sig, och en av dem är en promptmall ovanpå den andra.

Nodkedjan, i ordning

Text-till-bild-mallen är en subgraf — en hopfällbar nod på arbetsytan med arton exponerade ingångar — som omsluter en kedja med tretton noder. Inuti den är ordningen:

• UNETLoader — laddar qwen_image_2.1_int8_convrot.safetensors med viktdatatypen lämnad på default. Detta är diffusionsmodellen, och filen du väljer här är det första som avgör om din körning matchar någon annans.

• Qwen Image 2.1 Cache — ligger mellan loadern och samplern. Den är inte valfri i den nuvarande mallen, men den kan förbikopplas, och det är den nod som med störst sannolikhet saknas i en graf du laddade ner under din första vecka.

• KSampler — tar modellen från cachenoden, den positiva och negativa konditioneringen från textkodaren samt en tom latent. Dess widgetar i den medföljande mallen lyder: frö 0, kontroll fast, steg 25, cfg 1, samplare euler, schemaläggare enkel, avbrusning 1.

• EmptyLatentImage — bredd och höjd kopplas in från Resolution Selector-noden som ligger utanför subgrafen, och dess tredje indata, batchstorlek, har standardvärdet 1.

• VAEDecode → SaveImageAdvanced — avkodaren lämnar pixlarna till spar-noden, vars filnamnsprefix är Qwen_image_2.1 och vars format levereras som PNG, 8-bitars, sRGB. PNG är inte en kosmetisk detalj här: VAE:n har fyra kanaler, så 8-bitars PNG är det som håller alfakanalen levande på vägen till disken.

• CLIPLoader — laddar qwen3vl_8b_int8_convrot.safetensors med typen inställd på qwen_image. Qwen3-VL 8B är textkodaren, och den är också visionstornet som läser dina referensbilder.

• Text Encode Qwen Image 2.1 (nod-id TextEncodeQwenImage21) — betingar prompten. Den tar clipen, en prompt, en negativ prompt, en valfri VAE, ett upplösning heltal, och en automatiskt växande uppsättning bildplatser med namnen image_1 till och med image_16. Den returnerar tre saker: positiv betingning, negativ betingning och en latent variabel. Den latenta variabeln är den del som folk missar — den är en tom latent variabel dimensionerad efter den första referensbilden, och i text-till-bild-grafen är den oanvänd eftersom den tomma latenta variabeln i stället kommer från Resolution Selector.

• VAELoader — qwen_image_2.1_vae_bf16.safetensors, som matar både avkodaren och textkodarens referensbildsväg.

Den valfria grenen är den sista pusselbiten. En andra CLIPLoader laddar qwen3.5_9b_qwen_image_2.1_pe_t2i.int8_convrot.safetensors med typen inställd på stable_diffusion — inte qwen_image, och den skillnaden är avsiktlig, eftersom detta är en checkpoint för textgenerering, inte visionskodaren. Den matar en Generate Text-nod, vars utdata går genom Preview Any till samplarens positiva prompt, som växlas av en ComfySwitchNode kopplad till refine_prompt-ingången. En Primitive String (Multiline)-nod innehåller systemprompten som omskrivningen följer, och du kan läsa den och redigera den.

Räknar man kedjan består den av sex noder med riktigt arbete: ladda diffusionsmodellen, ladda textkodaren, ladda VAE:n, koda prompten, sampla från en tom latent, avkoda och spara. Allt annat i mallen är minne eller bekvämlighet.

Vad ändrades mellan dag-noll-grafen och den här?

Det här är delen som är värd att känna till innan du kopierar ett arbetsflöde från en skärmbild i en handledning, eftersom Qwen-Image-2.1-mallarna redigerades fem gånger efter att de först dök upp, och redigeringarna är inte kosmetiska.

• 20 september 2026 — den första mallen. Commit 96309bd530, "Add Qwen Image 2.1 template". Sju noder i subgrafen för text-till-bild: laddarna, kodaren, den tomma latenta, samplern, avkodaren. CLIP-laddaren var inställd på bfloat16-textkodaren, qwen3vl_8b_bf16.safetensors — filen på 16,33 GB.

• 20 september 2026, senare samma dag. Commit 371a7b7171 bytte den laddaren till qwen3vl_8b_int8_convrot.safetensors, filen på 8,71 GB, med meddelandet ”Byt Qwen Image 2.1 CLIP till int8 convrot”. Mallens egen anteckning märker den som ”laddas av mallarna, lägre minne”. Ett arbetsflöde byggt från morgonens fil och ett byggt från kvällens är inte samma arbetsflöde.

