Qwen-Image 2.1: 7B генерация и редактирование в ComfyUI

Qwen-Image 2.1 это преемница Qwen-Image с открытыми весами от Alibaba: 7B диффузионный трансформер с единым потоком, который генерирует и редактирует одними и теми же весами, записывает настоящие альфа-каналы RGBA, принимает до 10 референсных изображений и вышел с поддержкой ComfyUI в день запуска и тремя официальными шаблонами рабочих процессов.

Примеры из официальной карточки модели Qwen-Image 2.1.

Что нового в Qwen-Image 2.1

Предыдущая генерация Qwen-Image использовала 20B основу MMDiT с текстовым энкодером Qwen2.5-VL-7B. Qwen-Image 2.1 заменяет визуальную генерацию на 7B компонент из 32 слоёв однонаправленного DiT, и вот четыре главных изменения:

Компактность и эффективность. Внимание со смешанной гранулярностью и переиспользование префиксного KV-кэша сохраняют высокое качество при значительно меньших вычислительных затратах, чем у линейки 20B.
Нативная прозрачность, единая генерация и редактирование. Одна модель создаёт обычные или прозрачные (RGBA) изображения по тексту, редактирует прозрачные слои и извлекает объекты из фотографий.
Универсальное редактирование. До 10 референсных изображений на запрос, локальные правки, задаваемые кругами, нарисованными пометками или отдельной маской, и сохранение внешности людей и товаров.
Реалистичные текстуры и утончённая эстетика. Улучшенная типографика, портретное освещение и мелкие детали.

Нативные размеры вывода шире, чем квадрат класса 1024, который использовали прежние рабочие процессы: 2048x2048 при 1:1, 2400x1792 при 4:3, 2528x1696 при 3:2 и 2752x1536 при 16:9, а также соответствующие портретные пропорции.

Прозрачные изображения с настоящим альфа-каналом

Главная особенность: альфа-канал сохраняется в самом файле. Вместо генерации на однотонном фоне с последующим вырезанием объекта отдельной моделью матирования Qwen-Image 2.1 записывает прозрачность сама, поэтому стикер, рендер товара или UI-ассет получаются готовыми к композитингу. Карточка модели рекомендует явный формат промпта, чтобы это включить:

This is an RGBA image with transparency. <your subject description>.
The image has alpha channel and the background is transparent.

Нативная генерация прозрачных изображений прямо из официальной витрины. Файлы содержат альфа-канал, а не нарисованную шахматку.

Редактирование по десяти референсным изображениям

Именно в редактировании имеет значение количество референсов. Qwen-Image 2.1 принимает до десяти изображений за один проход, что позволяет создавать групповые композиции, сцены с несколькими товарами и листы персонажей без склейки отдельных генераций. Локальные правки можно задавать кругом, нарисованной пометкой или узлом маски.

Один групповой снимок, сгенерированный по шести портретным референсам.

Примеры типографики и компоновки из карточки модели.

Поддержка ComfyUI в день запуска

Поддержка Qwen-Image 2.1 была добавлена в ComfyUI в Comfy-Org/ComfyUI #16400 (CORE-423, автор Kijai), и три официальных шаблона ниже требуют ComfyUI 0.37.0 или новее. Последующие коммиты добавили компиляцию блоков трансформера и улучшили размещение KV-кэша для этой модели.

Переупакованные однофайловые веса находятся в Comfy-Org/Qwen-Image-2.1, а шаблоны входят во встроенную галерею рабочих процессов, поэтому их можно открыть и из браузера шаблонов, а не только перетаскиванием JSON.

Шаблон	Что он делает
Текст в изображение	Одно изображение 1024x1024 за 25 шагов выборки, нативный вывод 2K, поддержка типографики и альфа-канала
Редактирование изображения	Два референсных изображения через единый чекпоинт генерации и редактирования, полезно для правок с сохранением персонажа и вырезания товаров
Удалить фон	Одно входное изображение на входе, один прозрачный результат на выходе, благодаря нативному выводу RGBA модели

Файлы модели

Переупаковка Comfy-Org разложена по обычным папкам:

📂 ComfyUI/
└── 📂 models/
    ├── 📂 diffusion_models/
    │   ├── qwen_image_2.1_bf16.safetensors
    │   └── qwen_image_2.1_int8_convrot.safetensors
    ├── 📂 text_encoders/
    │   ├── qwen3vl_8b_bf16.safetensors
    │   ├── qwen3vl_8b_int8_convrot.safetensors
    │   └── qwen3vl_8b_w4a8.safetensors
    └── 📂 vae/
        └── qwen_image_2.1_vae_bf16.safetensors

Помимо них, в переупаковке есть текстовые энкодеры prompt enhancer: qwen3.5_9b_qwen_image_2.1_pe_t2i и qwen3.5_9b_qwen_image_2.1_pe_i2i в форме INT8 convrot. Это LLM, которые Qwen дообучила, чтобы разворачивать короткий запрос в формат шаблона промпта, предпочитаемый моделью изображений. Они опциональны: любая достаточно сильная LLM может заполнить тот же шаблон промпта, а сама модель изображений работает и без неё.

Что сообщают первые пользователи

Модель доступна пользователям с самого дня запуска, и снова и снова всплывают одни и те же практические замечания:

Нативное разрешение важно. Значительное превышение обучающего разрешения класса 2048 дестабилизирует экспозицию, а слишком большие входные референсы резко замедляют генерацию. Уменьшить референс до загрузки дешевле, чем позволить сэмплеру пережёвывать его.
CFG ниже 1 непригоден. Guidance около 1 ведёт себя как в прежней линейке Qwen-Image, а к небольшому CFG с негативным промптом, ориентированным на качество, прибегают, когда текст на изображении должен быть чётче.
Перенос стиля по-прежнему нестабилен. Текстовые инструкции надёжно меняют стиль, тогда как стиль, заданный через референсные изображения, менее предсказуем, что перекликается с опытом пользователей на более ранних моделях Qwen-Image Editing.

Доступность

Веса доступны на Hugging Face и ModelScope, анонс опубликован в блоге Qwen. Помимо ComfyUI, интеграции в день запуска включают Diffusers через QwenImage21Pipeline, vLLM-Omni, SGLang и LightX2V.