Qwen-Image-2.1 i2i：从你自己的图像开始，以及为什么没有强度滑块

如果你搜索过 Qwen-Image-2.1 i2i，那你已经知道图像到图像（i2i）是什么意思：你交给模型一张图片，而不是一片空白的潜变量，然后拿回一张与之相似的图。本页要讲清楚的是，这件事在 Qwen-Image-2.1 上什么时候才是正确的做法——以及让从其他图像模型转过来的人感到意外的那个部分。在这个模型上，你想找的那个强度滑块并不存在。Qwen-Image-2.1 自己的流水线完全不接受 strength 或 denoise 参数：你的参考图作为上下文输入，目标图像从纯噪声开始，而决定输出偏离输入多远的，是你写下的提示词。如果你真正需要的是只改一个指定的东西、其余保持不变，那属于另一项任务，由该系列中的另一条产品线负责——Qwen-Image-Edit 检查点——而本页的这个对比才是最该先读的部分，因为搜索“i2i”的读者往往只差一次搜索，就会用错工具。

输入图像实际做了什么

在 Qwen-Image-2.1 上，条件图像通过两扇门进入模型，而这两扇门都不是“一个你可以往回调的含噪起始潜变量”。该模型的代码仓库以及为其发布的 diffusers 流水线类对这两者都有描述：

• 文本编码器——文本编码器是 Qwen3-VL 8B，一个视觉语言模型，厂商的代码仓库说明它会将文本指令与条件图像编码为单一的统一表示。你的图像，字面意义上就是模型作为提示词读取的内容的一部分。

• VAE——同一张图像被编码为潜空间 token 并前置到噪声中，排在目标图像自身 token 之前，因此 Transformer 看到的是一条联合序列：你的参考图像在前，正在生成的内容在后。

• 目标起点——目标潜变量从高斯分布中采样，并在整个调度上从 sigma 1.0 开始向下进行去噪。该流程中不存在部分去噪的入口点。

第三个要点正是它与大多数人用过的 i2i 的全部区别。在经典方案中，你对输入图像进行编码，按强度值成比例地向其中添加噪声，并从那个点开始去噪——因此输入确实存在于起始 latent 中，而强度数值决定了它有多少能保留下来。在 Qwen-Image-2.1 自己的路径上，你的图像从不是起点。它是上下文。输出不是对你文件的清理版本；而是一幅把你的文件放进房间里绘制出的新图像。

还有一个细节值得了解，因为读者所输入的缩写实际上就存在于此。如果你试图把预编码的 latents 作为图像传入，diffusers 管道就会抛出一个明确的错误，并附上注释：“文本编码器必须看到图像本身”。条件图像必须是像素，而不是张量。

强度控制，以及它去了哪里

Diffusers 确实为这个系列提供了 img2img 管道，而它的 strength 参数的行为完全符合该领域让你预期的方式。从该类自身的文档字符串中读到：图像“被用作起点，且当 strength 越高，添加的噪声就越多”，以及“值为 1 时本质上会忽略 image”。它的默认值是 strength=0.6 和 num_inference_steps=50。因此，这两端就是你早已知道的那两端：

• 强度接近 0 —— 几乎不添加噪点，降噪循环很短，输出与输入几乎无法区分。这一档适用于调色、轻微纹理处理，或近乎复制的场景。

• 强度为 1—— 添加的噪声达到最大，去噪按照完整调度运行，输入图像实际上被丢弃。这相当于文本到图像，却附带了一个代价高昂的空操作。

问题就在这里，也正是这个页面存在的原因。随那条管线发布的示例加载的是 2025 检查点，而不是这个模型。Qwen-Image-2.1 有自己的管线类，QwenImage21Pipeline，它不接受 strength 参数，不接受 denoise 参数，也没有部分加噪的入口。无论你记得在另一个模型上设过什么值，在 2.1 这条路径上都没有地方可以设置它。那个调节杆已经从数字转移到了提示词上。

这并不是厂商留下的空缺。它随附了一个模型，其唯一职责就是撰写那条提示词：Qwen-Image-2.1-PE-I2I——一个经过微调的 Qwen3.5-VL 9B 检查点，接收一条模糊指令以及一张或多张输入图像，返回一个 JSON 对象，其中包含 rewritten_prompt，以及两个互斥字段之一——wh_ratio（当该请求要创建新构图时），或 ratio_follow（当它应继承某张带编号输入图像的宽高比时）。该 JSON 是 Qwen-Image-2.1 最接近于强度设置的东西。它是模型在告诉你：你的请求是保留输入的画面框架，还是构建一个新的。请注意 "i2i" 这个字符串出现在厂商自己的命名中何处：是在这个提示词重写检查点上，而不是在一个单独的图生图检查点上。2.1 代并未发布这样一个检查点。

i2i 或编辑：适用的规则

想要变体就用 i2i。想要改动就用编辑。其余一切都由这一句推出来。

• 变体——你喜欢这张图片，想要更多类似的。换个角度、不同的光线，同一个角色出现在新场景中，同一个产品放在新环境里。你无法指出任何一个必须保持像素级完全一致的东西，因为你并不是在保留——你是在重绘。这就是一项 i2i 任务。

