Qwen-Image-Edit: เส้นทางการแก้ไข ทีละเช็กพอยต์

นี่คือหน้าอ้างอิงสำหรับQwen-Image-Edit ซึ่งเป็นสายผลิตภัณฑ์ — เครื่องมือแก้ไขภาพที่ทำตามคำสั่ง ไม่ใช่เครื่องมือสร้างภาพจากข้อความที่ถูกพัฒนามาควบคู่กัน สายผลิตภัณฑ์นี้มีเช็กพอยต์ที่เผยแพร่แล้วทั้งหมดสามรายการพอดี: Qwen-Image-Edit เผยแพร่เมื่อวันที่ 17 สิงหาคม 2025 และสร้างบน Qwen-Image ขนาด 20B; Qwen-Image-Edit-2509 ซึ่งเป็นเวอร์ชันรายเดือนที่เผยแพร่เมื่อวันที่ 22 กันยายน 2025; และ Qwen-Image-Edit-2511 เผยแพร่เมื่อวันที่ 17 ธันวาคม 2025 ในฐานะเวอร์ชันปรับปรุงของ 2509 ทุกอย่างในหน้านี้เน้นไปที่รุ่นล่าสุดในสามรุ่นนั้น และจะระบุทุกครั้งว่าแต่ละข้อความเกี่ยวข้องกับเช็กพอยต์ใด มีอีกสิ่งหนึ่งที่ต้องกล่าวถึงตั้งแต่ต้น เพราะมันคือคำตอบของคำถามที่คนส่วนใหญ่กำลังถามจริง ๆ: Qwen-Image-2.1 เป็นโมเดลแบบรวมสำหรับการสร้างภาพจากข้อความและการแก้ไขภาพ โดยมีส่วนประกอบการสร้างภาพขนาด 7B และ Qwen-Image-2.1-Turbo เป็นโมเดลเดียวกันในรูปแบบเช็กพอยต์แบบเร่งความเร็ว 8 ขั้นตอน ทั้งสองรายการไม่ใช่รายการในสายผลิตภัณฑ์แก้ไขภาพ และความแตกต่างนี้เองคือเหตุผลทั้งหมดที่หน้านี้มีอยู่

Qwen-Image กับ Qwen-Image-Edit

หากคุณค้นหาความแตกต่างระหว่าง Qwen-Image กับ Qwen-Image-Edit แสดงว่าคุณกำลังถามว่าสองสิ่งนี้สิ่งไหนที่อยู่ตรงหน้าคุณ คำตอบนั้นชัดเจน และควรพูดให้ตรง ๆ เพราะทั้งสองใช้แทนกันไม่ได้ และชื่อไฟล์ก็ไม่ได้ช่วยให้คุณแยกสองสิ่งนี้ออกจากกัน

• Qwen-Image — โมเดลแปลงข้อความเป็นภาพ คุณป้อนคำให้มัน มันก็ให้ภาพกลับมา มันเป็นโมเดลที่ Qwen-Image-Edit ถูกสร้างขึ้นต่อยอดจาก การ์ดของเช็กพอยต์เวอร์ชันแก้ไขต้นฉบับเองอธิบายไว้ว่าเป็น "เวอร์ชันแก้ไขภาพของ Qwen-Image" ซึ่งสร้างบนโมเดล Qwen-Image ขนาด 20B และนั่นคือวิธีที่มันสืบทอดความสามารถในการเรนเดอร์ข้อความของ Qwen-Image

• Qwen-Image-Edit — โมเดลแบบ image-to-image คุณป้อนรูปภาพพร้อมข้อความให้มัน แล้วมันจะคืนรูปภาพเวอร์ชันที่ถูกดัดแปลงกลับมาให้คุณ การ์ดของเช็กพอยต์ตัวแรกจัดมันไว้ใต้ pipeline_tag: image-to-image คุณไม่สามารถขอให้มันสร้างรูปภาพจากความว่างเปล่าได้ รูปภาพต้นฉบับไม่ใช่สิ่งที่ละเว้นได้

• กลไกที่ทำให้การแก้ไขแตกต่าง — โดยที่ตัวสร้างมีทางเข้าหนึ่งทาง (ข้อความ) ส่วนตัวแก้ไขมีสามทาง การ์ดของเช็กพอยต์ต้นฉบับอธิบายถึงการป้อนภาพอินพุตพร้อมกันเข้าสู่ Qwen2.5-VL สำหรับการควบคุมความหมายเชิงภาพ และเข้าสู่ VAE encoder สำหรับการควบคุมรูปลักษณ์เชิงภาพ เส้นทางที่สองนั้นคือสิ่งที่โมเดลข้อความเป็นภาพไม่มีโดยโครงสร้าง: ตัวแก้ไขไม่ได้ถูกบอกเกี่ยวกับภาพของคุณด้วยคำพูด แต่มันกำลังดู latents ของภาพของคุณ

• จุดที่สองสายกลับมาบรรจบกันอีกครั้ง — Qwen-Image-2.1 ถูกอธิบายไว้บนการ์ดของตัวเองว่าเป็น "โมเดลแบบรวมสำหรับการสร้างภาพจากข้อความและการแก้ไขภาพ" นั่นเป็นสถาปัตยกรรมของคำตอบที่แตกต่างสำหรับคำถามเดียวกัน: แทนที่จะเป็นเช็กพอยต์แก้ไขที่ต่อพ่วงเข้ากับตัวสร้าง โมเดลเดียวทำทั้งสองอย่าง ตัวอย่างการแก้ไขของมันส่ง image= เป็นอาร์กิวเมนต์ให้กับไปป์ไลน์ที่คุณใช้สำหรับการสร้างภาพจากข้อความด้วยเช่นกัน หากคุณกำลังพยายามหาว่าคุณมีตระกูลไหน จุดสังเกตที่เร็วที่สุดคือชื่อเช็กพอยต์: ชื่อใน Qwen-Image-Edit… ซีรีส์คือสายการแก้ไข และชื่อใน Qwen-Image-2.1… ซีรีส์คือโมเดลแบบรวม.

