Qwen-Image-2.1 i2i: เริ่มจากภาพของคุณเอง และทำไมถึงไม่มีสไลเดอร์ปรับความแรง

ถ้าคุณค้นหา Qwen-Image-2.1 i2i คุณคงรู้อยู่แล้วว่า image-to-image (i2i) หมายถึงอะไร: คุณป้อนภาพให้โมเดลแทน latent เปล่า ๆ แล้วได้ภาพที่คล้ายกับภาพนั้นกลับมา สิ่งที่หน้านี้ทำให้กระจ่างคือ เมื่อไรที่การทำแบบนั้นเป็นทางเลือกที่ถูกต้องบน Qwen-Image-2.1 — และส่วนที่ทำให้คนที่มาจากโมเดลภาพอื่นรู้สึกประหลาดใจ บนโมเดลนี้ สไลเดอร์ strength ที่คุณกำลังมองหาไม่มีอยู่จริงไปป์ไลน์ของ Qwen-Image-2.1 เองไม่รับอาร์กิวเมนต์ strength หรือ denoise เลยแม้แต่ตัวเดียว: ภาพอ้างอิงของคุณถูกป้อนเข้าไปเป็น context ส่วนภาพเป้าหมายเริ่มต้นจาก noise ล้วน ๆ และสิ่งที่กำหนดว่าผลลัพธ์จะเบี่ยงเบนไปจากอินพุตของคุณมากแค่ไหนก็คือสิ่งที่คุณเขียน ถ้าสิ่งที่คุณต้องการจริง ๆ คือเปลี่ยนสิ่งหนึ่งที่มีชื่อเรียกชัดเจนโดยปล่อยส่วนที่เหลือไว้เหมือนเดิม นั่นเป็นงานอีกแบบที่จัดการโดยอีกไลน์หนึ่งในตระกูลเดียวกัน — เช็กพอยต์ Qwen-Image-Edit — และการเปรียบเทียบในหน้านี้คือส่วนที่ควรอ่านก่อน เพราะผู้อ่านที่ค้นหา "i2i" มักอยู่ห่างจากการค้นหาอีกเพียงครั้งเดียวจากเครื่องมือที่ผิด

สิ่งที่ภาพอินพุตทำจริง ๆ

บน Qwen-Image-2.1 ภาพเงื่อนไขจะเข้าสู่โมเดลผ่านสองช่องทาง และไม่มีช่องทางใดเลยที่เป็น "latent เริ่มต้นแบบมีสัญญาณรบกวนที่คุณปรับลดย้อนกลับ" ทั้งรีโพซิทอรีและคลาสไปป์ไลน์ diffusers ที่เผยแพร่สำหรับโมเดลนี้อธิบายทั้งสองช่องทางไว้:

• ตัวเข้ารหัสข้อความ — ตัวเข้ารหัสข้อความคือ Qwen3-VL 8B ซึ่งเป็นโมเดลที่เข้าใจทั้งภาพและภาษา และรีโพซิทอรีของผู้พัฒนาแจ้งว่าโมเดลนี้เข้ารหัสคำสั่งข้อความและภาพเงื่อนไขให้เป็นตัวแทนแบบรวมเป็นหนึ่งเดียว โดยแท้จริงแล้ว ภาพของคุณเป็นส่วนหนึ่งของสิ่งที่โมเดลอ่านเป็นพรอมป์ต

• VAE — ภาพเดียวกันถูกเข้ารหัสเป็นโทเคนแฝงและเติมไว้ข้างหน้าเสียงรบกวน ก่อนหน้าโทเคนของภาพเป้าหมายเอง ดังนั้นทรานส์ฟอร์มเมอร์จึงมองเห็นลำดับร่วมหนึ่งลำดับ โดยมีภาพอ้างอิงของคุณอยู่ก่อน และสิ่งที่กำลังสร้างอยู่ตามหลัง

• เริ่มต้นเป้าหมาย — แลเทนต์เป้าหมายถูกสุ่มจากเกาส์เซียนและดีนิวซ์ตลอดกำหนดการทั้งหมด โดยเริ่มจากซิกมา 1.0 ลงมา ไม่มีจุดเข้าสำหรับการดีนิวซ์บางส่วนในไปป์ไลน์นั้น

