Qwen-Image-Edit: Redigeringslinjen, kontrollpunkt för kontrollpunkt

Detta är referenssidan för Qwen-Image-Edit-linjen — den instruktionsföljande bildredigeraren, inte text-till-bild-generatorn som den byggdes vid sidan av. Linjen har exakt tre publicerade checkpoints: Qwen-Image-Edit, släppt 17 augusti 2025 och byggd på 20B Qwen-Image; Qwen-Image-Edit-2509, den månatliga iterationen publicerad 22 september 2025; och Qwen-Image-Edit-2511, publicerad 17 december 2025 som en förbättrad version av 2509. Allt på den här sidan är centrerat kring den senaste av dessa tre, och den säger vilken checkpoint varje påstående handlar om, varje gång. Det finns en sak till att nämna inledningsvis eftersom det är svaret på frågan som de flesta faktiskt ställer: Qwen-Image-2.1 är en enhetlig text-till-bild- och bildredigeringsmodell med en 7B visuell genereringskomponent, och Qwen-Image-2.1-Turbo är samma modell som en 8-stegs accelererad checkpoint. Ingen av dem är en post i redigeringslinjen, och den distinktionen är hela anledningen till att den här sidan finns.

Qwen-Image kontra Qwen-Image-Edit

Om du sökte efter skillnaden mellan Qwen-Image och Qwen-Image-Edit, frågade du vilken av två saker du har framför dig. Svaret är entydigt, och det förtjänar att sägas rakt ut, eftersom de två inte är utbytbara mot varandra och filnamnen skiljer dem inte åt.

• Qwen-Image — en text-till-bild-modell. Du ger den ord, den ger dig en bild. Det är modellen som Qwen-Image-Edit byggdes ovanpå. Det ursprungliga edit-checkpointets eget kort beskriver den som "bildredigeringsversionen av Qwen-Image", byggd på 20B Qwen-Image-modellen, och på så sätt ärver den Qwen-Images textrendering.

• Qwen-Image-Edit — en bild-till-bild-modell. Du ger den en bild plus ord, och den ger dig en modifierad version av den bilden. Det första checkpointets kort kategoriserar den under pipeline_tag: image-to-image. Du kan inte be den om en bild ur tomma intet; källbilden är inte valfri.

• Mekanismen som gör redigering annorlunda — där generatorn har en väg in (text) har redigeraren tre. Det ursprungliga checkpointets kort beskriver hur indatabilden matas samtidigt till Qwen2.5-VL för visuell semantisk styrning och till VAE-kodaren för visuell utseendestyrning. Den där andra vägen är vad en text-till-bild-modell strukturellt sett inte har: redigeraren får inte veta något om din bild i ord, den tittar på din bilds latenter.

• Där de två linjerna möts igen – Qwen-Image-2.1 beskrivs på sitt eget kort som "en enhetlig modell för text-till-bild-generering och bildredigering." Det är en annan arkitektur för svaret på samma fråga: i stället för en redigeringscheckpoint som skruvats på en generator gör en enda modell båda. Dess redigeringsexempel skickar ett image=-argument till en pipeline som du också använder för text-till-bild. Om du försöker lista ut vilken familj du har är den snabbaste ledtråden checkpointnamnet: ett namn i Qwen-Image-Edit…-serien är redigeringslinjen, och ett namn i Qwen-Image-2.1…-serien är den enhetliga modellen.

Inget här är en rekommendation mellan dem. De är olika svar på olika problem, och resten av den här sidan handlar om det första.

Instruktionsefterlevnad: vad den förändrar och vad den låter vara

Det här är frågan som sökefterfrågan säger att folk faktiskt skriver, och den förtjänar ett direkt svar snarare än en lista över funktioner. Det ärliga svaret har två halvor, och bara en av dem är bekväm.