ไม่มีสิ่งใดในนี้ที่เป็นการแนะนำให้เลือกระหว่างสองสิ่งนี้ พวกมันเป็นคำตอบที่แตกต่างกันสำหรับปัญหาที่แตกต่างกัน และเนื้อหาที่เหลือของหน้านี้จะพูดถึงสิ่งแรก

การปฏิบัติตามคำสั่ง: สิ่งที่มันเปลี่ยนแปลง และสิ่งที่มันปล่อยไว้ตามเดิม

นี่คือคำถามที่ความต้องการค้นหาบอกว่าผู้คนกำลังพิมพ์กันจริง ๆ และมันสมควรได้รับคำตอบที่ตรงไปตรงมา ไม่ใช่รายการฟีเจอร์ คำตอบที่ซื่อสัตย์มีสองส่วน และมีเพียงส่วนเดียวเท่านั้นที่สบายใจ

เริ่มจากครึ่งหนึ่งที่ฝังอยู่ในดีไซน์ของโมเดล เพราะมันอธิบายรายงานส่วนใหญ่ที่บอกว่า “มันเปลี่ยนไปมากกว่าที่ฉันสั่ง” ได้ การ์ดของ Qwen-Image-Edit ฉบับเดิมลากเส้นแบ่งระหว่างสองโหมด และมีเพียงโหมดเดียวเท่านั้นที่สัญญาว่าจะมีบางสิ่งถูกรักษาไว้

• การแก้ไขลักษณะภายนอก — งานด้านภาพระดับพื้นฐาน เช่น การเพิ่ม การลบ หรือการแก้ไของค์ประกอบเฉพาะ ข้อความบนการ์ดเองระบุว่างานนี้ต้องทำให้ "ทุกพื้นที่อื่นของภาพยังคงไม่เปลี่ยนแปลงโดยสิ้นเชิง" นี่คือโหมดที่ตรงกับสิ่งที่คนส่วนใหญ่หมายถึงเมื่อพูดถึงการแก้ไข

• การแก้ไขเชิงความหมาย — งานระดับสูง เช่น การสร้าง IP การหมุนวัตถุ และการถ่ายโอนสไตล์ ตรงนี้การ์ดกลับกล่าวไว้ตรงกันข้าม: มัน "อนุญาตให้เกิดการเปลี่ยนแปลงพิกเซลโดยรวม ในขณะที่ยังคงความสอดคล้องเชิงความหมาย" ตัวอย่างที่ผู้ขายทำไว้เองสำหรับเรื่องนี้คือมาสคอตคาปิบาราที่วาดใหม่ในหลายสไตล์ ซึ่งการ์ดระบุว่า "พิกเซลส่วนใหญ่ในภาพที่แก้ไขแตกต่างจากพิกเซลในภาพอินพุต" ในขณะที่ความสม่ำเสมอของตัวละครยังคงถูกรักษาไว้

โหมดที่สองนั้นไม่ใช่บั๊ก และการ์ดก็ไม่ได้นำเสนอว่ามันเป็นบั๊ก แต่ มันคือเหตุผลที่คำขออย่าง “ทำให้สิ่งนี้ดูเหมือนภาพยนตร์ Ghibli” สามารถส่งกลับมาเป็นภาพที่แทบไม่มีพิกเซลร่วมกับต้นฉบับของคุณได้อย่างสมเหตุสมผล ถ้าคุณต้องการให้เปลี่ยนแค่ท้องฟ้า คุณไม่ได้กำลังขอการแก้ไขเชิงความหมาย อ่านสิ่งเหล่านี้เป็นคำอธิบายพฤติกรรมที่ตั้งใจไว้ซึ่งผู้ขายรายงาน ไม่ใช่การวัดผล — การ์ดระบุว่าเป็นดีไซน์ และยังไม่มีฝ่ายใดเผยแพร่อัตราที่แต่ละโหมดรักษาสัญญาของตนได้

ทีนี้มาถึงครึ่งที่ไม่ค่อยดี โครงการของสายนี้เองยอมรับปัญหาด้านการทำตามคำสั่งตั้งแต่เนิ่น ๆ ในบันทึกของตัวเอง บันทึกของรีโพซิทอรี Q-Image สำหรับเช็กพอยต์ต้นฉบับ ลงวันที่ 19 สิงหาคม 2025 ระบุถึง "ความไม่สอดคล้องของประสิทธิภาพ" ในรุ่นนั้น และชี้เฉพาะเรื่องการรักษาอัตลักษณ์และการทำตามคำสั่ง พร้อมแนะนำให้ผู้ใช้ไปใช้บิลด์ Diffusers ที่อัปเดตแล้ว นั่นคือคำยอมรับที่ผู้ขายรายงานเกี่ยวกับโมเดลของผู้ขายเอง ซึ่งถือเป็นหลักฐานเกี่ยวกับการทำตามคำสั่งที่ตรงไปตรงมาเกือบที่สุดเท่าที่จะเป็นได้ — และมันเกี่ยวกับเช็กพอยต์เดือนสิงหาคม 2025 ไม่ใช่ 2511