• 25 september 2026. Den Qwen Image 2.1 Cachenoden dök upp i grafen för första gången, tillsammans med hela grenen för promptförbättring — den andra CLIP-laddaren, Generate Text, Preview Any, omkopplaren, systempromptnoden. Före detta datum fanns ingen cachenod att ställa in och inget omskrivningssteg att stänga av. Mallen för bildredigering fick motsvarande indata samma dag. Anteckningen för text-till-bild fick också, i denna revision, både raden om 4 megapixlar och promptomslaget för transparenta bilder.

• 28 september 2026. Filstorlekar lades till i nedladdningsanteckningarna — en dokumentationsändring, inte en grafförändring, men det är där siffrorna som en läsare kontrollerar mot sin nedladdningshanterare kommer ifrån.

• 30 september 2026. Commit 9fae1041be, "Qwen Image 2.1: Uppdatera PE-inställningar" – den sista gången någon av 2.1-mallarna rördes. Det här är den som betyder mest och syns minst. Tre värden på noden Generate Text ändrades: tokenbudgeten max_length från 16256 ned till 4096, upprepningsstraffet från 1.05 till 1.0, och thinking från av till på, och nodens egen anteckning säger nu att checkpointen "tränades med ett resonemangsblock och tappar i kvalitet utan det". Mallanteckningarna beskriver de tidigare värdena som de officiella och säger att gränsen finns för att "en enskild omskrivning inte ska kunna köra i många minuter".

Det som inte förändrades är den användbara hälften av detta. Samplingsblocket är byte-identiskt mellan dag-noll-mallen och dagens: steg 25, cfg 1, euler, simple, denoise 1, seed-kontroll fixerad, en tom latent vid Resolution Selectors utdata, batchstorlek 1. Grafen fixades aldrig genom att flytta samplern. Den fixades genom att ändra vilken text-encoder-fil som laddas, lägga till cache-noden och korrigera prompt-förbättrarens egna inställningar.

Ytterligare ett lager ligger under grafen. ComfyUI:s kärna fortsatte att ändras efter att mallarna hade stabiliserats: v0.38.0 den 29 september förbättrade placeringslogiken för Qwen 2.1 KV-cache, och v0.39.0 den 5 oktober släpptes med ”Åtgärda krasch när man väljer int8- eller int4-cache i qwen image 2.1”. Om din graf är från idag och din build är äldre än så är cache-rullgardinsmenyn inte ett långsamt alternativ, den är en krasch.

De rattar som en läsare med störst sannolikhet får fel på

Utgå från vad dokumentationen säger rakt ut, för det tar bort det mesta av gissandet. Alla tre Qwen-Image-2.1-arbetsflöden samplar med steg 25, cfg 1, euler-samplern och simple-schedulern. Det är ComfyUI:s egen sammanfattning, och den matchar de medföljande widgetarna exakt.

Komplikationen är att 25 och 40 båda är korrekta svar på olika frågor. Leverantörens eget modellkort kör diffusers-pipelinen med num_inference_steps=40, och diffusers-pipelinens standard är också 40; ComfyUI:s dokumentation säger att den publicerade pipelinen "använder ungefär 40 till 50 steg med euler-samplern, och mallen börjar lägre vid 25". Inget av talen är ett fel. De är ett standardvärde i grafen och en referenskörning.

• Steg — riktning och avvägning. Lägre är snabbare och, enligt ComfyUIs dokumentation, står det sig olika beroende på jobbet: enkla lokala redigeringar står sig vid 4 till 8 steg, "medan redigeringar som skriver om hela bilden tappar koherens och behöver alla 25". Envisa findetaljer som händer och fingrar "stabiliseras vid omkring 30 steg", och att gå från 25 till 40 minskar flimmer i detaljerade områden. Riktningen är monoton och avvägningen är linjär: dokumentationens råd är att bara justera steg när något specifikt inte löses upp, inte att höja dem för säkerhets skull.

