Qwen-Image-2.1 i2i: Bắt đầu từ chính hình ảnh của bạn, và vì sao không có thanh trượt cường độ

Nếu bạn đã tìm kiếm Qwen-Image-2.1 i2i, thì hẳn bạn đã biết image-to-image (i2i) nghĩa là gì: bạn đưa cho mô hình một hình ảnh thay vì một latent trống, và nhận lại một bức ảnh trông giống hình đó. Điều mà trang này giải quyết là khi nào đó mới là lựa chọn đúng trên Qwen-Image-2.1 — cùng phần khiến những người đến từ các mô hình hình ảnh khác phải ngạc nhiên. Ở mô hình này, thanh trượt strength mà bạn đang tìm không hề tồn tại. Pipeline riêng của Qwen-Image-2.1 không nhận bất kỳ đối số strength hay denoise nào: ảnh tham chiếu của bạn được đưa vào dưới dạng ngữ cảnh, ảnh đích khởi đầu từ nhiễu thuần, và thứ quyết định đầu ra lệch khỏi đầu vào của bạn đến mức nào chính là những gì bạn viết. Nếu điều bạn thực sự cần là thay đổi một thứ có tên gọi cụ thể và giữ nguyên phần còn lại, thì đó là một công việc khác, được xử lý bởi một dòng khác trong cùng họ — các checkpoint Qwen-Image-Edit — và phần so sánh trên trang này chính là phần đáng đọc trước tiên, bởi vì người tìm kiếm "i2i" thường chỉ còn cách nhầm công cụ đúng một lần tìm kiếm nữa.

Hình ảnh đầu vào thực sự làm gì

Trên Qwen-Image-2.1, một ảnh điều kiện đi vào mô hình qua hai cánh cửa, và không cánh cửa nào trong số đó là "một latent khởi đầu đầy nhiễu mà bạn giảm dần". Kho mã nguồn và lớp pipeline diffusers được công bố cho mô hình này mô tả cả hai:

• Bộ mã hóa văn bản — bộ mã hóa văn bản là Qwen3-VL 8B, một mô hình ngôn ngữ - thị giác, và kho lưu trữ của nhà cung cấp nêu rằng nó mã hóa chỉ thị văn bản và các hình ảnh điều kiện thành một biểu diễn thống nhất duy nhất. Hình ảnh của bạn, theo đúng nghĩa đen, chính là một phần trong những gì mô hình đọc làm prompt.

• VAE — cùng một hình ảnh được mã hóa thành các token tiềm ẩn và được thêm vào trước phần nhiễu, đứng trước các token của chính hình ảnh mục tiêu, để transformer nhìn thấy một chuỗi chung duy nhất với tham chiếu của bạn ở đầu và thứ đang được tạo ra ở phía sau nó.

• Bắt đầu mục tiêu — các latent mục tiêu được lấy mẫu từ một Gaussian và được khử nhiễu trên toàn bộ lịch trình, từ sigma 1.0 trở xuống. Không có điểm vào khử nhiễu một phần trong pipeline đó.

Gạch đầu dòng thứ ba chính là toàn bộ khác biệt so với kiểu i2i mà hầu hết mọi người từng dùng. Trong cách làm cổ điển, bạn mã hóa ảnh đầu vào, thêm nhiễu vào đó theo tỷ lệ với một giá trị strength, rồi khử nhiễu từ điểm đó — nên đầu vào thực sự hiện diện trong latent khởi tạo và con số strength quyết định nó còn sót lại bao nhiêu. Trên đường đi riêng của Qwen-Image-2.1, ảnh của bạn không bao giờ là điểm khởi đầu. Nó là ngữ cảnh. Đầu ra không phải một phiên bản được làm sạch của tệp bạn đưa vào; đó là một hình ảnh mới được vẽ nên với tệp của bạn hiện diện trong căn phòng.

Còn một chi tiết nữa đáng để biết, vì đây chính là nơi mà từ viết tắt mà người đọc đã gõ thực sự nằm ở đó. Pipeline của diffusers sẽ báo lỗi rõ ràng nếu bạn cố truyền các latent đã được mã hóa sẵn dưới dạng image, kèm theo chú thích rằng "text encoder phải nhìn thấy chính hình ảnh đó". Ảnh điều kiện phải là pixel, không phải tensor.