Börja med den hälft som är inbyggd i modellens design, eftersom den förklarar de flesta av rapporterna om att "det förändrades mer än jag bad om". Det ursprungliga Qwen-Image-Edit-kortet drar en gräns mellan två lägen, och bara ett av dem lovar att något bevaras.

• Redigering av utseende — visuellt arbete på låg nivå, som att lägga till, ta bort eller ändra specifika element. Kortets egen formulering är att detta kräver att ”alla andra områden i bilden förblir helt oförändrade”. Det här är det läge som motsvarar vad de flesta menar med redigering.

• Semantisk redigering — arbete på hög nivå såsom IP-skapande, objektrotation och stilöverföring. Här säger kortet motsatsen: det ”tillåter övergripande pixeländringar samtidigt som semantisk konsekvens bibehålls.” Leverantörens eget genomarbetade exempel på detta är en kapybaramaskot som ritats om i många stilar, där kortet noterar att ”de flesta pixlar i den redigerade bilden skiljer sig från dem i indatabilden” medan karaktärskonsekvens bevaras.

Det där andra läget är inte en bugg, och kortet framställer det inte som en sådan. Men det är anledningen till att en begäran som "få det här att se ut som en Ghibli-film" med fog kan komma tillbaka som en bild som har nästan inga pixlar gemensamt med din källa. Om du bara ville att himlen skulle ändras, bad du inte om semantisk redigering. Läs dessa som leverantörsrapporterade beskrivningar av avsett beteende, inte som mätvärden — kortet anger dem som design, och ingen part har publicerat någon frekvens för hur ofta varje läge infriar sitt löfte.

Nu den mindre bekväma halvan. Linjens eget projekt erkände tidigt problem med instruktionsföljning i sina egna anteckningar. Qwen-Image-repositoriets anteckningar för den ursprungliga checkpointen, daterade 19 augusti 2025, flaggar för "prestandaavvikelser" i den första utgåvan och pekar särskilt ut identitetsbevarande och instruktionsföljning, samt hänvisar användare till en uppdaterad Diffusers-version. Det är ett leverantörsrapporterat medgivande om leverantörens egen modell, vilket är ungefär så direkt som bevis om instruktionsefterlevnad kan bli — och det gäller checkpointen från augusti 2025, inte 2511.

Leverantörens eget genomarbetade exempel på ett svårt fall är mer lärorikt än något påstående. I genomgången av kedjad redigering på det ursprungliga kortet innehåller ett kalligrafiverk genererat av Qwen-Image teckenfel, och redigeraren ombeds att rätta 稽 inuti en ritad röd ruta och 亭 inuti en blå. Kortet rapporterar att 稽 – ett obskyrt tecken – inte korrigeras korrekt i ett enda steg: den nedre högra komponenten borde vara 旨 och kommer tillbaka som 日. Först efter att ha ritat ytterligare en röd ruta tätt runt 日-området producerar modellen den korrekta komponenten. Två saker följer av detta, och leverantören anger båda: avgränsningsrutor på källbilden är en verklig kontrollmekanism, och ett avgränsat korrigeringssteg är inte alltid tillräckligt. Det är ett leverantörsrapporterat misslyckande och en leverantörsrapporterad återhämtning på ett leverantörsvalt exempel, vilket är exakt den form sådana bevis bör ha.

Kategorier som korten dokumenterar som fungerande, var och en som ett leverantörspåstående snarare än ett uppmätt resultat:

• Redigeringar på elementnivå med bevarande — att lägga till en skylt i en scen (originalkortet noterar att modellen även genererade en matchande reflektion), att ta bort fina hårstrån och små objekt, att ändra färgen på en enstaka bokstav i en bild.

• Tvåspråkig textredigering — att lägga till, ta bort och ändra kinesisk och engelsk text i en bild samtidigt som det ursprungliga typsnittet, storleken och stilen bevaras. 2509-kortet utökar detta till redigering av typsnittstyp, färg och material, och originalkortet visar redigering av kinesiska affischer ned till liten och intrikat text.