• Vägledning – cfg 1 är vägledning av, och det är den publicerade vägen. Vid cfg 1 hoppar ComfyUI över passet med negativ betingning, så en negativ prompt har ingen effekt. Mallen behåller cfg 1, "vilket är den väg Qwen-Image-2.1 publiceras för"; diffusers-pipelinen säger samma sak med sina egna ord och sätter standardvärdet för true_cfg_scale till 1.0 eftersom "Qwen-Image 2.1 är avsett att samplas utan vägledning". Höj det bara när du faktiskt vill att den negativa prompten ska få effekt, och känn på priset: cfg 2 följer täta prompts närmare, inklusive små texter och siffror, "till priset av överdrivet skarpa kanter"; högre värden förskjuter exponeringen mot för ljust eller för mörkt; cfg 5 försämrar kvaliteten kraftigt; cfg 0,5 förstör bilden. ComfyUI:s instruktion är att ändra ett värde i taget och jämföra med ett fast seed.

• Upplösning är ett megapixelmål, inte en rektangel. Noden Resolution Selector ställer in ett bildförhållande och en megapixelbudget, där 1,0 MP är ungefär 1024x1024. Qwen-Image-2.1 genererar nativt i 2K, så målet för en 2048x2048-kvadrat är ungefär 4,0 MP. Multplar av 32 är vad modellen vill ha – verktygstipset på textkodarens resolution-indata säger att referenser ändras till ungefär resolution x resolution pixlar i multiplar av 32, med bildförhållandet bevarat, och pipelinens egen dimensionshjälpare avrundar också till 32. Tillverkarens modellkort publicerar 2K-förinställningarna: 1:1 vid 2048x2048, 4:3 vid 2400x1792, 3:4 vid 1792x2400, 3:2 vid 2528x1696, 2:3 vid 1696x2528, 16:9 vid 2752x1536, 9:16 vid 1536x2752.

• Att gå över 2K kostar följsamhet, inte skärpa.Mål långt över modellens tränade 2K-storlek, till exempel 4K, tappar promptföljsamhet. Det är ett dokumenterat beteende, inte en slutsats utifrån arkitekturen.

• Det som verkligen är kontraintuitivt: upplösningen flyttar också brusschemat. Qwen-Image-2.1 samplar med en Euler-scheduler för flow-matching vars tidsstegsförskjutning är dynamisk, och pipelinen beräknar förskjutningen utifrån längden på latenssekvensen – det vill säga utifrån hur många token din valda upplösning producerar. Checkpointens scheduler-konfiguration anger base_shift till 0.5 och max_shift till 0.9 över ett bildsekvensintervall på 256 till 8192, och pipelinen matar in din körnings sekvenslängd i den formeln vid varje anrop. Att ändra arbetsytan ändrar därför samplerns schema, inte bara bildrutan. I ComfyUI-mallen finns ingen förskjutningskontroll att ställa in – KSampler-ingångarna är modell, positiv, negativ, latent bild, seed, steg, cfg, sampler-namn och scheduler, och det är hela listan. Om dina resultat vid 4 MP ser annorlunda ut än dina resultat vid 1 MP på ett sätt som du inte kan förklara enbart med detaljrikedom, är det här anledningen.

• På redigeringsgrafen beter sig upplösning annorlunda och är den enskilt mest kostsamma standardinställningen. Med custom_size avstängt – mallens standard – genereras redigeringen i storleken på den första referensbilden. resolution 0 behåller varje referens i dess egen pixelstorlek avrundad till en multipel av 32, så ett 3000x4000-foto ger en 3008x4000-canvas. Ett värde över 0 skalar i stället bildens bildförhållande till en resolution x resolution pixelbudget – ett totalt antal pixlar, inte en bredd. ComfyUIs eget kostnadsexempel, uppmätt på ett RTX 5090: 3000x4000-referensen vid resolution 0 tar cirka 6 sekunder per iteration; samma redigering vid resolution 1024 tar cirka 0,3 sekunder per iteration, vid ungefär 896x1184. Slå på custom_size och ta canvasen från Resolution Selector, och håll den nära den storleksändrade första bildens storlek, "annars kan redigeringen förskjutas".

Determinism: vad ett seed avgör, och vad det inte avgör

Ett fast seed är nödvändigt och inte tillräckligt, och de medföljande mallarna säger emot varandra om detta. KSampler för text-till-bild levereras med kontrollen inställd på fast; båda redigeringsmallarna – bildredigeringen och bakgrundsborttagningen – levereras med kontrollen inställd på slumpa. Samma sampler, samma standardvärden, motsatt beteende när den köas igen.