Điều khiển độ mạnh, và nó đã đi đâu

Diffusers thực sự có cung cấp một pipeline img2img cho họ mô hình này, và đối số strength hoạt động chính xác theo cách mà lĩnh vực này đã dạy bạn kỳ vọng. Đọc từ chính docstring của lớp: ảnh "được dùng làm điểm khởi đầu và càng nhiều nhiễu được thêm vào khi strength càng cao", và "giá trị 1 về cơ bản bỏ qua image". Các giá trị mặc định của nó là strength=0.6 và num_inference_steps=50. Do đó, hai đầu chính là hai đầu mà bạn đã biết:

• Độ mạnh gần 0 — hầu như không có nhiễu nào được thêm vào, vòng lặp khử nhiễu ngắn, và đầu ra hầu như không thể phân biệt với đầu vào của bạn. Đây là thiết lập dành cho việc chỉnh màu, một lượt kết cấu nhẹ, gần như một bản sao.

• Strength ở mức 1 — lượng nhiễu được thêm vào là tối đa, quá trình khử nhiễu chạy toàn bộ lịch trình, và ảnh đầu vào thực chất bị loại bỏ hoàn toàn. Đây chính là text-to-image nhưng lại kèm theo một thao tác vô nghĩa đầy tốn kém.

Đây là điểm mấu chốt, và đó chính là lý do trang này tồn tại. Ví dụ được công bố cùng pipeline đó tải checkpoint 2025, không phải mô hình này. Qwen-Image-2.1 có lớp pipeline riêng, QwenImage21Pipeline, và nó không nhận đối số strength, không nhận đối số denoise, và không có điểm vào nhiễu một phần. Dù bạn nhớ mình đã đặt giá trị nào trên một mô hình khác, thì trên đường 2.1 không có chỗ nào để đặt nó. Cần gạt đã chuyển từ một con số sang prompt.

Đó không phải là một khoảng trống mà nhà cung cấp bỏ ngỏ. Họ phát hành một mô hình mà nhiệm vụ duy nhất là viết ra prompt đó: Qwen-Image-2.1-PE-I2I, một checkpoint Qwen3.5-VL 9B đã được tinh chỉnh, nhận một chỉ dẫn mơ hồ cùng một hoặc nhiều ảnh đầu vào và trả về một đối tượng JSON với rewritten_prompt và một trong hai trường loại trừ lẫn nhau — wh_ratio, khi yêu cầu tạo ra một bố cục mới, hoặc ratio_follow, khi nó cần kế thừa tỷ lệ khung hình của một ảnh đầu vào được đánh số. JSON đó là thứ gần nhất mà Qwen-Image-2.1 có được với một thiết lập độ mạnh. Nó chính là việc mô hình cho bạn biết liệu yêu cầu của bạn giữ nguyên khung hình đầu vào hay tạo ra một khung hình mới. Hãy để ý vị trí của chuỗi "i2i" trong cách đặt tên của chính nhà cung cấp: nó nằm trên checkpoint viết lại prompt này, chứ không nằm trên một checkpoint image-to-image riêng biệt. Thế hệ 2.1 không công bố một checkpoint như vậy.

i2i hoặc chỉnh sửa: quy tắc cần áp dụng

Hãy dùng i2i khi bạn muốn một biến thể. Hãy dùng chỉnh sửa khi bạn muốn một thay đổi. Mọi thứ khác đều suy ra từ một câu đó.

• Biến thể — bạn thích hình ảnh này và muốn có thêm những hình tương tự. Một phiên bản khác, ánh sáng khác, cùng một nhân vật trong bối cảnh mới, cùng một sản phẩm trong khung cảnh mới. Bạn không thể kể tên một thứ duy nhất phải giữ nguyên từng pixel, bởi vì bạn không đang bảo toàn — bạn đang vẽ lại. Đó là công việc của i2i.

• Thay đổi — bạn có thể gọi tên thứ đó. "Giữ nguyên nhân vật và tư thế, mặc chiếc áo này lên người họ." Chỉ dẫn là một ràng buộc, còn phần còn lại của khung hình là một lời hứa mà bạn đáng được nhận lại. Đó là một công việc chỉnh sửa.