• Identitet och karaktärskonsekvens — 2509:s kort rapporterar förbättrat bevarande av ansiktsidentitet som stöder posetransformationer och porträttstilar; 2511:s kort rapporterar ytterligare förbättringar för gruppfoton med flera personer och för att sammansmälta två separata personbilder till ett sammanhängande gruppfoto.

• Novell vy-syntes och objektrotation — det ursprungliga kortet visar 90-graders och fullständig 180-graders objektrotation, vilket uttryckligen placerar detta inom semantisk redigering där pixeländring över hela bildrutan förväntas.

• Produktarbete — 2509:s kort rapporterar generering av produktaffischer från produktbilder med enfärgad bakgrund, plus logotyggenerering. 2511:s kort tillägger batchvis industriell produktdesign och materialbyte för industriella komponenter.

• ControlNet-liknande betingning — 2509:s kort rapporterar inbyggt stöd för djup-, kant- och nyckelpunktskartor samt skisser, inklusive att använda en nyckelpunktskarta för att ändra en persons kroppsställning.

• Tar guide — 2509:s kort anger att redigering av flera bilder fungerar genom bildsammanfogning över "person + person", "person + produkt" och "person + scen", och säger att bästa prestanda för närvarande uppnås med 1 till 3 indatabilder. Den övre gränsen är leverantörens vägledning, inte en hård gräns, och den anges för 2509.

• Nyare funktioner i 2511 — kortet listar mildrande av bilddrift, integrering av utvalda populära community-LoRA:er direkt i basmodellen, förbättrad generering av industriell design samt stärkt geometriskt resonemang, med ett exempel på generering av hjälpkonstruktionslinjer för designannotering.

Kontrollpunkterna, namnen och turbovägen

Det är här en stor del av söktrafiken går fel, så det är värt att vara exakt. Modellorganisationens egen förteckning på Hugging Face innehåller tre, och endast tre, repositorier i edit-linjen. Det är ett negativt fynd som fastställts genom direkt undersökning: de tre riktiga repositorierna löses upp, medan en uppsättning rimligt utseende namn i samma familj — inklusive Qwen/Qwen-Image-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, samt både Qwen/Qwen-Image-2.1-Edit och Qwen/Qwen-Image-Max-2512 — inte löses upp under identiska förhållanden. Vad dessa namn än syftar på är de inte publicerade checkpoints från modellens egen organisation, och den här sidan kommer inte att gissa vad de är.

De tre som finns:

• Qwen-Image-Edit – originalet, 17 augusti 2025, Apache-2.0, registrerad som bild-till-bild. Laddas med QwenImageEditPipeline. Dess egen snabbstart använder true_cfg_scale=4.0, negative_prompt=" " och num_inference_steps=50.

• Qwen-Image-Edit-2509 — 22 september 2025, Apache-2.0, beskrivs på sitt kort som "den månatliga iterationen av Qwen-Image-Edit." Laddad med QwenImageEditPlusPipeline; dess snabbstart använder true_cfg_scale=4.0, num_inference_steps=40 och guidance_scale=1.0. Detta är den checkpoint som lade till inmatning av flera bilder, det starkare konsekvensarbetet och inbyggt ControlNet-stöd.

• Qwen-Image-Edit-2511 — 17 december 2025, Apache-2.0, beskrivs på sitt kort som "en förbättrad version jämfört med Qwen-Image-Edit-2509, med flera förbättringar – bland annat märkbart bättre konsekvens." Den laddas också med QwenImageEditPlusPipeline, med samma samplingsinställningar som 2509. Om du inte har någon annan begränsning är detta den nyaste checkpointen i edit-serien.

Vilken av dem läsaren troligen har beror på var läsaren kom i kontakt med den. Den som använder en hostad bildredigeringsfunktion har med största sannolikhet 2511 eller 2509. Den som hämtade en checkpoint för ett år sedan och inte har rört den har med största sannolikhet originalet, och de skillnader som spelar roll för dem är enhetligheten och arbetet med flera bilder som lades till i 2509 snarare än en förändring av hur redigeringen fungerar.