ตัวอย่างการทำงานจริงของผู้ขายเองสำหรับกรณีที่ยาก ให้ความรู้มากกว่าคำกล่าวอ้างใด ๆ ในคำแนะนำการแก้ไขแบบเชื่อมโยงบนการ์ดต้นฉบับ งานศิลปะอักษรวิจิตรที่สร้างโดย Qwen-Image มีข้อผิดพลาดของตัวอักษร และผู้แก้ไขได้รับคำสั่งให้แก้ 稽 ภายในกรอบสีแดงที่วาดไว้ และ 亭 ภายในกรอบสีน้ำเงิน การ์ดรายงานว่า 稽 — ตัวอักษรที่พบได้ยาก — ไม่ได้รับการแก้ไขอย่างถูกต้องในขั้นตอนเดียว: องค์ประกอบล่างขวาควรเป็น 旨 แต่กลับได้ผลลัพธ์เป็น 日 เฉพาะหลังจากวาดกรอบสีแดงเพิ่มเติมให้แนบชิดรอบบริเวณ 日 เท่านั้น โมเดลจึงสร้างองค์ประกอบที่ถูกต้องออกมา มีสองสิ่งที่ตามมาจากเรื่องนี้ และผู้ขายระบุทั้งสองอย่าง: กรอบขอบเขตบนภาพต้นฉบับเป็นกลไกควบคุมจริง และขั้นตอนการแก้ไขแบบมีกรอบเพียงขั้นตอนเดียวไม่เพียงพอเสมอไป นั่นคือความล้มเหลวที่ผู้ขายรายงาน และการกู้คืนที่ผู้ขายรายงาน บนตัวอย่างที่ผู้ขายเลือก ซึ่งเป็นรูปแบบที่หลักฐานลักษณะนี้ควรจะเป็น

จัดหมวดหมู่การ์ดที่เอกสารระบุว่าใช้งานได้ โดยแต่ละรายการเป็นคำกล่าวอ้างของผู้ขายมากกว่าจะเป็นผลลัพธ์ที่วัดได้:

• การแก้ไขระดับองค์ประกอบพร้อมการรักษาสภาพเดิม — การเพิ่มป้ายเข้าไปในฉาก (การ์ดต้นฉบับระบุว่าโมเดลยังสร้างเงาสะท้อนที่สอดคล้องกันขึ้นมาด้วย) การลบเส้นผมเส้นเล็ก ๆ และวัตถุชิ้นเล็ก ๆ ออก การเปลี่ยนสีตัวอักษรเพียงตัวเดียวในภาพ

• การแก้ไขข้อความสองภาษา — การเพิ่ม ลบ และแก้ไขข้อความภาษาจีนและภาษาอังกฤษในภาพ โดยยังคงรักษาแบบอักษร ขนาด และสไตล์ดั้งเดิมไว้ การ์ด 2509 ขยายความสามารถนี้ไปสู่การแก้ไขประเภทแบบอักษร สี และวัสดุ และการ์ดต้นฉบับแสดงให้เห็นการแก้ไขโปสเตอร์ภาษาจีนจนถึงข้อความขนาดเล็กและซับซ้อน

• ความสม่ำเสมอของอัตลักษณ์และตัวละคร — การ์ดของ 2509 รายงานว่ามีการรักษาอัตลักษณ์ของใบหน้าที่ดีขึ้น ซึ่งรองรับการแปลงท่าทางและสไตล์ภาพบุคคล ส่วนการ์ดของ 2511 รายงานผลลัพธ์ที่ดีขึ้นอีกในภาพถ่ายกลุ่มที่มีหลายคน และในการหลอมรวมภาพบุคคลสองภาพที่แยกจากกันให้เป็นภาพถ่ายกลุ่มเดียวที่สอดคล้องกัน

• การสังเคราะห์มุมมองใหม่และการหมุนวัตถุ — การ์ดต้นฉบับแสดงการหมุนวัตถุ 90 องศาและ 180 องศาเต็มรูปแบบ ซึ่งระบุชัดเจนว่าอยู่ในหมวดการแก้ไขเชิงความหมายที่คาดว่าจะเกิดการเปลี่ยนแปลงของพิกเซลทั้งเฟรม

• งานด้านผลิตภัณฑ์ — การ์ดของ 2509 รายงานว่า生成โปสเตอร์ผลิตภัณฑ์จากภาพผลิตภัณฑ์พื้นหลังเรียบ พร้อมทั้งการสร้างโลโก้ ส่วนการ์ดของ 2511 เพิ่มการออกแบบผลิตภัณฑ์อุตสาหกรรมแบบเป็นชุดและการเปลี่ยนวัสดุสำหรับชิ้นส่วนอุตสาหกรรม

