TailSteerがQwen-Image 2.1の編集を20ターン以上安定させる

同じ画像を10回続けて編集すると、最後のフレームはもはや元の絵ではありません。肌はプラスチックのようになり、テキストは歪み、背景のディテールはぼやけます。しかも、それらを指示した覚えはありません。TailSteerは、最初の編集で得られた品質を損なうことなく、このループに耐えられるようモデルをトレーニングします。

20回連続編集の20ターン目、ベースモデルとTailSteerの比較（プロジェクトのサンプル集より）

何が変わるか

プロジェクトのAdd & Preserveベンチマークでは、10ターンにわたり毎ターン小さなオブジェクトを1つ追加し、変化せずに残った部分を評価します。TailSteerはベースモデルのオブジェクト完成率を維持しつつ、編集ボックス外のすべてを改善します:

トレードオフはわずかです: Qwen-IB EN 53.39 → 53.06、GEdit EN 8.11 → 8.04、ImgEdit 4.40 → 4.42。テキストから画像への生成も同じcheckpointから動作し、推論時に保存マスクやモデルの切り替えは不要です。

同一プロンプトとシード: ベースモデルとTailSteerの比較。

ComfyUIで実行する

1. TextEncodeQwenImage21 と QwenImage21Cache を含むビルドにComfyUIをアップデートし、qwen_image_2.1_tailsteer_bf16.safetensors（14.23 GB）を models/diffusion_models/ に配置します。
2. 変更されていないベースのコンポーネントを追加します: qwen3vl_8b_bf16.safetensors を models/text_encoders/（17.53 GB）に、qwen_image_2.1_vae_bf16.safetensors を models/vae/ に配置します。どちらも Comfy-Org/Qwen-Image-2.1 から入手できます。
3. ワークフローをドラッグして実行します: 40 Eulerステップ、CFG 1.0、ロスレスKVキャッシュ、参照解像度1024。

3ターンのワークフローでは、各 VAE Decode が次の Text Encode Qwen Image 2.1 に接続されるため、編集ステージを複製するとチェーンが延長されます。

守るべき設定が1つあります: サンプラーはリリースされたダイナミックシフトから構築された ManualSigmas を使用しており、ComfyUIの汎用 simple スケジュールは同じカーブではありません。出力サイズやステップ数を変更する場合は、プロジェクトの comfyui_sigmas.py で再生成し、結果を貼り付けてください。

検証済みの構成はH100 80 GBとBF16コンポーネントです。量子化構成やコンシューマーGPU構成は検証されていません。サンプルワークフローは1280×832、960×1120、1024×1024で実行されます。

入手方法

• 重み: Lyricccco/Qwen-Image-2.1-TailSteer、さらに完全なDiffusersレイアウトとComfyUIガイド。
• 他のバックボーン向けの同じトレーニングステージ: FLUX.2 [klein] Base 9B と SenseNova-U1.5-8B-MoT。
• コード: Lyricccco/tailsteer、論文はarXiv 2611.06741。
• akhaliqによるブラウザデモ: endless-edit-tailsteer。

モデルカードによると、保存能力がおよそ2倍のより強力なバージョンがトレーニング中です。