หัวข้อที่สามคือความแตกต่างทั้งหมดจาก i2i ที่คนส่วนใหญ่เคยใช้ ในรูปแบบคลาสสิก คุณเข้ารหัสภาพอินพุตของคุณ เพิ่มนอยซ์ให้มันตามสัดส่วนของค่า strength แล้วดีนอยซ์จากจุดนั้น — ดังนั้นอินพุตจึงมีอยู่จริงใน latent เริ่มต้น และตัวเลข strength เป็นตัวกำหนดว่ามันจะรอดมาได้มากแค่ไหน บนเส้นทางของ Qwen-Image-2.1 เอง ภาพของคุณไม่เคยเป็นจุดเริ่มต้น มันเป็นบริบท เอาต์พุตไม่ใช่เวอร์ชันที่ขัดเกลาแล้วของไฟล์คุณ แต่เป็นภาพใหม่ที่วาดขึ้นโดยมีไฟล์ของคุณอยู่ในฉาก

ยังมีรายละเอียดอีกหนึ่งอย่างที่ควรรู้ เพราะนี่คือจุดที่ตัวย่อที่ผู้อ่านพิมพ์เข้ามาอยู่จริง ๆ ไปป์ไลน์ diffusers จะโยนข้อผิดพลาดออกมาอย่างชัดเจนหากคุณพยายามส่ง latents ที่เข้ารหัสไว้ล่วงหน้าเป็น imageพร้อมคอมเมนต์ว่า "text encoder ต้องได้เห็นภาพเอง" ภาพเงื่อนไขต้องเป็นพิกเซล ไม่ใช่เทนเซอร์

การควบคุมความแรง และมันไปอยู่ที่ไหน

Diffusers มี pipeline แบบ img2img สำหรับตระกูลนี้ให้ใช้งานจริง และอาร์กิวเมนต์strengthของมันทำงานตรงตามที่วงการนี้สอนให้คุณคาดหวังไว้พอดี อ่านจาก docstring ของคลาสเอง: รูปภาพ "ถูกใช้เป็นจุดเริ่มต้น และจะมีการเติมนอยซ์มากขึ้นเมื่อ strength ยิ่งสูง", และ "ค่า 1 โดยพื้นฐานแล้วจะไม่สนใจ image" ค่าเริ่มต้นของมันคือ strength=0.6 และ num_inference_steps=50 ดังนั้นปลายทั้งสองจึงเป็นปลายทั้งสองที่คุณรู้อยู่แล้ว:

• Strength ใกล้ 0 — แทบไม่มีการเพิ่มนอยส์ ลูปดีนอยส์สั้น และผลลัพธ์แทบแยกไม่ออกจากอินพุตของคุณ นี่คือค่าที่เหมาะสำหรับการเกรดสี การใส่เท็กซ์เจอร์แบบเบา ๆ แทบจะเป็นการคัดลอก

• ค่าความเข้มที่ 1 — สัญญาณรบกวนที่เพิ่มเข้ามามีค่าสูงสุด การลดสัญญาณรบกวนทำงานตามกำหนดการเต็มรูปแบบ และภาพอินพุตจะถูกทิ้งไปในทางปฏิบัติ มันคือการสร้างภาพจากข้อความที่มีการดำเนินการเปล่าประโยชน์ซึ่งมีค่าใช้จ่ายสูงแนบมาด้วย

นี่คือข้อควรระวัง และเป็นเหตุผลที่หน้านี้มีอยู่ ตัวอย่างที่เผยแพร่พร้อมกับไปป์ไลน์นั้นโหลดเช็คพอยต์ปี 2025 ไม่ใช่โมเดลนี้ Qwen-Image-2.1 มีคลาสไปป์ไลน์ของตัวเองQwenImage21Pipeline และไม่รับ strength อาร์กิวเมนต์, ไม่มี denoise อาร์กิวเมนต์ และไม่มีจุดเริ่มต้นสำหรับ partial-noise ไม่ว่าคุณจะจำค่าที่ตั้งไว้บนโมเดลอื่นได้ ก็ไม่มีที่ไหนบนเส้นทาง 2.1 ให้ตั้งค่านั้นได้ คันโยกย้ายจากตัวเลขไปที่พรอมต์