Nu kommer turbo-frågan, formulerad precis eftersom namnet inbjuder till ett felaktigt antagande. Qwen-Image-2.1-Turbo är inte en turbo-checkpoint för redigering. Dess kort beskriver den som "en accelererad checkpoint av Qwen-Image-2.1 för text-till-bild-generering och bildredigering med 8 avbrusningssteg", med samma 7B-arkitektur för visuell generering och laddas direkt med QwenImage21Pipeline. Så den accelererade vägen för redigering är den accelererade vägen för den enhetliga modellen, och den ärver den modellens redigeringsbeteende snarare än redigeringslinjens.

Vad turbo förändrar, konkret:

• Antal steg — 8 avbrusningssteg, jämfört med 40 i den enhetliga modellens snabbstart och 40 eller 50 i redigeringslinjens.

• Vägledning — generering använder CFG=1 som standard, och prefix-KV-cachning återanvänder text- och referensbildskontexten genom avbrusningsstegen. Det är från den återanvändningen som en stor del av hastighetsökningen kommer, och kortets redigeringsexempel skickar use_kv_cache=True uttryckligen.

• Schemat sparas med checkpointen — kortet anger att det rekommenderade 8-stegs samplingsschemat sparas med checkpointen och laddas automatiskt, och att enbart ställa in num_inference_steps inte åsidosätter det. Om du ställer in antalet steg och inte ser någon förändring är det därför. Ett explicit sigmas-argument vid anropet åsidosätter det sparade schemat, och kortet tillägger att andra scheman inte har utvärderats för denna checkpoint.

• Fidelitet — kortet gör inget fidelitetsanspråk för turbo-checkpointen gentemot den enhetliga modellen, och ingen oberoende mätning som isolerar turbons redigeringsfidelitet finns att hänvisa till. Den som säger att 8-stegsredigeringen är eller inte är lika trogen som 40-stegsredigeringen går utöver vad som har publicerats. Vad kortet däremot dokumenterar är samplingförändringen och att arkitekturen förblir samma 7B-visuella komponent, vilket är anledningen till att det är värt att testa i stället för att anta.

När det gäller relativ kvalitet kommer de oberoende siffrorna från Artificial Analysis image-editing-board, som är en tredjepartsmätning snarare än ett leverantörspåstående, och de är värda att läsas noggrant eftersom två av dem inte är vad namnen antyder.

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4 478 prover, november 2025, öppna vikter. Detta är bidraget med högst poäng i den diskreta redigeringsserien.

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, 7 390 prover, september 2025, öppna vikter.

• Qwen Image Edit — 918 Elo, ±7, 7 415 prover, augusti 2025, öppna vikter. Det är ungefär 103 Elo under 2511 på samma leaderboard, vilket är storleken på det gap som konsekvensarbetet gav.

• Qwen Image Edit Max 2601 — 1000 Elo, ±8, 5 036 prover, daterad januari 2026 på resultattavlan, stängda vikter. Tavlan listar denna post; inget matchande arkiv återfinns i modellorganisationens egen förteckning, så vad denna checkpoint är kan inte fastställas utifrån primärmaterial. Den rapporteras här som en rad från en oberoende tavla och inget mer.

• Qwen-Image-2.1 — 1074 Elo, ±9, 5 536 prover, öppna vikter, ungefär 53 Elo över den bästa redigeringscheckpointen. Observera att resultattavlan märker denna posts datum som september 2026 och tillägger "Inget API tillgängligt." En enhetlig modell som överträffar den dedikerade redigeringslinjen är det enskilt mest användbara faktumet på den här sidan för alla som ska besluta vad de ska köra, och det är en oberoende mätning, inte ett leverantörspåstående.