• การกำหนดเงื่อนไขแบบสไตล์ ControlNet — การ์ดของ 2509 ระบุว่ารองรับโดยตรงสำหรับแผนที่ความลึก ขอบ และจุดสำคัญ รวมถึงภาพร่าง โดยรวมถึงการใช้แผนที่จุดสำคัญเพื่อเปลี่ยนท่าทางของบุคคล

• คู่มือระบุ — การ์ดของ 2509 รายงานว่าการแก้ไขภาพหลายภาพทำงานผ่านการต่อภาพ (image concatenation) ข้าม "person + person", "person + product" และ "person + scene" และระบุว่าปัจจุบันให้ประสิทธิภาพสูงสุดเมื่อใช้ภาพอินพุต 1 ถึง 3 ภาพ ขอบเขตบนดังกล่าวเป็นคำแนะนำจากผู้ขาย ไม่ใช่ขีดจำกัดตายตัว และระบุไว้สำหรับ 2509

• ความสามารถใหม่กว่าใน 2511 — การ์ดนี้ระบุถึงการบรรเทาปัญหาภาพเคลื่อน (image drift) การผสานรวม LoRA ยอดนิยมจากคอมมูนิตี้ที่คัดเลือกมาโดยตรงเข้ากับโมเดลฐาน การสร้างงานออกแบบอุตสาหกรรมที่ดีขึ้น และการเสริมความแข็งแกร่งของการให้เหตุผลเชิงเรขาคณิต พร้อมตัวอย่างการสร้างเส้นประกอบช่วยสำหรับการกำกับรายละเอียดงานออกแบบ

จุดตรวจ ชื่อต่าง ๆ และเส้นทางเทอร์โบ

นี่คือจุดที่ทราฟฟิกการค้นหาจำนวนมากผิดพลาด จึงควรพูดให้ตรงประเด็น รายการขององค์กรเจ้าของโมเดลเองบน Hugging Face มีสาม และเพียงสามเท่านั้น รีโพซิทอรีในสายการแก้ไขภาพ นั่นเป็นข้อค้นพบเชิงลบที่ได้จากการตรวจสอบโดยตรง: รีโพซิทอรีจริงทั้งสามนั้นเข้าถึงได้ และชุดชื่อที่ดูน่าเชื่อถือในตระกูลเดียวกัน — ซึ่งรวมถึง Qwen/Qwen-Image-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, และทั้ง Qwen/Qwen-Image-2.1-Edit และ Qwen/Qwen-Image-Max-2512 — ไม่สามารถเข้าถึงได้ภายใต้เงื่อนไขเดียวกัน ชื่อเหล่านั้นไม่ว่าจะหมายถึงสิ่งใด ก็ไม่ใช่เช็กพอยต์ที่เผยแพร่โดยองค์กรเจ้าของโมเดลเอง และหน้านี้จะไม่คาดเดาว่ามันคืออะไร

สามสิ่งที่มีอยู่:

• Qwen-Image-Edit — ตัวต้นฉบับ วันที่ 17 สิงหาคม 2025, Apache-2.0, จัดอยู่ในประเภท image-to-image โหลดด้วย QwenImageEditPipeline quick start ของตัวเองใช้ true_cfg_scale=4.0, negative_prompt=" " และ num_inference_steps=50

• Qwen-Image-Edit-2509 — 22 กันยายน 2025, Apache-2.0, ระบุไว้บนการ์ดของโมเดลว่าเป็น "การอัปเดตรายเดือนของ Qwen-Image-Edit" โหลดด้วย QwenImageEditPlusPipeline; การเริ่มต้นใช้งานอย่างรวดเร็วใช้ true_cfg_scale=4.0, num_inference_steps=40 และ guidance_scale=1.0 นี่คือเช็กพอยต์ที่เพิ่มอินพุตแบบหลายภาพ งานด้านความสอดคล้องที่แข็งแกร่งขึ้น และการรองรับ ControlNet แบบเนทีฟ

• Qwen-Image-Edit-2511 — 17 ธันวาคม 2025, Apache-2.0 ระบุไว้บนการ์ดของโมเดลว่า "เป็นเวอร์ชันปรับปรุงจาก Qwen-Image-Edit-2509 โดยมีการพัฒนาในหลายด้าน รวมถึงความสอดคล้องที่ดีขึ้นอย่างเห็นได้ชัด" นอกจากนี้ยังโหลดได้ด้วยQwenImageEditPlusPipeline โดยใช้การตั้งค่าการสุ่มแบบเดียวกับ 2509 หากคุณไม่มีข้อจำกัดอื่น ๆ นี่คือเช็กพอยต์ใหม่ล่าสุดในสายการแก้ไขภาพ

ผู้อ่านน่าจะมีเวอร์ชันไหนนั้นขึ้นอยู่กับว่าพวกเขาเจอมันที่ไหน ใครก็ตามที่ใช้ฟีเจอร์แก้ไขรูปภาพแบบโฮสต์มีแนวโน้มสูงสุดที่จะใช้ 2511 หรือ 2509 ใครก็ตามที่ดึงเช็กพอยต์ไปเมื่อปีที่แล้วและไม่ได้แตะมันเลย มีแนวโน้มสูงสุดที่จะใช้เวอร์ชันต้นฉบับ และความแตกต่างที่สำคัญสำหรับพวกเขาคือความสอดคล้องและงานหลายภาพที่เพิ่มเข้ามาใน 2509 มากกว่าการเปลี่ยนแปลงในวิธีการทำงานของการแก้ไข