Trên Qwen-Image-2.1, cả hai hành vi đều nằm trong cùng một checkpoint. Tài liệu phát hành của chính nhà cung cấp gọi nó là "một mô hình tạo ảnh từ văn bản và chỉnh sửa ảnh hợp nhất", và quy trình chỉnh sửa cục bộ mà tài liệu này mô tả đều có dạng mặt nạ: khoanh tròn hoặc tô lên khu vực đó, hoặc truyền ảnh gốc và một mặt nạ riêng biệt làm hai đầu vào. Điều mà thế hệ 2.1 không cung cấp là một checkpoint chỉnh sửa riêng.

Các checkpoint chỉnh sửa chuyên dụng thuộc một dòng khác và các thế hệ khác. Danh sách mô hình của chính tổ chức nhà cung cấp trên Hugging Face, đọc vào ngày 13 tháng 10 năm 2026, có chín mô hình hình ảnh dưới tác giả đó, và các mục chỉnh sửa trong đó là Qwen-Image-Edit (tạo ngày 17 tháng 8 năm 2025), Qwen-Image-Edit-2509 (22 tháng 9 năm 2025) và Qwen-Image-Edit-2511 (17 tháng 12 năm 2025). Không mục nào trong số đó là mô hình 2.1. Vì vậy, hãy thận trọng với bất kỳ trang nào ghi "Qwen-Image-Edit 2.1": không có repository nào dưới tên đó tồn tại trong danh sách của nhà cung cấp, và những cách viết mà mọi người gõ — "qwen image edit 3", "qwen image edit 2512" — cũng không khớp với một repository đã được nhà cung cấp công bố. Dù một tuyên bố về dòng chỉnh sửa có nói gì với bạn, hãy kiểm tra xem nó nói về thế hệ nào trước khi bạn hành động dựa trên đó, vì dòng này trải dài ba thế hệ có ghi ngày tháng và bản phát hành 2.1 không nằm trong số đó.

Thực tế, quy tắc được chia ra như sau. Nếu bạn có thể viết chỉ dẫn thành một câu có đối tượng mục tiêu trong đó — "biến bầu trời thành hoàng hôn", "xóa chiếc đồng hồ" — thì bạn đang ở vùng chỉnh sửa, và trên 2.1 bạn đạt được điều đó bằng mặt nạ hoặc chú thích vẽ tay thay vì chuyển đổi công cụ. Nếu câu của bạn không có đối tượng mục tiêu và thực sự là mô tả hình ảnh bạn muốn có tiếp theo, thì bạn đang ở vùng i2i. Người đọc đã gõ "i2i" rồi sau đó nhận ra mình đang viết một câu mệnh lệnh chính là người đọc cần lối chỉnh sửa, và đó là toàn bộ lý do phần này nằm cao như vậy trên trang.

Những gì mà hình ảnh đầu vào của bạn hạn chế

Năm thứ bạn sửa ngay khi chọn ảnh tham chiếu, tất cả đều được ghi lại trong chính mã của pipeline hoặc trong tài liệu mà ComfyUI đã công bố cho mô hình này. Đọc vào ngày 13 tháng 10 năm 2026.

• Ngân sách độ phân giải — pipeline 2.1 có output_resolution mặc định là 1024, và mọi ảnh điều kiện đều được thay đổi kích thước về ngân sách output_resolution bình phương theo tỉ lệ khung hình riêng của nó, làm tròn đến bội số của 32. Do đó, một bức ảnh 3000×4000 bị giảm xuống còn khoảng 896×1184 — khoảng một megapixel — trước khi mô hình nhìn thấy một pixel nào của nó. Tài liệu của ComfyUI cho thấy chi phí một cách cụ thể: cùng một công việc trên khung vẽ 3008×4000 so với khoảng 896×1184 chạy mất khoảng 6 giây mỗi lần lặp so với khoảng 0,3 giây, được đo trên RTX 5090. Hạ thấp khung vẽ khiến một lượt chạy i2i nhanh hơn nhờ tạo ra hình ảnh nhỏ hơn, chứ không phải nhờ thêm chi tiết.

• Tỷ lệ khung hình — nếu bạn bỏ qua chiều cao và chiều rộng, khung vẽ đầu ra sẽ được suy ra từ tỷ lệ khung hình của hình ảnh điều kiện cuối cùng mà bạn truyền vào. Mỗi tham chiếu riêng lẻ giữ nguyên hình dạng của riêng nó, vì vậy một ảnh dọc và một ảnh ngang có thể đi cùng trong một lệnh gọi mà không bị cắt theo khung của ảnh kia.

