Qwen-Image-2.1 i2i：從你自己的圖像開始，以及為什麼沒有強度滑桿

如果你曾經搜尋過 Qwen-Image-2.1 i2i，那你早就知道圖像轉圖像（i2i）是什麼意思：你交給模型一張圖片，而不是一片空白的潛在表示，然後拿回一張與它相似的圖。本頁要釐清的是，在 Qwen-Image-2.1 上什麼時候該這麼做——以及從其他圖像模型過來的人會感到意外的那個部分。在這個模型上，你想找的那個強度滑桿並不存在。Qwen-Image-2.1 自己的流程完全不接受 strength 或 denoise 參數：你的參考圖像是以脈絡的形式輸入，目標圖像從純雜訊開始，而決定輸出偏離輸入多远的，是你寫下的內容。如果你真正需要的，是改掉某個有名字的東西、其餘原封不動，那是另一項工作，由這個家族中另一條產品線處理——也就是 Qwen-Image-Edit 檢查點——而本頁的比較正是最該先讀的部分，因為搜尋「i2i」的讀者，往往只差一次搜尋就會用錯工具。

輸入影像實際上有什麼作用

在 Qwen-Image-2.1 上，條件影像會透過兩扇門進入模型，而這兩者都不是「一個你可以逐步回退的雜訊起始潛在向量」。為此模型發布的儲存庫與 diffusers 管線類別對兩者皆有所描述：

• 文字編碼器 — 文字編碼器是 Qwen3-VL 8B，這是一個視覺語言模型，而廠商的儲存庫指出，它會將文字指令與條件影像編碼成單一的統一表徵。你的影像，字面上就是模型作為提示所讀取內容的一部分。

• VAE — 同一張圖像會被編碼為潛在 token，並預先置於噪聲之前、排在目標圖像自身的 token 前面，因此 transformer 看到的是一個聯合序列：你的參考圖在前，正在生成的內容緊隨其後。

• 目標起始 — 目標潛在向量從高斯分布中取樣，並在整個排程中從 sigma 1.0 向下逐步去噪。該管線中沒有部分去噪的進入點。

第三個要點，正是它與多數人用過的 i2i 之間的整體差異。在經典做法中，你會將輸入影像編碼，依強度值比例對其加入雜訊，再從那一點進行去雜訊——因此輸入確實存在於起始潛在表示中，而強度數值決定它有多少能留存下來。在 Qwen-Image-2.1 自身的路徑上，你的影像從來不是起點，而是脈絡。輸出不是你的檔案的清理版；它是一幅新影像，把你的檔案畫進了場景裡。

還有一個細節值得了解，因為讀者所輸入的那個縮寫實際上就存在於這裡。如果你試圖把預先編碼好的潛在表示當作 image 傳入，diffusers 管線會明確拋出錯誤，並附上這樣的註解：「文字編碼器必須看見圖片本身」。條件圖片必須是像素，而不是張量。

強度控制，以及它去了哪裡

Diffusers 確實為這個系列提供了 img2img 管線，而它的 strength 參數行為，完全符合這個領域教會你預期的方式。從該類別自身的 docstring 讀到：圖像「會被用作起始點，而 strength 越高，加入的雜訊就越多」，而且「值為 1 時基本上會忽略 image」。它的預設值是 strength=0.6 和 num_inference_steps=50。因此，兩端就是你已經知道的兩端：

• 強度接近 0——幾乎不會加入雜訊，去雜訊迴圈很短，輸出幾乎與你的輸入難以區分。這是用於色彩分級、輕度紋理處理、近乎複製的設定。

• 強度為 1 — 加入的雜訊達到最大，去雜訊會執行完整排程，而輸入影像實際上會被丟棄。這等同於文字轉圖像，還附帶一個代價高昂的無操作。

這裡有個陷阱，而這正是這個頁面存在的原因。與那個管線一起發布的範例載入的是 2025 檢查點，而不是這個模型。Qwen-Image-2.1 有它自己的管線類別，QwenImage21Pipeline，而它不接受 strength 引數、不接受 denoise 引數，也沒有部分雜訊的進入點。無論你記得自己在另一個模型上設定了什麼數值，在 2.1 這條路徑上都沒有任何地方可以設定它。這根控制桿已經從一個數字轉移到了提示詞上。