ตอนนี้ถึงคำถามเรื่อง turbo ซึ่งต้องพูดให้ชัดเจน เพราะชื่อนี้ชักนำไปสู่ข้อสันนิษฐานที่ผิด Qwen-Image-2.1-Turbo ไม่ใช่เช็กพอยต์สำหรับแก้ไขภาพแบบ turbo การ์ดของมันอธิบายว่าเป็น "เช็กพอยต์แบบเร่งความเร็วของ Qwen-Image-2.1 สำหรับการสร้างภาพจากข้อความและการแก้ไขภาพด้วยขั้นตอนการลดสัญญาณรบกวน 8 ขั้น" โดยใช้สถาปัตยกรรมสร้างภาพขนาด 7B แบบเดียวกัน และโหลดโดยตรงด้วย QwenImage21Pipeline ดังนั้นเส้นทางแบบเร่งความเร็วสำหรับการแก้ไขภาพก็คือเส้นทางแบบเร่งความเร็วของโมเดลแบบรวม และมันสืบทอดพฤติกรรมการแก้ไขภาพของโมเดลนั้น ไม่ใช่ของสายการแก้ไขภาพ

Turbo เปลี่ยนแปลงอะไรบ้าง อย่างเป็นรูปธรรม:

• จำนวนสเต็ป — 8 สเต็ปการดีนอยซ์ เทียบกับ 40 ในการเริ่มต้นแบบรวดเร็วของโมเดลแบบรวม และ 40 หรือ 50 ของไลน์การแก้ไข

• คำแนะนำ — โดยค่าเริ่มต้น การสร้างจะใช้ CFG=1 และแคช KV แบบ prefix จะนำบริบทของข้อความและภาพอ้างอิงกลับมาใช้ซ้ำในแต่ละขั้นตอนการดีนอยซ์ การใช้ซ้ำนี้เองเป็นที่มาของความเร็วที่เพิ่มขึ้นในส่วนสำคัญ และตัวอย่างการแก้ไขของการ์ดจะส่งค่า use_kv_cache=True อย่างชัดเจน

• ตารางเวลาถูกบันทึกไว้พร้อมกับเช็กพอยต์ — การ์ดระบุว่าตารางการสุ่มตัวอย่าง 8 ขั้นตอนที่แนะนำนั้นถูกบันทึกไว้พร้อมกับเช็กพอยต์และโหลดโดยอัตโนมัติ และการตั้งค่า num_inference_steps เพียงอย่างเดียวไม่ได้แทนที่ค่านั้น หากคุณกำหนดจำนวนขั้นตอนแล้วไม่เห็นการเปลี่ยนแปลง นั่นคือสาเหตุ สำหรับการระบุ sigmas อย่างชัดเจนในขณะเรียกใช้งานจะแทนที่ตารางเวลาที่บันทึกไว้ และการ์ดเสริมว่าตารางเวลาอื่น ๆ ยังไม่ได้รับการประเมินสำหรับเช็กพอยต์นี้

• ความเที่ยงตรง — การ์ดไม่ได้กล่าวอ้างเรื่องความเที่ยงตรงของเช็กพอยต์ turbo เมื่อเทียบกับโมเดล unified และไม่มีผลการวัดอิสระที่แยกวัดความเที่ยงตรงในการแก้ไขของ turbo ให้อ้างอิงได้ ใครก็ตามที่บอกว่าการแก้ไขแบบ 8 ขั้นเที่ยงตรงเท่ากับการแก้ไขแบบ 40 ขั้นหรือไม่ กำลังกล่าวเกินกว่าสิ่งที่ได้รับการเผยแพร่แล้ว สิ่งที่การ์ดบันทึกไว้จริง ๆ คือการเปลี่ยนแปลงการสุ่มตัวอย่าง และสถาปัตยกรรมที่ยังคงเป็นองค์ประกอบภาพ 7B เดิม ซึ่งเป็นเหตุผลว่าทำไมจึงควรทดสอบแทนที่จะสันนิษฐาน

ในแง่ของคุณภาพเชิงเปรียบเทียบ ตัวเลขอิสระเหล่านั้นมาจากบอร์ดการแก้ไขภาพของ Artificial Analysis ซึ่งเป็นการวัดโดยบุคคลที่สาม ไม่ใช่คำกล่าวอ้างของผู้จำหน่าย และควรค่าแก่การอ่านอย่างรอบคอบ เพราะสองในนั้นไม่ใช่สิ่งที่ชื่อสื่อไว้

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4,478 ตัวอย่าง, พฤศจิกายน 2025, น้ำหนักโมเดลแบบเปิด นี่คือรายการที่ได้คะแนนสูงสุดในหมวดการแก้ไขภาพแบบแยกส่วน

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, ตัวอย่าง 7,390 รายการ, กันยายน 2025, น้ำหนักแบบเปิด

• Qwen Image Edit — 918 Elo, ±7, 7,415 ตัวอย่าง, สิงหาคม 2025, น้ำหนักแบบเปิด นั่นต่ำกว่า 2511 อยู่ประมาณ 103 Elo บนบอร์ดเดียวกัน ซึ่งเป็นขนาดของช่องว่างที่งานด้านความสม่ำเสมอแลกมา