• Bội số của 32 — pipeline sẽ cảnh báo và âm thầm thay đổi kích thước khi chiều cao hoặc chiều rộng không chia hết cho hệ số tỉ lệ VAE nhân hai, mà ở model này là 32. Nếu bạn đang tự chọn canvas bằng tay, hãy làm tròn nó.

• Kích thước gốc — Qwen-Image-2.1 được huấn luyện ở 2K, và các kích thước mà kho lưu trữ khuyến nghị đều nằm trong dải đó: 2048×2048 cho 1:1, 2752×1536 cho 16:9, 1536×2752 cho 9:16, và 2400×1792 cho 4:3. Tài liệu của ComfyUI nêu rằng mục tiêu mặc định là một megapixel, rằng bạn đặt khoảng 4.0 MP cho một hình vuông 2048×2048 gốc, và — cảnh báo hữu ích — rằng mục tiêu cao hơn hẳn kích thước đã huấn luyện, ví dụ 4K, sẽ làm mất độ bám sát prompt thay vì tăng chi tiết.

• Alpha — nếu ảnh tham chiếu của bạn có độ trong suốt, bộ mã hóa thị giác sẽ được đưa một bản sao đã được tổng hợp đè lên nền trắng; chỉ bản sao VAE mới giữ được cả bốn kênh. Bất cứ điều gì bạn mong mô hình hiểu về độ trong suốt của mình đều đang được phía văn bản đọc như nền trắng.

Điều gì tồn tại, và điều gì được tái tạo

Hãy chính xác ở đây, vì tài liệu phát hành và cơ chế nói những điều khác nhau và cả hai đều đúng.

• Được ghi nhận là vẫn giữ được — nhà cung cấp tuyên bố có nỗ lực về độ trung thực trên hai phương diện: nhận dạng chân dung, để một người vẫn dễ nhận ra qua các lần chỉnh sửa và tạo sinh, và tính nhất quán của sản phẩm, giữ nguyên văn bản, kết cấu và hình dạng. Đó là những tuyên bố của nhà cung cấp được minh họa bằng các ví dụ đặt cạnh nhau thay vì gắn với một phép đo, và không có điểm số độc lập nào cho cả hai được công bố trong tài liệu đã đọc cho trang này vào ngày 13 tháng 10 năm 2026.

• Được đảm bảo ở cấp độ điểm ảnh — không có gì. Tham chiếu của bạn là các token ngữ cảnh và một tiền tố thị giác; mục tiêu là nhiễu. Bất kỳ phần nào của đầu vào mà prompt của bạn không đề cập cũng không hàm ý thì đều có thể thay đổi tự do, và không có cài đặt nào trong pipeline giữ nó cố định. Nếu một chi tiết không được phép thay đổi, hãy nêu tên nó trong prompt, vì không có gì khác sẽ làm được điều đó.

• Vết đánh dấu lọt vào đầu vào — trong quy trình chỉnh sửa được ComfyUI ghi trong tài liệu, các nét vẽ bằng bút sơn đọng lại trên lớp RGB của ảnh chứ không nằm trong mặt nạ, nên khi lưu, ảnh đã đánh dấu sẽ được ghi trở lại vào nút và các vết đánh dấu trở thành một phần của ảnh tham chiếu mà mô hình đọc. Hãy giữ vết đánh dấu nằm trong vùng bạn muốn thay đổi, đồng thời nêu rõ màu bạn muốn trong câu lệnh, vì nếu không, màu của vết đánh dấu có thể lộ ra trong kết quả đầu ra.

• Canvas không khớp sẽ làm dịch chuyển kết quả — Tài liệu của ComfyUI khuyên nên giữ canvas tùy chỉnh gần với kích thước đã được thay đổi của ảnh tham chiếu đầu tiên, "nếu không, thao tác chỉnh sửa có thể bị dịch chuyển". Đầu vào có hình dạng khác với canvas bạn yêu cầu sẽ không được thêm viền letterbox; nó sẽ bị dịch chuyển.