นั่นไม่ใช่ช่องว่างที่ผู้ขายเปิดทิ้งไว้ มันมาพร้อมโมเดลที่มีหน้าที่เดียวคือเขียนพรอมป์ตนั้น: Qwen-Image-2.1-PE-I2I ซึ่งเป็นเช็กพอยต์ Qwen3.5-VL 9B ที่ผ่านการไฟน์จูน ซึ่งรับคำสั่งที่คลุมเครือพร้อมรูปภาพอินพุตหนึ่งรูปขึ้นไป และส่งคืนออบเจ็กต์ JSON ที่มี rewritten_prompt และหนึ่งในสองฟิลด์ที่ใช้ร่วมกันไม่ได้ — wh_ratio เมื่อคำขอสร้างองค์ประกอบใหม่ หรือ ratio_follow เมื่อควรสืบทอดอัตราส่วนภาพของรูปภาพอินพุตที่มีหมายเลขกำกับ JSON นั้นเป็นสิ่งที่ใกล้เคียงกับการตั้งค่าความแรงที่สุดที่ Qwen-Image-2.1 มี มันคือโมเดลที่บอกคุณว่าคำขอของคุณคงเฟรมของอินพุตไว้หรือสร้างเฟรมใหม่ สังเกตว่าสตริง "i2i" ปรากฏอยู่ตรงไหนในการตั้งชื่อของผู้ขายเอง: บนเช็กพอยต์ที่เขียนพรอมป์ตใหม่นี้ ไม่ใช่บนเช็กพอยต์ image-to-image แยกต่างหาก เจเนอเรชัน 2.1 ไม่ได้เผยแพร่เช็กพอยต์ดังกล่าว

i2i หรือการแก้ไข: กฎที่ต้องใช้

เลือกใช้ i2i เมื่อคุณต้องการความหลากหลาย เลือกใช้การแก้ไขเมื่อคุณต้องการเปลี่ยนแปลง ทุกสิ่งทุกอย่างที่เหลือล้วนเป็นไปตามหลักการเดียวนี้

• รูปแบบที่แตกต่าง — คุณชอบภาพนี้และอยากได้ภาพแบบนี้อีก มุมมองอื่น แสงที่ต่างออกไป ตัวละครเดิมในฉากใหม่ สินค้าเดิมในบริบทใหม่ คุณไม่สามารถระบุสิ่งใดสิ่งหนึ่งที่ต้องเหมือนกันทุกพิกเซลได้ เพราะคุณไม่ได้กำลังรักษาไว้ — คุณกำลังวาดใหม่ นั่นคืองาน i2i

• เปลี่ยน — คุณตั้งชื่อสิ่งนี้ได้ "ให้ตัวละครและท่าทางคงเดิมไว้ ใส่เสื้อตัวนี้ให้ตัวละครนั้น" คำสั่งนี้เป็นข้อจำกัด และส่วนที่เหลือของเฟรมคือคำสัญญาที่คุณควรได้รับคืน นั่นคืองานแก้ไข

บน Qwen-Image-2.1 พฤติกรรมทั้งสองอยู่ในเช็กพอยต์เดียว เอกสารเปิดตัวของบริษัทผู้พัฒนาระบุว่าเป็น "โมเดลสร้างภาพจากข้อความและแก้ไขภาพแบบรวมเป็นหนึ่ง" และเส้นทางการแก้ไขเฉพาะจุดที่เอกสารอธิบายไว้มีลักษณะเป็นมาสก์ นั่นคือวงกลมหรือระบายบริเวณที่ต้องการ หรือส่งภาพต้นฉบับและมาสก์แยกกันเป็นอินพุตสองรายการ สิ่งที่รุ่น 2.1 ไม่ได้ให้มาด้วยคือเช็กพอยต์สำหรับแก้ไขภาพแยกต่างหาก