• 更改——你可以给这件事起个名字。“保持角色和姿势不变，给他们穿上这件衬衫。”这条指令是一项约束，而画面其余部分则是理应还给你的承诺。那是一项编辑工作。

在 Qwen-Image-2.1 上，这两种行为共存于同一个检查点中。厂商自家的发布材料称其为“一个统一的文生图与图像编辑模型”，而它所记录的局部编辑路径是掩膜式的：圈出或涂抹该区域，或者将原始图像和一张单独的掩膜作为两个输入传入。2.1 这一代没有提供的，是一个独立的编辑检查点。

专用编辑检查点属于另一个系列，也是不同的代际。厂商组织自己在 Hugging Face 上的模型列表，于 2026 年 10 月 13 日查看，在该作者名下收录了九个图像模型，其中编辑类条目为 Qwen-Image-Edit（创建于 2025 年 8 月 17 日）、Qwen-Image-Edit-2509（2025 年 9 月 22 日）和 Qwen-Image-Edit-2511（2025 年 12 月 17 日）。它们都不是 2.1 模型。因此，对任何写着“Qwen-Image-Edit 2.1”的页面都要谨慎对待：厂商列表中不存在该名称的仓库，而人们输入的拼写——“qwen image edit 3”“qwen image edit 2512”——也不匹配任何已发布的厂商仓库。无论关于编辑系列的说法告诉你什么，在据此采取行动之前，都要先确认它指的是哪一代，因为该系列横跨三个有日期的代际，而 2.1 版本并不属于其中之一。

实际上，这条规则可以这样拆解。如果你能把指令写成一句带有目标对象的话——“让天空变成日落”“移除手表”——那你就处在编辑范畴里，而在 2.1 上，你是通过遮罩或涂绘标注来实现它，而不是靠切换工具。如果你的句子里没有目标对象，实际上是在描述你接下来想要的图像，那你就处在 i2i 范畴里。那位输入了“i2i”，随后却发现自己写出了一个祈使句的读者，正是需要编辑路径的读者，而这也就是本节被放在页面这么靠前位置的完整原因。

你的输入图像约束了什么

选定一个参考之后你立刻要确定的五件事，它们全都记录在这条流程自身的代码里，或是记录在 ComfyUI 为这个模型发布的文档中。阅读于 2026 年 10 月 13 日。

• 分辨率预算 —— 2.1 流程的output_resolution默认值为 1024，每张条件图像都会按其自身宽高比缩放到 output_resolution 的平方预算内，并取整为 32 的倍数。因此，一张 3000×4000 的照片在模型看到它的哪怕一个像素之前，就会被缩减到大约 896×1184——约一百万像素。ComfyUI 的文档让代价变得具体：在 RTX 5090 上实测，同样的工作在 3008×4000 画布上相较于约 896×1184，每次迭代运行约 6 秒，而后者约为 0.3 秒。降低画布能让 i2i 运行更快，是因为它产出的是更小的图像，而不是增加了细节。

• 宽高比 — 如果省略 height 和 width，输出画布将根据你传入的最后一张条件图的宽高比推导得出。每张参考图各自保持自身形状，因此一张竖图和一张横图可以出现在同一次调用中，而不会有一张被裁剪成另一张的画幅。

• 32 的倍数 — 当高度或宽度不能被 VAE 缩放因子乘以 2 整除时，管道会发出警告并悄悄调整尺寸，在此模型上该值为 32。如果你是手动选择画布尺寸，请将其四舍五入到该倍数。

• 原生尺寸 — Qwen-Image-2.1 是在 2K 分辨率下训练的，仓库推荐的所有尺寸都处于这一区间：1:1 为 2048×2048，16:9 为 2752×1536，9:16 为 1536×2752，4:3 为 2400×1792。ComfyUI 的文档指出，默认目标为一百万像素，原生 2048×2048 正方形需设置约 4.0 MP，并且——这条警告很有用——目标远高于训练尺寸时（例如 4K），会损失提示词遵循能力，而不是获得更多细节。

• Alpha —— 如果你的参考图带有透明度，交给视觉编码器的是一份合成到白色背景上的副本；只有 VAE 那份副本保留全部四个通道。你期望模型能理解的关于透明度的任何信息，在文本这一侧都被当作白色背景来读取。