• Qwen Image Edit Max 2601— 1000 Elo, ±8, 5,036 ตัวอย่าง ลงวันที่บนกระดานเป็นมกราคม 2026 น้ำหนักปิด กระดานดังกล่าวระบุรายการนี้ไว้ แต่ไม่พบที่เก็บโค้ดที่ตรงกันในรายการขององค์กรเจ้าของโมเดลเอง จึงไม่อาจระบุได้จากเอกสารปฐมภูมิว่าเช็กพอยต์นี้คืออะไร รายงานไว้ ณ ที่นี้ในฐานะแถวข้อมูลของกระดานอิสระเท่านั้น ไม่มีสิ่งอื่นใดนอกเหนือจากนั้น

• Qwen-Image-2.1 — 1074 Elo, ±9, 5,536 ตัวอย่าง, น้ำหนักเปิด, สูงกว่าจุดตรวจสอบ (checkpoint) การแก้ไขที่ดีที่สุดอยู่ราว 53 Elo โปรดทราบว่ากระดานจัดอันดับระบุวันที่ของรายการนี้เป็นกันยายน 2026 และเพิ่มข้อความ "ไม่มี API ให้ใช้งาน" การที่โมเดลแบบรวม (unified) ทำคะแนนได้สูงกว่าไลน์การแก้ไขโดยเฉพาะนั้น ถือเป็นข้อเท็จจริงที่มีประโยชน์ที่สุดในหน้านี้สำหรับใครก็ตามที่กำลังตัดสินใจว่าจะรันอะไร และมันเป็นการวัดที่เป็นอิสระ ไม่ใช่คำกล่าวอ้างของผู้ขาย

หน้าเดียวกันยังระบุค่าใช้จ่าย API ต่อ 1,000 ภาพสำหรับหลายรายการเหล่านี้ด้วย และหน้านี้จงใจไม่นำค่าใช้จ่ายเหล่านั้นมาลง: ตัวเลขเหล่านี้เปลี่ยนแปลงได้ ถูกรายงานบนบอร์ดมากกว่าจะเผยแพร่โดยผู้ให้บริการเอง และผู้อ่านที่นำตัวเลขของวันนี้ไปใช้ย่อมต้องการอ่านจากแหล่งต้นทาง

สิ่งที่คุณต้องจัดหา

ข้อกำหนดด้านอินพุตของเอดิเตอร์คือจุดที่ชี้ขาดว่าการรันส่วนใหญ่จะล้มเหลวหรือไม่ และข้อกำหนดนี้ก็ผ่อนปรนกว่าที่ผู้คนคาดคิดในด้านหนึ่ง แต่กลับเข้มงวดกว่าที่คาดในอีกด้านหนึ่ง

• ภาพต้นฉบับเป็นสิ่งจำเป็นและเป็นอินพุตทั้งหมด — ไม่มีโหมดข้อความเท่านั้น การ์ดของเช็กพอยต์ต้นฉบับจะแปลงตัวอย่างของมันเป็น RGB ก่อนส่งต่อไป การ์ดเทอร์โบของโมเดลแบบรวมจะโหลดตัวอย่างของมันและแปลงเป็น RGBA ซึ่งสำคัญเพราะ Qwen-Image-2.1 สร้างและแก้ไขภาพโปร่งใสได้โดยกำเนิด

• การแก้ไขแบบไม่ใช้มาสก์เป็นเส้นทางที่ระบุไว้ในเอกสารของโมเดลแบบรวม — การ์ดของ Qwen-Image-2.1 ระบุว่าการแก้ไขเฉพาะจุดสามารถกำหนดได้ผ่านวงกลม ภาพวาดกำกับ หรือมาสก์แยกต่างหาก และโมเดลรองรับภาพอ้างอิงได้สูงสุด 10 ภาพ เส้นทางแบบไม่ใช้มาสก์ผ่านวงกลมและภาพวาดกำกับคือสิ่งที่การ์ดนำเสนอเป็นหลัก นี่คือเหตุผลที่คุณสามารถทำเครื่องหมายบริเวณในโปรแกรมแก้ไขภาพทั่วไปได้ แทนที่จะต้องสร้างไฟล์มาสก์

• การแก้ไขแบบมาสก์มีอยู่เป็นไปป์ไลน์แยกต่างหาก — ไปป์ไลน์ inpaint แบบแยกส่วนเปิดให้ใช้ mask_image, masked_image_latents และ padding_mask_crop พร้อมกับพารามิเตอร์ strengthที่มีค่าเริ่มต้นเป็น 0.6 หากคุณใช้เวลาค้นหาสไลเดอร์ strength บนเช็กพอยต์สำหรับแก้ไขแล้วไม่พบ นี่คือสาเหตุ: ไปป์ไลน์ของสาย edit เองไม่รับพารามิเตอร์นี้ และตัวอย่างการแก้ไขของโมเดลแบบรวมก็ส่งพรอมป์ต์และรูปภาพโดยไม่มีอาร์กิวเมนต์ strength เลย

• ความละเอียดต้นทางถูกจำกัด และข้อจำกัดนี้เป็นเชิงคณิตศาสตร์ — ทั้งไปป์ไลน์ original และ plus ตรวจสอบว่าความสูงหารด้วยสองเท่าของ VAE scale factor ลงตัว บนไปป์ไลน์ของโมเดล unified ค่า VAE scale factor คือ 16 และการตรวจสอบเตือนให้หารด้วย 32 ลงตัว โดยมีค่าเริ่มต้น output_resolution เป็น 1024 การส่งขนาดภาพใด ๆ ผ่านไปตรง ๆ เป็นหนึ่งในวิธีทั่วไปที่จะทำให้เกิดความล้มเหลวแบบรุนแรงแทนที่จะเป็นการแก้ไขที่แย่