那不是廠商留下未補的缺口。它出貨的模型唯一的工作，就是寫出那段提示：Qwen-Image-2.1-PE-I2I，這是一個經過微調的 Qwen3.5-VL 9B 檢查點，接收一則含糊的指令加上一或多張輸入影像，然後回傳一個 JSON 物件，內含 rewritten_prompt，以及兩個互斥欄位的其中一個——wh_ratio，當該請求會建立新的構圖時使用；或ratio_follow，當它應該沿用某張編號輸入影像的長寬比時使用。那個 JSON 是 Qwen-Image-2.1 最接近強度設定的東西。它是模型在告訴你，你的請求是保留輸入的畫面框架，還是建立新的框架。注意「i2i」這個字串出現在廠商自家命名的哪個位置：是在這個提示重寫檢查點上，而不是在另一個獨立的圖生圖檢查點上。2.1 世代並沒有發布那樣的東西。

i2i 或編輯：應套用的規則

想要做出變體時，就選用 i2i。想要做出改變時，就選用 Editing。其餘的一切，都從這一句話推衍而來。

• 變體 — 你喜歡這張圖，想要更多類似的內容。換一種呈現、不同的光線，同一個角色置於新場景，同一項產品放在新環境。你無法指出任何一個必須保持像素完全一致的東西，因為你不是在保留——你是在重繪。這正是 i2i 的工作。

• 變更 — 你可以指名要改的東西。「讓角色和姿勢保持不變，把這件襯衫穿在角色身上。」這道指令是一項限制，而畫面的其餘部分則是一個理當還給你的承諾。這就是一項編輯工作。

在 Qwen-Image-2.1 上，這兩種行為存在於同一個檢查點中。廠商自家的發佈資料稱它是「統一的文字生圖與影像編輯模型」，而它記載的局部編輯路徑是遮罩形式的：圈選或塗抹該區域，或者將原始影像與另一份遮罩作為兩項輸入傳入。2.1 這一代並未隨附的，是一個獨立的編輯檢查點。

專用的編輯檢查點是另一條產品線，也是不同世代。廠商組織自己在 Hugging Face 上的模型清單（於 2026 年 10 月 13 日讀取）載有該作者名下的九個圖像模型，其中的編輯項目為 Qwen-Image-Edit（建立於 2025 年 8 月 17 日）、Qwen-Image-Edit-2509（2025 年 9 月 22 日）與 Qwen-Image-Edit-2511（2025 年 12 月 17 日）。它們都不是 2.1 模型。因此，請謹慎看待任何寫著「Qwen-Image-Edit 2.1」的頁面：廠商清單中不存在該名稱的儲存庫，而人們輸入的拼寫——「qwen image edit 3」、「qwen image edit 2512」——也不符合已發布的廠商儲存庫。無論關於這條編輯產品線的宣稱告訴你什麼，在據此行動之前，先確認它講的是哪個世代，因為該產品線橫跨三個有日期的世代，而 2.1 版本並非其中之一。

實際上，這條規則可以這樣拆解。如果你能把指令寫成一個帶有目標的句子——「把天空變成夕陽」、「移除手錶」——那你就屬於編輯範疇；而在 2.1 裡，你是透過遮罩或塗繪標註來做到這點，而不是靠切換工具。如果你的句子沒有目標，而其實是在描述你接下來想要的圖像，那你就屬於 i2i 範疇。輸入了「i2i」，卻發現自己正在寫祈使句的讀者，正是需要編輯路徑的讀者，而這也正是本節在頁面上排得這麼高的全部原因。

您的輸入影像所限制的內容

你一選定參考就會修正的五件事，全都記載在管線自身的程式碼中，或記載在 ComfyUI 為此模型發布的文件中。於 2026 年 10 月 13 日閱讀。

• 解析度預算 — 2.1 管線的 output_resolution 預設為 1024，且每張條件圖片都會被縮放至預算為 output_resolution 平方，並依其自身長寬比、四捨五入至 32 的倍數。因此，一張 3000×4000 的照片在模型看到任何一個像素之前，就會先被縮減為大約 896×1184——約莫一百萬像素。ComfyUI 的文件把成本說得很具體：同樣的工作在 3008×4000 畫布上執行，相較於大約 896×1184，每輪迭代約需 6 秒，對比約 0.3 秒，這是在 RTX 5090 上測得的。降低畫布會因為產生較小的影像而讓 i2i 執行得更快，而不是增加細節。

• 長寬比 — 如果你省略高度與寬度，輸出畫布會依據你傳入的最後一張條件影像的長寬比來決定。個別而言，每個參考都會保持自己的形狀，因此一張直式與一張橫式影像可以在同一次呼叫中一起傳遞，而不會有一張被裁切成另一張的框架。

• 32 的倍數 — 當高度或寬度無法被 VAE 縮放係數的兩倍整除時，管線會發出警告並默默調整尺寸，而在這個模型上該數值為 32。如果你是手動挑選畫布，請將其四捨五入。

• 原生尺寸 — Qwen-Image-2.1 是以 2K 訓練的，而該儲存庫建議的尺寸全都落在此範圍內：1:1 為 2048×2048，16:9 為 2752×1536，9:16 為 1536×2752，4:3 為 2400×1792。ComfyUI 的文件指出，預設目標為一百萬像素，原生 2048×2048 正方形大約要設為 4.0 MP，而且——這是有用的警告——目標若遠高於訓練尺寸，例如 4K，反而會失去提示詞遵循度，而不是獲得更精細的細節。