เช็กพอยต์สำหรับงานแก้ไขโดยเฉพาะอยู่ในสายที่แตกต่างออกไปและเป็นคนละเจเนอเรชันกัน รายชื่อโมเดลขององค์กรผู้จำหน่ายเองบน Hugging Face ซึ่งอ่านเมื่อวันที่ 13 ตุลาคม 2026 มีโมเดลรูปภาพเก้ารายการภายใต้ผู้เขียนรายนั้น และรายการ edit ในนั้นคือ Qwen-Image-Edit (สร้างเมื่อ 17 สิงหาคม 2025), Qwen-Image-Edit-2509 (22 กันยายน 2025) และ Qwen-Image-Edit-2511 (17 ธันวาคม 2025) ไม่มีรายการใดเป็นโมเดล 2.1 ดังนั้นโปรดระวังหน้าใดก็ตามที่ระบุว่า "Qwen-Image-Edit 2.1": ไม่มีที่เก็บภายใต้ชื่อนั้นอยู่ในรายการของผู้จำหน่าย และรูปแบบการสะกดที่ผู้คนพิมพ์ — "qwen image edit 3", "qwen image edit 2512" — ก็ไม่ตรงกับที่เก็บที่เผยแพร่ของผู้จำหน่ายเช่นกัน ไม่ว่าข้อกล่าวอ้างเกี่ยวกับสาย edit จะบอกอะไรคุณ ให้ตรวจสอบว่ามันเป็นเจเนอเรชันใดก่อนลงมือทำตาม เพราะสายนี้ครอบคลุมสามเจเนอเรชันที่มีวันที่กำกับ และการเปิดตัว 2.1 ไม่ใช่หนึ่งในนั้น

ในทางปฏิบัติ กฎนี้แยกออกมาแบบนี้ ถ้าคุณเขียนคำสั่งเป็นประโยคที่มีเป้าหมายอยู่ในนั้นได้ — "ทำให้ท้องฟ้าเป็นพระอาทิตย์ตก", "ลบนาฬิกา" — คุณอยู่ในอาณาเขตของการแก้ไข และบน 2.1 คุณเข้าถึงมันด้วยมาสก์หรือการวาดคำอธิบายประกอบแทนที่จะสลับเครื่องมือ ถ้าประโยคของคุณไม่มีเป้าหมายและเป็นแค่คำบรรยายของภาพที่คุณต้องการในขั้นถัดไป คุณอยู่ในอาณาเขตของ i2i ผู้อ่านที่พิมพ์ "i2i" แล้วพบว่าตัวเองกำลังเขียนประโยคคำสั่ง คือผู้อ่านที่ต้องการเส้นทางการแก้ไข และนั่นคือเหตุผลทั้งหมดที่ส่วนนี้อยู่สูงขนาดนี้บนหน้า

สิ่งที่ภาพอินพุตของคุณจำกัด

ห้าสิ่งที่คุณแก้ไขทันทีที่เลือก reference โดยทั้งหมดมีเอกสารกำกับอยู่ในโค้ดของไปป์ไลน์เองหรือในเอกสารที่เผยแพร่ของ ComfyUI สำหรับโมเดลนี้ อ่านเมื่อวันที่ 13 ตุลาคม 2026

• งบความละเอียด — output_resolutionของไปป์ไลน์ 2.1 มีค่าเริ่มต้นที่ 1024 และภาพเงื่อนไขทุกภาพจะถูกปรับขนาดให้อยู่ในงบ output_resolutionยกกำลังสองตามอัตราส่วนภาพของตัวเอง โดยปัดเป็นจำนวนเท่าของ 32 ดังนั้นภาพถ่ายขนาด 3000×4000 จึงถูกลดลงเหลือราว 896×1184 — ประมาณหนึ่งเมกะพิกเซล — ก่อนที่โมเดลจะได้เห็นแม้แต่พิกเซลเดียวของภาพนั้น เอกสารของ ComfyUI ทำให้เห็นต้นทุนได้อย่างเป็นรูปธรรม: งานเดียวกันบนแคนวาส 3008×4000 เทียบกับราว 896×1184 ใช้เวลาประมาณ 6 วินาทีต่อการวนซ้ำ เทียบกับประมาณ 0.3 วินาที เมื่อวัดบน RTX 5090 การลดขนาดแคนวาสทำให้การรัน i2i เร็วขึ้นเพราะได้ภาพที่เล็กลง ไม่ใช่เพราะเพิ่มรายละเอียด