Anta att seed är fixerat. Här är vad som fortfarande förändrar bilden:

• KV-cachen. Det här är den stora saken, och den är dokumenterad snarare än folklore. Qwen-Image-2.1 cachar text- och referensbildens nycklar och värden efter första steget; pipeline-källkoden förklarar att detta är giltigt eftersom konditioneringstokens är stegoberoende under modellens kausala konditionering. Sedan säger den det som spelar roll för alla som försöker återskapa en bild: att toggla cachen "återskapar inte samma bild bit för bit i reducerad precision", eftersom avkodningssteget utför attention med en annan sekvenslayout än prefill-steget, de två delar upp sig olika och hamnar på olika avrundning — och en skillnad på en ULP vid det första blocket förstärks av 32 block och varje sampler-steg, så "de två inställningarna ger lika giltiga men synbart distinkta sampel". Källans egen instruktion är: fixa ett sampel genom att fixa denna flagga. I ComfyUI finns flaggan på Qwen Image 2.1 Cache-noden, som device (auto, gpu, cpu, off) och dtype (default, int8, int4).

• Cachenodens egen utgivningshistorik. Den fanns inte före 25 september 2026, så ett day-zero-arbetsflöde har ingen sådan inställning och beter sig inte som dagens. Och av – den enda inställningen som utesluter cachen – "räknar om prefixet vid varje steg, vilket är långsammare men är det enda sättet att utesluta cachen".

• Vilka modellfiler. Mallen laddar en int8-diffusionsmodell och en int8-textkodare. Byter du ut endera mot bf16-filen har du ändrat aritmetiken. Nedladdningsnoterna listar båda, med deras storlekar, just för att valet är verkligt.

• Promptförbättraren, om den är på. Med refine_prompt på, samplar bildmodellen från den omskrivna prompten, inte den du skrev — och omskrivningen genereras av en separat Generate Text-nod med sina egna samplingsparametrar: temperature 1.0, top_k 20, top_p 0.95, ett eget seed-fält och en max_length-tokenbudget. Ditt KSampler-seed täcker inte något av det. Preview Any-noden i subgrafen visar prompten som faktiskt nådde bildmodellen, vilket är det enda sättet att veta vad du just reproducerade.

• ComfyUI-bygget. Mallarna har sin egen varning: saknade noder när man läser in ett arbetsflöde innebär oftast att bygget är äldre än noderna, och Desktop och Cloud följer stabila utgåvor och kan ligga efter en nightly-version.

Så att reproducera någon annans Qwen-Image-2.1-bild är inte att byta seed. Det är mallrevisionen, de två modellfilerna, upplösningsinställningen, steps, cfg, sampler, scheduler, cache-enheten och dtype, enhancerns på/av-läge och dess egen seed — och, för redigeringsgrafen, storleken på den första referensbilden. ComfyUI publicerar ingen garanti för seed-reproducerbarhet för dessa arbetsflöden, och diffusers-källkoden säger rent ut att en cache-växling ändrar samplet; behandla en exakt matchning som något du sätter samman avsiktligt snarare än något som en seed ger dig.

Mer än en bild, och vart minnet tar vägen

Grafen producerar en bild per körning i den levererade konfigurationen, och vredet för att ändra på det är oglamoröst: EmptyLatentImage-nodens tredje indata, batchstorlek, kopplad till 1. Att höja den är vad som får samplern att skicka ut flera bilder från en kö.

Vad det kostar är där det här blir ärligt. Mallarna berättar exakt var cachen ligger — auto använder ledigt VRAM och därefter system-RAM; cpu förhämtar bakom beräkningen och dokumentationen beskriver det som att det knappt kostar någon hastighet; off räknar om prefixet varje steg och är långsammare. De kvantifierar precisionssidan: int8 halverar cachen vid ungefär bf16-noggrannhet, och int4 krymper den till en fjärdedel men fördubblar ungefär felet per steg. Vad de inte publicerar är en tabell över batchstorlek mot VRAM, och det gör inte ComfyUIs dokumentation heller. Om du dimensionerar en batch för ett kort är det ärliga svaret att det inte finns någon förstapartssiffra som täcker det; de reglage som har publicerade effekter är cache-enheten och dtype, samt upplösningsmålet, som höjer både antalet latenter och det cachade prefixet.