Samma sida listar också API-kostnader per 1 000 bilder för flera av dessa poster, och den här sidan återger dem medvetet inte: de ändras, de är forumrapporterade snarare än publicerade av leverantören, och en läsare som agerar utifrån dagens siffra skulle vilja läsa den vid källan.

Vad du måste tillhandahålla

Redigerarens indatakrav är där de flesta misslyckade körningarna avgörs, och specifikationen är mer förlåtande än man förväntar sig i en riktning och mindre förlåtande i en annan.

• Källbilden är obligatorisk och den är hela indata — det finns inget läge för enbart text. Originalcheckpointens kort konverterar sitt exempel till RGB innan det skickas vidare; den enhetliga modellens turbokort laddar sitt exempel och konverterar till RGBA, vilket spelar roll eftersom Qwen-Image-2.1 genererar och redigerar transparenta bilder nativt.

• Masklös redigering är den dokumenterade vägen i den enhetliga modellen — Qwen-Image-2.1-kortet anger att lokala redigeringar kan anges via cirklar, målade annoteringar eller separata masker, och att modellen stöder upp till 10 referensbilder. Den masklösa vägen via cirklar och målade annoteringar är den som kortet presenterar först; det är anledningen till att du kan markera ett område i en vanlig bildredigerare i stället för att skapa en maskfil.

• Maskad redigering finns som en separat pipeline — en fristående inpaint-pipeline exponerar mask_image, masked_image_latents och padding_mask_crop tillsammans med en strength parameter som standard är 0.6. Om du har lagt tid på att leta efter ett strength-reglage på edit-checkpointarna och inte hittat något, är detta anledningen: edit-linjens egna pipelines tar inte emot någon sådan, och den enhetliga modellens redigeringsexempel skickar en prompt och en bild utan något strength-argument alls.

• Källupplösningen är begränsad, och begränsningen är aritmetisk — både original- och plus-pipelinen validerar att höjden är delbar med två gånger VAE-skalfaktorn. I den enhetliga modellens pipeline är VAE-skalfaktorn 16 och kontrollen varnar för delbarhet med 32, med standardvärdet output_resolution på 1024. Att skicka en godtycklig fotostorlek rakt igenom är ett av de vanliga sätten att få ett hårt fel i stället för en dålig redigering.

• Det finns inbyggda högupplösta förinställningar, och de är specifika siffror — den enhetliga modellen och dess turbo-checkpoint publicerar samma sju förinställningar: 1:1 vid 2048×2048, 4:3 vid 2400×1792, 3:4 vid 1792×2400, 3:2 vid 2528×1696, 2:3 vid 1696×2528, 16:9 vid 2752×1536 och 9:16 vid 1536×2752. Turbokortets text-till-bild-exempel använder porträttförinställningen 1696×2528 och dess redigeringsexempel använder 2048×2048.

• Flerbildsinmatning har ett dokumenterat optimalt intervall — upp till 3 bilder för 2509, och upp till 10 referenser för den enhetliga modellen. Att överskrida intervallet som leverantören dokumenterar är inte förbjudet, men det finns inget publicerat som beskriver vad som händer när du gör det.

• Ytterligare ett försörjningskrav som är lätt att missa — den enhetliga modellens redigeringsväg använder num_inference_steps på 40 i sin snabbstart och dess pipeline-standardvärden inkluderar use_kv_cache=True och true_cfg_scale=1.0. Att läsa dessa standardvärden innan du justerar något besparar dig en vända förvirring om varför utdata ändrades när du trodde att du bara hade ändrat en sak.

Redigera en bild som du redan har redigerat

Detta är det minst klarlagda området på sidan, och det är värt att skilja på vad som är dokumenterat och vad som inte är det. Två mekanismer beskrivs, och en av dem är leverantörens eget svar på ett fel.