• อัตราส่วนภาพ — หากคุณไม่ระบุความสูงและความกว้าง แคนวาสเอาต์พุตจะได้มาจากอัตราส่วนภาพของภาพเงื่อนไขสุดท้ายที่คุณส่งเข้ามา แต่ละภาพอ้างอิงจะคงรูปทรงของตัวเองไว้ ดังนั้นภาพแนวตั้งและภาพแนวนอนจึงสามารถเดินทางมาในคำสั่งเดียวได้โดยไม่ถูกครอปให้เข้ากับกรอบของอีกภาพหนึ่ง

• จำนวนเท่าของ 32 — ไปป์ไลน์จะแจ้งเตือนและปรับขนาดให้โดยไม่บอกกล่าว เมื่อความสูงหรือความกว้างหารไม่ลงตัวด้วยตัวคูณสเกลของ VAE คูณสอง ซึ่งบนโมเดลนี้คือ 32 หากคุณเลือกขนาดแคนวาสด้วยตัวเอง ให้ปัดเศษ

• ขนาดเนทีฟ — Qwen-Image-2.1 ถูกฝึกที่ 2K และขนาดที่รีโพซิทอรีแนะนำล้วนอยู่ในช่วงนั้น: 2048×2048 สำหรับ 1:1, 2752×1536 สำหรับ 16:9, 1536×2752 สำหรับ 9:16 และ 2400×1792 สำหรับ 4:3 เอกสารของ ComfyUI ระบุว่าเป้าหมายเริ่มต้นคือหนึ่งเมกะพิกเซล ให้ตั้งประมาณ 4.0 MP สำหรับจัตุรัส 2048×2048 แบบเนทีฟ และ — คำเตือนที่มีประโยชน์ — ว่าเป้าหมายที่สูงกว่าขนาดที่ฝึกไว้มาก เช่น 4K จะทำให้ความสามารถในการทำตามพรอมป์ตลดลงแทนที่จะได้รายละเอียดเพิ่มขึ้น

• Alpha — หากภาพอ้างอิงของคุณมีความโปร่งใส ตัวเข้ารหัสภาพจะได้รับสำเนาที่ถูกคอมโพสิตทับบนพื้นสีขาว; มีเพียงสำเนา VAE เท่านั้นที่เก็บทั้งสี่แชนเนลไว้ สิ่งใดก็ตามที่คุณคาดหวังให้โมเดลเข้าใจเกี่ยวกับความโปร่งใสของคุณ กำลังถูกฝั่งข้อความอ่านเป็นพื้นหลังสีขาว

สิ่งที่อยู่รอด และสิ่งที่ถูกประดิษฐ์ขึ้นใหม่

ตรงนี้ต้องแม่นยำนะ เพราะเอกสารที่เผยแพร่กับตัวกลไกบอกไม่ตรงกัน และทั้งสองอย่างก็เป็นความจริง

• มีเอกสารบันทึกว่าให้ผลที่คงอยู่ — ผู้จำหน่ายอ้างว่างานด้านความเที่ยงตรงทำได้ในสองด้าน คือ อัตลักษณ์ของใบหน้า เพื่อให้บุคคลยังคงจำได้แม้ผ่านการแก้ไขและการสร้างภาพหลายรอบ และความสม่ำเสมอของผลิตภัณฑ์ โดยรักษาข้อความ พื้นผิว และรูปทรงไว้ ข้ออ้างเหล่านี้เป็นข้ออ้างของผู้จำหน่ายที่แสดงด้วยตัวอย่างวางเทียบข้างกัน มากกว่าที่จะเชื่อมโยงกับการวัดผลใด ๆ และไม่มีการเผยแพร่คะแนนอิสระสำหรับทั้งสองด้านในเอกสารที่อ่านเพื่อจัดทำหน้านี้เมื่อวันที่ 13 ตุลาคม 2026

• รับประกันถึงระดับพิกเซล — ไม่มีอะไรเลย ข้อมูลอ้างอิงของคุณคือโทเค็นบริบทและคำนำหน้าภาพ ส่วนเป้าหมายคือสัญญาณรบกวน ส่วนใดของอินพุตที่พรอมต์ของคุณไม่ได้กล่าวถึงหรือบอกเป็นนัย ย่อมเปลี่ยนแปลงได้อย่างอิสระ และไม่มีการตั้งค่าใดในไปป์ไลน์ที่ยึดมันไว้กับที่ หากรายละเอียดใดต้องไม่ถูกเปลี่ยน จงระบุมันในพรอมต์ เพราะไม่มีสิ่งอื่นใดที่จะทำเช่นนั้น

