TailSteer: стабильные правки Qwen-Image 2.1 на 20 итерациях

Отредактируйте изображение десять раз подряд, и последний кадр уже не будет той же картинкой: кожа становится пластиковой, текст искривляется, детали фона размываются, и ни одна из инструкций этого не просила. TailSteer обучает модель проходить этот цикл без потери качества первой правки, с которого она начинала.

Шаг 20 из двадцати последовательных правок: базовая модель против TailSteer, из набора примеров проекта

Что меняется

В бенчмарке проекта Add & Preserve, где на каждом шаге в течение десяти шагов добавляется один небольшой объект и оценивается то, что осталось неизменным, TailSteer сохраняет показатель завершённости объектов базовой модели, одновременно улучшая всё за пределами области правки:

Плата невелика: Qwen-IB EN 53.39 → 53.06, GEdit EN 8.11 → 8.04, ImgEdit 4.40 → 4.42. Генерация текст-в-изображение по-прежнему работает с того же checkpoint, а на выводе не нужны ни маска сохранения, ни переключение модели.

Одинаковый промпт и seed: базовая модель против TailSteer.

Запуск в ComfyUI

1. Обновите ComfyUI до сборки, включающей TextEncodeQwenImage21 и QwenImage21Cache, затем поместите qwen_image_2.1_tailsteer_bf16.safetensors (14.23 GB) в models/diffusion_models/.
2. Добавьте неизменённые базовые компоненты: qwen3vl_8b_bf16.safetensors в models/text_encoders/ (17.53 GB) и qwen_image_2.1_vae_bf16.safetensors в models/vae/, оба из Comfy-Org/Qwen-Image-2.1.
3. Перетащите рабочий процесс и запустите: 40 шагов Euler, CFG 1.0, lossless KV кэш, разрешение референса 1024.

В рабочем процессе с тремя шагами каждый VAE Decode передаёт результат в следующий Text Encode Qwen Image 2.1, поэтому дублирование этапа редактирования удлиняет цепочку.

Одна настройка, которую нужно соблюдать: сэмплер использует ManualSigmas, построенные из опубликованного динамического сдвига, и стандартное расписание simple в ComfyUI это не та же кривая. Если вы меняете размер выхода или количество шагов, перегенерируйте его с помощью comfyui_sigmas.py из проекта и вставьте результат обратно.

Проверенная конфигурация: H100 80 ГБ с компонентами BF16; квантованные конфигурации и конфигурации на потребительских GPU не проверялись. Примеры рабочих процессов работают в разрешениях 1280×832, 960×1120 и 1024×1024.

Доступность

• Веса: Lyricccco/Qwen-Image-2.1-TailSteer, а также полная раскладка Diffusers и руководство для ComfyUI.
• Тот же этап обучения для других бэкбонов: FLUX.2 [klein] Base 9B и SenseNova-U1.5-8B-MoT.
• Код: Lyricccco/tailsteer; статья arXiv 2611.06741.
• Демо в браузере от akhaliq: endless-edit-tailsteer.

В карточке модели говорится, что в обучении находится более сильная версия примерно с вдвое лучшей способностью к сохранению.