• มีพรีเซ็ตความละเอียดสูงแบบเนทีฟอยู่จริง และเป็นตัวเลขที่เฉพาะเจาะจง — โมเดลแบบรวมและเช็กพอยต์เทอร์โบของมันเผยแพร่พรีเซ็ตเดียวกันเจ็ดแบบ ได้แก่ 1:1 ที่ 2048×2048, 4:3 ที่ 2400×1792, 3:4 ที่ 1792×2400, 3:2 ที่ 2528×1696, 2:3 ที่ 1696×2528, 16:9 ที่ 2752×1536 และ 9:16 ที่ 1536×2752 ตัวอย่างการสร้างภาพจากข้อความของการ์ดเทอร์โบใช้พรีเซ็ตแนวตั้ง 1696×2528 และตัวอย่างการแก้ไขภาพใช้ 2048×2048

• อินพุตแบบหลายภาพมีจุดที่ลงตัวที่ระบุไว้ในเอกสาร — สูงสุด 3 ภาพสำหรับ 2509 และสูงสุด 10 ภาพอ้างอิงสำหรับโมเดลแบบรวม การเกินช่วงที่ผู้ขายระบุไว้ในเอกสารไม่ใช่เรื่องต้องห้าม แต่ไม่มีเอกสารเผยแพร่ใดอธิบายว่าจะเกิดอะไรขึ้นเมื่อคุณทำเช่นนั้น

• ข้อกำหนดด้านซัพพลายอีกข้อที่มองข้ามได้ง่าย — เส้นทางการแก้ไขของโมเดลแบบรวมใช้ num_inference_steps เป็น 40 ใน quick start ของมัน และค่าเริ่มต้นของไปป์ไลน์ประกอบด้วย use_kv_cache=True และ true_cfg_scale=1.0การอ่านค่าเริ่มต้นเหล่านั้นก่อนปรับแต่งสิ่งใด ๆ จะช่วยให้คุณไม่ต้องสับสนอีกรอบว่าทำไมเอาต์พุตจึงเปลี่ยนไป ทั้งที่คุณคิดว่าคุณเปลี่ยนแค่สิ่งเดียว

การแก้ไขรูปภาพที่คุณแก้ไขไปแล้ว

นี่เป็นประเด็นที่ยังไม่ได้ข้อยุติมากที่สุดในหน้านี้ และเป็นเรื่องที่คุ้มค่าจะแยกให้ชัดว่าสิ่งใดมีเอกสารบันทึกไว้และสิ่งใดไม่มี มีการอธิบายกลไกไว้สองกลไก และหนึ่งในนั้นคือคำตอบของผู้ขายเองต่อความล้มเหลว

• การแก้ไขแบบต่อเนื่องเป็นสิ่งที่ได้รับการบันทึกไว้และคาดหวังไว้ — บทเรียนการเขียนอักษรวิจิตรบนการ์ดต้นฉบับเป็นลูปแบบหลายเทิร์น ไม่ใช่การทำครั้งเดียวให้ผ่าน โมเดลล้มเหลวกับอักขระ 稽 ในขั้นตอนเดียว ผู้อ่านวาดกรอบให้รัดกุมขึ้นรอบส่วนประกอบที่ล้มเหลว และเทิร์นถัดไปจะแก้ไขให้เรียบร้อย การ์ดนำเสนอสิ่งนี้เป็นวิธีทำงานที่ตั้งใจไว้ มากกว่าจะเป็นวิธีเลี่ยงปัญหา และผลลัพธ์สุดท้ายจะได้มาหลังจากหลายเทิร์นต่อเนื่องกันบนภาพเดียวกัน หากคุณกำลังแก้ไขภาพที่ถูกแก้ไขแล้ว คุณกำลังทำในสิ่งที่ผู้ขายระบุไว้ในเอกสาร

• Image drift คือความเสี่ยงที่ถูกระบุชื่อไว้ในเช็กพอยต์ใหม่ล่าสุด — การ์ดของ 2511 ขึ้นต้นรายการการปรับปรุงหลักด้วย "mitigate image drift" ซึ่งเป็นคำที่ผู้ขายใช้เองสำหรับการเปลี่ยนแปลงที่ไม่ต้องการซึ่งสะสมข้ามเทิร์น ข้อกล่าวอ้างคือ 2511 ลดสิ่งนี้ลง; การ์ดไม่ได้ระบุปริมาณว่าลดลงเท่าใด และไม่มีผลการวัดดริฟต์อย่างอิสระในจำนวนเทิร์นการแก้ไขที่ทราบแน่นอนให้อ้างอิงได้