• Alpha — 如果你的參考素材帶有透明度，視覺編碼器收到的會是合成到白色背景上的副本；只有 VAE 副本會保留全部四個通道。你期望模型理解任何關於透明度的資訊，都會被文字端讀取為白色背景。

什麼得以存續，什麼又會被重新發明

在這裡請務必精確，因為發布資料和機制所說的內容不同，而兩者都是真的。

• 經記錄可保留 — 供應商聲稱在兩方面達成保真度：肖像身分，讓一個人在編輯與生成過程中仍保持可辨識；以及產品一致性，保留文字、紋理與形狀。這些是供應商以並排範例展示的說法，而非附有量測數據，且在 2026 年 10 月 13 日為本頁所閱讀的資料中，並未針對任一項發布獨立評分。

• 像素層級保證——什麼都沒有。你的參照是上下文詞元與視覺前綴；目標是雜訊。任何你的提示詞既未處理也未暗示的輸入部分，都可以自由變更，而且管線中沒有任何設定能讓它固定不動。如果某個細節絕不能移動，就要在提示詞中指名它，因為其他任何東西都不會。

• 標記會滲入輸入 —— 在 ComfyUI 官方文件記載的編輯工作流程中，畫筆筆觸會落在影像的 RGB 圖層上，而非落在遮罩中，因此儲存時會把標記過的影像寫回節點，標記便成為模型所讀取之參考內容的一部分。請將標記畫在你想要變更的區域內，並在提示詞中一併寫明你想要的顏色，否則標記的顏色可能會顯現在輸出中。

• 畫布尺寸不符會導致結果位移——ComfyUI 的文件建議，自訂畫布應盡量接近第一張參考圖片調整後的大小，「否則編輯可能會位移」。形狀與你指定的畫布不同的輸入，不會被加上黑邊，而是會被移動。

• 決定性需要兩項設定，而非一項 —— 在 2.1 管線上切換 use_kv_cache，會改變固定種子下的取樣結果，因為快取讓解碼步驟以與預填充步驟不同的序列佈局進行注意力計算，因此這兩者「會產生同樣有效、但明顯不同的樣本」。該管線自身的建議是固定此旗標。在 ComfyUI 中，對應的控制項是快取節點的儲存精度；根據 ComfyUI 自身提供、未經稽核的數據，int8 能將快取減半，而精度約與 bf16 相當，int4 則將其縮減至四分之一，同時使每步誤差大約加倍。

什麼情況下 i2i 是錯誤的工具

五個案例，每個都標明了替代方案。

• 你可以指名要變更的確切目標。 在 Qwen-Image-2.1 上使用指令路徑——塗抹或圈選該區域，或將另附的遮罩作為第二個輸入傳入——或使用 Qwen-Image-Edit 系列的專用檢查點。i2i 會連同目標本身一起重繪其周圍的畫面。

• 你需要保留原始像素。 i2i 會產生一張新影像；它不會保留任何原始像素。遮罩路徑才是專門設計來讓畫面其餘部分保持原樣的。

• 你需要 4K。根據 ComfyUI 文件，超過 2K 的訓練尺寸後，模型就會失去對提示詞的遵循度。在 4K 下進行 i2i 是較慢的執行，對你的描述遵循得更少，而不是更銳利。

• 你需要重現輸入中的精細細節。 條件影像會先被縮放至大約一百萬像素的額度，因此 1200 萬像素的參考圖像永遠不會以完整解析度送達模型。比該額度更小的細節在去雜訊開始前就已消失。

• 你需要一次位元完全相同的重複執行。把 KV 快取的旗標和種子固定下來，並且一次只改一個設定——否則你只是在比較兩個不同的取樣器，卻把它稱為雜訊。

一則交叉參照，因為這點之後一定會被提到：2026 年 10 月 9 日發布的 Turbo 檢查點採用相同的 7B 視覺生成架構與相同的影像條件化路徑，並以 8 個去噪步驟執行排程，而非約 40 個。兩者在使用你的輸入影像的方式上沒有任何改變。如果你想以高速使用 i2i 路徑，就該載入那個檢查點；如果你正在除錯為何你的參考影像遭到忽略，步驟數並不是變因。

接下來該做什麼

從模型卡上廠商自己的 Quick Start 開始，而不是從教學文章開始，並閱讀編輯範例的引數列表：它傳入 image=input_image，設定 num_inference_steps，而且完全沒有任何 strength 引數。那個「沒有」正是本頁的全部重點，而在廠商程式碼中看到這件事，比相信一份摘要還快。

接下來，output_resolution要先設成你真正需要的大小，然後再對相似度做出任何評斷；行有餘力的話，讓畫布維持在原生的 2K 預設值上，並把提示詞寫得彷彿參考圖是一張就擺在提示詞旁邊的照片，而不是一個正被部分去噪的潛在張量——因為在這個模型上，它確實就是如此。而如果試到第三次，你發現自己想說「只改這裡，其他全部保持原樣」，那就停手。這句話就是你走錯 i2i 這條路的訊號，而編輯這條路線才是它該歸屬的地方。