• รอยมาร์กซึมเข้าไปในอินพุต — ในเวิร์กโฟลว์การแก้ไขที่ ComfyUI ระบุไว้ในเอกสารนั้น เส้นที่วาดด้วยปากกาจะไปเกาะอยู่บนเลเยอร์ RGB ของภาพแทนที่จะอยู่ในมาสก์ ดังนั้นเมื่อบันทึก ภาพที่มีรอยมาร์กจะถูกเขียนกลับเข้าไปในโหนด และรอยมาร์กเหล่านั้นก็กลายเป็นส่วนหนึ่งของข้อมูลอ้างอิงที่โมเดลอ่าน ควรวางรอยมาร์กไว้ภายในพื้นที่ที่คุณต้องการแก้ไข และระบุสีที่คุณต้องการลงในพรอมป์ตด้วย เพราะไม่เช่นนั้นสีของรอยมาร์กอาจไปปรากฏในผลลัพธ์ได้

• แคนวาสที่ไม่ตรงกันทำให้ผลลัพธ์เปลี่ยนไป — เอกสารของ ComfyUI แนะนำให้ตั้งแคนวาสแบบกำหนดเองให้ใกล้เคียงกับขนาดหลังการปรับขนาดของภาพอ้างอิงภาพแรก "ไม่เช่นนั้นการแก้ไขอาจเปลี่ยนตำแหน่ง" อินพุตที่มีรูปร่างต่างจากแคนวาสที่คุณระบุจะไม่ถูกใส่แถบดำ (letterbox) แต่จะถูกเลื่อนตำแหน่งแทน

• Determinism ต้องอาศัยการตั้งค่าสองอย่าง ไม่ใช่แค่อย่างเดียว — การสลับ use_kv_cache บนไปป์ไลน์ 2.1 จะเปลี่ยนตัวอย่างที่ seed คงที่ เพราะแคชทำให้ขั้นตอน decode มีการ attend ด้วยเลย์เอาต์ลำดับที่ต่างจากขั้นตอน prefill ทั้งสองจึง "ให้ตัวอย่างที่ถูกต้องเท่าเทียมกันแต่แตกต่างกันอย่างเห็นได้ชัด" คำแนะนำของไปป์ไลน์เองคือให้ตรึงแฟล็กนี้ไว้ ใน ComfyUI ตัวควบคุมที่เทียบเท่ากันคือความแม่นยำในการจัดเก็บของโหนดแคช โดยที่ — ตัวเลขของ ComfyUI เอง ยังไม่ได้ตรวจสอบ — int8 ลดแคชลงครึ่งหนึ่งที่ความแม่นยำประมาณ bf16 และ int4 ลดเหลือหนึ่งในสี่ พร้อมเพิ่มข้อผิดพลาดต่อขั้นตอนขึ้นราวสองเท่า

เมื่อ i2i เป็นเครื่องมือที่ไม่เหมาะสม

ห้ากรณี โดยแต่ละกรณีมีการระบุชื่อทางเลือกไว้

• คุณสามารถระบุสิ่งที่ต้องการเปลี่ยนแปลงได้อย่างเจาะจง ใช้เส้นทางการใช้คำสั่งบน Qwen-Image-2.1 — ระบายสีหรือวงรอบบริเวณนั้น หรือส่งมาสก์แยกต่างหากเป็นอินพุตที่สอง — หรือใช้เช็กพอยต์เฉพาะจากสาย Qwen-Image-Edit โดย i2i จะวาดเฟรมใหม่รอบเป้าหมายของคุณพร้อมกับตัวเป้าหมายเอง

• คุณจำเป็นต้องให้พิกเซลต้นฉบับถูกเก็บไว้ i2i สร้างภาพใหม่; มันไม่ได้รักษาพิกเซลใด ๆ ไว้เลย เส้นทางมาสก์คือเส้นทางที่ถูกสร้างขึ้นเพื่อปล่อยให้ส่วนที่เหลือของเฟรมคงเดิม