• สิ่งที่ยังไม่เป็นที่ยุติ — เทิร์นที่สามหรือห้าต้องแลกด้วยคุณภาพมากแค่ไหน ดริฟท์สะสมแบบเชิงเส้นหรือทรงตัว และตาราง 8 สเต็ปของเช็กพอยต์ turbo ดริฟท์ต่างจากเส้นทาง 40 สเต็ปหรือไม่ ผู้จำหน่ายไม่ได้เผยแพร่เส้นโค้งคุณภาพต่อเทิร์นสำหรับเช็กพอยต์ใดในทั้งสองไลน์ และบอร์ดอิสระวัดการแก้ไขแบบรอบเดียว ไม่ใช่แบบเป็นเชน การตีความในทางปฏิบัติก็คือ เวิร์กโฟลว์ที่ผู้จำหน่ายจัดทำเอกสารไว้เป็นเชนสั้นที่มีขอบเขต โดยมีบริเวณที่วาดไว้ในแต่ละเทิร์น และไม่มีสิ่งใดที่เผยแพร่สนับสนุนให้ถือว่าการแก้ไขที่ไม่ได้ปักหมุดเป็นเชนยาวนั้นปลอดภัย

• การนำบริบทกลับมาใช้ซ้ำทำงานร่วมกับการเชื่อมโยงเป็นลูกโซ่ — การแคช KV แบบ prefix ของเช็กพอยต์ turbo จะนำบริบทของข้อความและภาพอ้างอิงกลับมาใช้ซ้ำในแต่ละขั้นตอนการดีนอยซ์ และตัวอย่างการแก้ไขภาพในการ์ดก็เปิดใช้งานสิ่งนี้ไว้ นั่นเป็นการปรับให้เหมาะสมภายในหนึ่งครั้งที่เรียกใช้ ไม่ใช่หน่วยความจำข้ามรอบแต่อย่างใด ไม่มีสิ่งใดในการ์ดที่บ่งชี้ว่าโมเดลเก็บสิ่งใดไว้ระหว่างการเรียกใช้ที่แยกจากกัน แต่ละรอบจะเริ่มต้นจากภาพที่คุณป้อนให้

อะไรที่ยังไม่ยุติ

ทำให้สั้นเข้าไว้ เพราะหน้้าอ้างอิงที่ซ่อนขอบเขตของตัวเองนั้นแย่กว่าหน้าที่ชี้ให้เห็นขอบเขตเหล่านั้น

• "Qwen Image Edit 3" และ "Qwen Image Edit 2512" คืออะไรชื่อทั้งสองไม่ปรากฏเป็นที่เก็บ (repository) ใดในรายการขององค์กรเจ้าของโมเดลเอง ดังนั้นหน้านี้จึงไม่อาจระบุได้ว่าชื่อเหล่านั้นหมายถึงรุ่นใด หรือหมายถึงรุ่นใดอยู่จริงหรือไม่ หากในภายหลังมีการเผยแพร่รุ่นสำหรับแก้ไขภาพรุ่นใหม่กว่า รุ่นนั้นจะปรากฏอยู่ในรายการดังกล่าว และหน้านี้จะกลายเป็นข้อมูลที่ไม่ถูกต้องจนกว่าจะได้รับการเขียนใหม่

• Qwen Image Edit Max 2601 คืออะไร บอร์ดอิสระเป็นผู้ดูแลแถวดังกล่าว ไม่มีคลังข้อมูลของผู้จำหน่ายรายใดที่ตรงกัน ช่องว่างนี้ถูกรายงานแทนที่จะถูกเติมให้เต็ม

• ว่า turbo แลกมาด้วยความแม่นยำในการแก้ไขหรือไม่ ไม่มีคำกล่าวอ้างจากผู้ขาย ไม่มีการวัดผลโดยอิสระ

• 2511 กำจัดออกได้จริงมากแค่ไหน ผู้จำหน่ายอ้างว่าช่วยลดลง แต่ไม่ได้ระบุปริมาณไว้

• อัตราสำเร็จสำหรับความสามารถใด ๆ ที่มีเอกสารประกอบ ทุกข้อความ "works for X" ในหน้านี้เป็นการ์ดของเช็คพอยต์เองที่อธิบายพฤติกรรมที่ตั้งใจไว้บนตัวอย่างที่เลือกไว้ ไม่มีข้อใดเป็นอัตราสำเร็จที่วัดได้ และไม่ควรตีความข้อใดว่าเป็นเช่นนั้น

การดำเนินการถัดไปของคุณคือเลือกหนึ่งในสามเช็คพอยต์ที่มีอยู่ อ่านการ์ดของเช็คพอยต์นั้นก่อนที่คุณจะเปลี่ยนแปลงอะไรใน quick start ของมัน และป้อนภาพต้นทางที่มีขนาดตรงตามเงื่อนไขการหารลงตัวของไปป์ไลน์ หากเหตุผลที่คุณมาที่นี่คือคุณต้องการเริ่มจากภาพของคุณเองและเก็บรายละเอียดให้ได้มากที่สุดแทนที่จะเปลี่ยนแปลงมัน นั่นเป็นปัญหาที่เกี่ยวข้องซึ่งมีคำแนะนำแบบทีละขั้นตอนของตัวเอง — หน้า image-to-image ครอบคลุมการเริ่มจากภาพของคุณเองและความหมายของการไม่มีตัวควบคุม strength สำหรับมัน แต่ถ้าคุณต้องการโมเดลแบบรวมรุ่นใหม่กว่า เพราะบอร์ดจัดอันดับอิสระจัดอันดับให้มันอยู่เหนือสายการแก้ไขทั้งหมด เช็คพอยต์แบบเร่งความเร็วคือวิธีที่ประหยัดในการลองใช้ก่อนที่คุณจะตัดสินใจ