• Kedjad korrigering är dokumenterad och förväntad — kalligrafigenomgången på originalkortet är en slinga med flera turer, inte ett enda genomlopp. Modellen misslyckas med 稽 i ett steg, läsaren ritar en snävare ruta runt den felande komponenten, och nästa tur åtgärdar det. Kortet presenterar detta som det avsedda sättet att arbeta snarare än som en tillfällig lösning, och slutresultatet nås efter flera på varandra följande turer på samma bild. Om du redigerar en redan redigerad bild gör du det som leverantören dokumenterar.

• Bilddrift är den namngivna risken i den senaste checkpointen — 2511:s kort inleder sin lista över viktigaste förbättringar med "mitigera bilddrift", vilket är leverantörens eget uttryck för oönskad förändring som ackumuleras över turer. Påståendet är att 2511 minskar den; kortet kvantifierar inte hur mycket, och det finns ingen oberoende mätning av drift över ett känt antal redigeringsturer att hänvisa till.

• Vad som inte är avgjort — hur mycket kvalitet en tredje eller femte omgång kostar, om drift ackumuleras linjärt eller planar ut, och om turbo-checkpointens 8-stegsschema uppvisar en annan drift än 40-stegsvägen. Leverantören publicerar ingen kvalitetskurva per omgång för någon checkpoint i någon av serierna, och de oberoende panelerna mäter redigering i ett enda pass snarare än kedjor. Den praktiska tolkningen är att leverantörens dokumenterade arbetsflöde är en kort begränsad kedja med ett ritat område vid varje omgång, och inget publicerat stöder att behandla en lång kedja av ofästa redigeringar som säker.

• Kontextåteranvändning samverkar med kedjning — turbo-checkpointens prefix-KV-cachning återanvänder text- och referensbildskontext över avbrusningssteg, och kortets redigeringsexempel aktiverar den. Det är en optimering inom ett anrop, inte ett minne mellan turer; inget i kortet tyder på att modellen behåller något mellan separata anrop. Varje tur utgår från bilden du ger den.

Vad är inte avgjort

Hållen kort, eftersom en referenssida som döljer sina gränser är sämre än en som pekar på dem.

• Vad "Qwen Image Edit 3" och "Qwen Image Edit 2512" är. Inget av namnen motsvarar ett arkiv i modellorganisationens egen förteckning, så den här sidan kan inte säga vilken generation de betecknar, eller ens om de betecknar någon alls. Om en senare redigeringsgeneration publiceras kommer den att visas i den förteckningen, och den här sidan kommer att vara felaktig tills den skrivs om.

• Vad Qwen Image Edit Max 2601 är. Ett oberoende kort bär raden; inget matchande leverantörsarkiv finns. Luckan rapporteras i stället för att fyllas.

• Om turbo sker på bekostnad av redigeringstroheten.Inget leverantörspåstående, ingen oberoende mätning.

• Hur mycket drift 2511 faktiskt tar bort. Leverantören hävdar en minskning och kvantifierar den inte.

• Frekvenser för någon av de dokumenterade förmågorna.Alla "fungerar för X"-påståenden på den här sidan är kontrollpunktens eget kort som beskriver avsett beteende i utvalda exempel. Inget av det är en uppmätt framgångsfrekvens, och inget av det bör läsas som en sådan.

Ditt nästa steg är att välja en av de tre checkpointarna som finns, läsa just den checkpointens eget kort innan du ändrar något i dess snabbstart, och ge den en källbild vars mått uppfyller pipelinens delbarhetskontroll. Om anledningen till att du kom hit är att du vill utgå från en egen bild och behålla så mycket av den som möjligt i stället för att ändra den, är det ett närliggande problem med en egen genomgång – sidan för bild-till-bild går igenom hur du utgår från din egen bild och vad avsaknaden av en styrkekontroll innebär för den. Om du i stället vill ha den nyare enhetliga modellen eftersom en oberoende resultattavla placerar den över hela redigeringslinjen, är den accelererade checkpointen det billiga sättet att prova den innan du bestämmer dig.