• คุณต้องใช้ 4K เหนือขนาดที่ฝึกมา 2K โมเดลจะสูญเสียการทำตามพรอมป์ ตามเอกสารของ ComfyUI การทำ i2i ที่ 4K เป็นการรันที่ช้ากว่าและทำตามคำอธิบายของคุณได้น้อยลง ไม่ใช่ภาพที่คมชัดขึ้น

• คุณจำเป็นต้องให้รายละเอียดปลีกย่อยจากอินพุตถูกทำซ้ำออกมาอย่างครบถ้วน ภาพเงื่อนไขจะถูกย่อขนาดลงให้เหลือประมาณหนึ่งล้านพิกเซลก่อนเป็นอันดับแรก ดังนั้นภาพอ้างอิงขนาด 12 ล้านพิกเซลจึงไม่เคยไปถึงโมเดลที่ความละเอียดเต็ม รายละเอียดที่เล็กกว่างบประมาณนั้นจะหายไปก่อนที่กระบวนการลดสัญญาณรบกวนจะเริ่มต้น

• คุณต้องรันซ้ำให้ได้ผลเหมือนกันทุกบิต ตรึงแฟล็ก KV cache และ seed ไว้ แล้วเปลี่ยนการตั้งค่าทีละอย่างเท่านั้น — ไม่เช่นนั้นคุณกำลังเปรียบเทียบ sampler สองตัวที่ต่างกัน แล้วเรียกมันว่า noise

มีข้ออ้างอิงข้ามหนึ่งจุด เพราะมันจะถูกพูดถึงในภายหลัง: Turbo checkpoint ที่เผยแพร่เมื่อวันที่ 9 ตุลาคม 2026 ใช้สถาปัตยกรรมการสร้างภาพ 7B แบบเดียวกัน และเส้นทางการปรับสภาพด้วยภาพ (image-conditioning path) แบบเดียวกัน และรันตารางเวลาใน 8 ขั้นตอนการลดสัญญาณรบกวน (denoising steps) แทนที่จะเป็นประมาณ 40 ขั้นตอน ไม่มีอะไรเกี่ยวกับวิธีที่ภาพอินพุตของคุณถูกนำไปใช้เปลี่ยนไประหว่างสองสิ่งนี้ ถ้าคุณต้องการเส้นทาง i2i แบบเร็ว นั่นคือ checkpoint ที่ควรโหลด ถ้าคุณกำลังดีบักว่าทำไม reference ของคุณถึงถูกมองข้าม จำนวนขั้นตอนไม่ใช่ตัวแปร

จะทำอะไรต่อไป

เริ่มจาก Quick Start ของผู้จำหน่ายเองบนการ์ดโมเดล แทนที่จะเริ่มจากบทช่วยสอน แล้วอ่านรายการอาร์กิวเมนต์ของตัวอย่างการแก้ไข: มันส่ง image=input_image, ตั้งค่า num_inference_steps และไม่มีอาร์กิวเมนต์ strength ที่ไหนเลย การไม่มีอยู่ดังกล่าวคือประเด็นทั้งหมดของหน้านี้ และการเห็นมันในโค้ดของผู้จำหน่ายก็เร็วกว่าการเชื่อบทสรุป

จากตรงนั้น ให้ตั้งค่า output_resolutionเป็นขนาดที่คุณต้องการจริง ๆ ก่อนที่คุณจะตัดสินสิ่งใดเกี่ยวกับความคล้ายคลึงกัน คงแคนวาสของคุณไว้ที่พรีเซ็ต 2K แบบเนทีฟเมื่อทำได้ และเขียนพรอมต์ราวกับว่าภาพอ้างอิงเป็นภาพถ่ายที่วางอยู่ข้าง ๆ พรอมต์ มากกว่าเป็นเทนเซอร์แลเทนต์ที่กำลังถูกดีนอยซ์บางส่วน — เพราะบนโมเดลนี้ มันคืออย่างนั้นจริง ๆ และถ้าลองไปสามครั้งแล้วคุณพบว่าตัวเองอยากพูดว่า "เปลี่ยนแค่ตรงนี้ ปล่อยอย่างอื่นไว้เหมือนเดิม" ให้หยุด ประโยคนั้นคือสัญญาณว่าการใช้ i2i เป็นเส้นทางที่ผิด และเส้นทางการแก้ไขคือที่ที่มันควรอยู่