• Tính xác định cần hai cài đặt, không phải một — việc bật/tắt use_kv_cache trên pipeline 2.1 làm thay đổi mẫu ở một seed cố định, vì cache khiến bước decode thực hiện attention với bố cục chuỗi khác so với bước prefill, nên hai chế độ "cho ra các mẫu hợp lệ như nhau nhưng khác biệt rõ rệt". Lời khuyên của chính pipeline là cố định cờ này. Trong ComfyUI, điều khiển tương đương là độ chính xác lưu trữ của node cache, trong đó — theo số liệu của chính ComfyUI, chưa được kiểm chứng — int8 giảm cache xuống một nửa với độ chính xác vào khoảng bf16 và int4 giảm xuống một phần tư trong khi lỗi mỗi bước tăng khoảng gấp đôi.

Khi nào i2i là công cụ không phù hợp

Năm trường hợp, mỗi trường hợp đều có phương án thay thế được nêu tên.

• Bạn có thể nêu chính xác thứ cần thay đổi. Hãy dùng đường dẫn chỉ dẫn trên Qwen-Image-2.1 — tô hoặc khoanh vùng đó, hoặc truyền một mặt nạ riêng làm đầu vào thứ hai — hoặc một checkpoint chuyên dụng từ dòng Qwen-Image-Edit. i2i sẽ vẽ lại cả khung xung quanh mục tiêu của bạn lẫn chính mục tiêu đó.

• Bạn cần giữ nguyên các pixel gốc. i2i tạo ra một hình ảnh mới; nó không giữ lại pixel nào cả. Đường dẫn mask mới là cách được xây dựng để giữ nguyên phần còn lại của khung hình.

• Bạn cần 4K.Vượt quá kích thước huấn luyện 2K, mô hình sẽ mất khả năng bám sát prompt, theo tài liệu của ComfyUI. i2i ở 4K là một lần chạy chậm hơn và bám sát mô tả của bạn ít hơn, chứ không phải nét hơn.

• Bạn cần tái tạo được chi tiết nhỏ từ đầu vào. Trước tiên, ảnh điều kiện được thay đổi kích thước xuống khoảng một megapixel, vì vậy ảnh tham chiếu 12 megapixel không bao giờ đến được mô hình ở độ phân giải đầy đủ. Những chi tiết nhỏ hơn mức đó sẽ biến mất trước khi quá trình khử nhiễu bắt đầu.

• Bạn cần một lần chạy lặp lại giống hệt nhau đến từng bit.Hãy cố định cờ KV cache và seed, rồi chỉ thay đổi từng thiết lập một — nếu không, bạn đang so sánh hai bộ lấy mẫu khác nhau và gọi đó là nhiễu.

Một tham chiếu chéo, vì điều này sẽ được nhắc tới: checkpoint Turbo phát hành ngày 9 tháng 10 năm 2026 dùng cùng kiến trúc tạo sinh hình ảnh 7B và cùng nhánh điều kiện hóa hình ảnh, và chạy lịch trình trong 8 bước khử nhiễu thay vì khoảng 40. Không có gì thay đổi giữa hai phiên bản về cách hình ảnh đầu vào của bạn được sử dụng. Nếu bạn muốn nhánh i2i chạy nhanh, đó là checkpoint bạn cần tải; nếu bạn đang gỡ lỗi vì sao ảnh tham chiếu của bạn bị bỏ qua, thì số bước không phải là biến số.

Cần làm gì tiếp theo

Hãy bắt đầu từ Quick Start của chính nhà cung cấp trên model card thay vì từ một bài hướng dẫn, và đọc danh sách đối số của ví dụ chỉnh sửa: nó truyền image=input_image, đặt num_inference_steps, và không có đối số strength nào ở bất kỳ đâu. Sự vắng mặt đó chính là toàn bộ trọng tâm của trang này, và việc tận mắt thấy nó trong mã của nhà cung cấp thì nhanh hơn là tin vào một bản tóm tắt.

Từ đó, hãy đặt output_resolution thành kích thước bạn thực sự cần trước khi đánh giá bất cứ điều gì về độ giống, hãy giữ canvas ở các preset 2K gốc khi có thể, và viết prompt như thể ảnh tham chiếu là một bức ảnh nằm cạnh prompt chứ không phải một tensor latent đang được khử nhiễu một phần — vì trên mô hình này, nó đúng là như vậy. Và nếu, sau ba lần thử, bạn thấy mình muốn nói "chỉ đổi cái này thôi, giữ nguyên mọi thứ khác", thì dừng lại. Câu đó là tín hiệu cho thấy i2i là sai hướng, và luồng chỉnh sửa mới là nơi nó thuộc về.