Två batchfällor ligger på andra sidan staketet, i diffusers-pipelinen, och båda är värda att känna till eftersom ComfyUI-grafen döljer dem. Därnum_images_per_prompt multiplicerar batchen, och om du skickar en lista med generatorer måste dess längd exakt matcha den effektiva batchstorleken, annars kastar pipelinen ett fel. Och en lista med villkorsbilder är "en uppsättning bilder som delas av varje prompt i batchen, inte en post per prompt" – du kan inte ge varje prompt i en batch sin egen referensbild; källans instruktion är att i stället anropa pipelinen en gång per prompt. Redigeringssubgrafen har samma typ av begränsning på en annan plats: dess BatchImagesNode batchar upp till tio referensbilder in i textkodaren, vilket är att batcha indata, inte utdata. Tio referenser ger dig inte tio bilder.

Bild-till-bild från samma graf

Du behöver inte en annan graf för detta. Bildredigeringsmallen är text-till-bild-kedjan med den tomma latenten utbytt mot textkodarens latenta utdata, två LoadImage-noder som matar image_1 och image_2 in i delgrafens referensplatser, och en ImageCompare-nod i slutet så att du kan se indata bredvid utdata. Lägg en bild i image_1, lämna image_2 tom, skriv en instruktion, och det är bild-till-bild: din bild är kontext som modellen läser, inte en startlatent som den delvis avbrusar. Det finns inget styrke- eller avbrusningsreglage på den här vägen att ställa in, eftersom målet börjar från brus och din referens kommer in via kodaren och VAE:n i stället.

Här är gränsdragningen, i en mening vardera, eftersom dessa två bara ligger ett sök ifrån varandra och folk griper efter den felaktiga.

• Bild-till-bild är när du vill ha en variation: du ger modellen en bild och en beskrivning, och den målar en ny bild som liknar din, på en duk du väljer.

• Redigering är när du vill göra en ändring: du ger modellen en bild och en instruktion som anger vad som ska vara annorlunda, plus eventuellt en mask eller målade markeringar, och modellen behåller resten av bildrutan.

Ledtråden ligger i meningen du är på väg att skriva. "Få det att se ut så här men på natten" är i2i; "ändra jackan till röd, lämna allt annat" är en redigering, och i den här grafen är redigeringsvägen där masker, de tio referensplatserna och beteendet för lokaliserad redigering finns. Den närliggande frågan är ämnet för en annan sida, och den här stannar vid linjen så att du kan avgöra vilken du är på.

Turbo-checkpointen, i ett stycke

En korsreferens, eftersom turbo-stavningen hör till den här fråge familjen och en läsare kommer att stöta på den. Qwen-Image-2.1-Turbo är en separat 8-stegs-checkpoint av samma 7B-arkitektur för visuell generering, släppt den 9 oktober 2026 och laddad av samma QwenImage21Pipeline. Dess eget model card säger att checkpointen "inkluderar sitt rekommenderade samplingsschema, så den är redo att använda utan att manuellt konfigurera schemaläggaren", att generering använder CFG 1 som standard, och att det att enbart ställa in num_inference_steps inte åsidosätter det sparade schemat – ett explicit sigmas-argument som skickas vid anropet gör det. Inget av detta ändrar nod kedjan på den här sidan: samma lastare, samma encoder, samma samplernod. Det som ändras är varifrån schemat kommer, vilket är det enda som är värt att kontrollera i din graf innan du jämför en turbo-körning med en körning med basmodellen och drar slutsatsen att modellen blev sämre.

Vad du ska göra härnäst, i grafen

Ladda mallen från ComfyUIs mallbibliotek i stället för från en skärmbild och läs sedan igenom fyra noder innan du köar något. På Resolution Selector, ställ in bildförhållandet du faktiskt vill ha och, om du vill ha modellens inbyggda 2K, målet på 4,0 MP. På KSampler, bekräfta att kontrollen är fixed om du tänker återskapa en körning, och lämna steps på 25 och cfg på 1 tills något specifikt misslyckas. På Qwen Image 2.1 Cache, bestäm device och dtype nu och skriv ner dem, eftersom du inte kan ändra dem senare och jämföra två bilder som om bara prompten flyttades. Och på Generate Text-noden, lämna refine_prompt avstängt tills du har en baslinje du gillar — slå sedan på det, läs omformuleringen i Preview Any, och behåll seedet du hade så att jämförelsen betyder något.