什么得以留存，什么被重新塑造

这里要说得准确些，因为发布资料和机制给出的说法并不相同，而两者都是对的。

• 有文档证明其得以保留——供应商声称在两个方向上开展保真工作：一是人像身份，使人物在多次编辑与生成后仍保持可辨认；二是产品一致性，保留文字、纹理与形状。这些均为供应商的说法，以并排示例加以说明，而非附带任何量化指标；在 2026 年 10 月 13 日为撰写本页所查阅的资料中，二者均未发布独立评分。

• 在像素级别毫无保证——什么也没有。你的参照是上下文 token 和视觉前缀，而目标是噪声。输入中凡是你的提示词既未提及也未暗示的部分，都可以随意改变，流水线里没有任何设置能将其固定。如果某个细节不能变动，就必须在提示词中写明，因为除此之外没有任何东西能保住它。

• 标记会渗入输入 — 在 ComfyUI 文档所述的编辑工作流中，画笔笔触会落在图像的 RGB 图层上，而非落在蒙版中，因此保存时会把带标记的图像写回节点，这些标记便成为模型所读取参考图的一部分。请把标记留在你想要修改的区域内，同时也在提示词中说明你想要的颜色，因为否则标记的颜色可能会在输出结果中显现出来。

• 画布尺寸不匹配会导致结果发生偏移——ComfyUI 的文档建议让自定义画布尽量贴近第一张参考图缩放后的大小，"否则编辑结果可能会偏移"。如果输入图像的形状与你指定的画布不一致，它不会被加黑边处理，而是会被直接移动。

• 确定性取决于两个设置，而不是一个——在 2.1 流水线上切换 use_kv_cache 会改变固定种子下的样本，因为缓存使解码步骤的注意力所依据的序列布局与预填充步骤不同，因此这两种设置“给出同样有效但明显不同的样本”。该流水线自身的建议是固定这一标志。在 ComfyUI 中，等效的控制项是缓存节点的存储精度，其中——以下是 ComfyUI 自己的数字，未经审计——int8可将缓存减半，精度约为 bf16，而 int4将其缩减至四分之一，同时使每步误差大约翻倍。

i2i 在哪些情况下不是合适的工具

五个案例，每个都标明了替代方案。

• 你可以明确指出想要修改的具体内容。使用 Qwen-Image-2.1 上的指令路径——涂抹或圈出该区域，或将单独的蒙版作为第二个输入传入——或使用 Qwen-Image-Edit 系列的专用检查点。i2i 会连同目标本身一起重绘目标周围的画面。

• 你需要保留原始像素。i2i 会生成一张新图像，不会保留任何原始像素。遮罩路径才是为了保持画面其余部分不变而设计的。

• 你需要 4K。根据 ComfyUI 文档，超过 2K 的训练尺寸后，模型会丧失提示词遵循能力。4K 下的 i2i 运行更慢、对你的描述遵循得更少，而不是更清晰。

• 你需要从输入中还原出精细细节。条件图像会先被缩放到约一百万像素的预算，因此 1200 万像素的参考图绝不会以完整分辨率进入模型。小于该预算的细节在去噪开始之前就已经丢失了。

• 你需要一次逐位完全相同的重复运行。修复 KV 缓存标志和随机种子，并且每次只改动一个设置——否则你就是在比较两个不同的采样器，还把它称作噪声。

先做一处交叉引用，因为这一点迟早会被提到：2026 年 10 月 9 日发布的 Turbo 检查点使用相同的 7B 视觉生成架构和相同的图像条件路径，并以 8 个去噪步骤而非大约 40 个来运行调度。两者在输入图像的使用方式上没有任何变化。如果你想要高速运行 i2i 路径，那就加载这个检查点；如果你在排查为什么你的参考图被忽略，步骤数并不是那个变量。

下一步做什么

从模型卡上厂商自己的快速入门开始，而不是从教程开始，并阅读编辑示例的参数列表：它传入 image=input_image，设置 num_inference_steps，而且任何地方都没有 strength 参数。这一缺失正是本页的全部重点，而在厂商的代码中亲眼看到它，比相信一份摘要更快。

从那里开始，将 output_resolution设置为你实际需要的尺寸，然后再判断任何与相似度有关的事情；尽可能把画布保持在原生 2K 预设上，并把提示词写成仿佛参考图是一张就放在提示词旁边的照片，而不是一个正在被部分去噪的潜变量张量——因为在这个模型上，事实就是如此。如果你试了三次之后，发现自己想说“只改这个，其他都别动”，那就停下来。这句话就是你的信号：i2i 是错误路线，而编辑线才是它该去的地方。