JoyAI Image Edit：原生 ComfyUI 图像编辑支持

京东开源（JD Open Source）已发布 JoyAI-Image-Edit 和 JoyAI-Image-Edit-Plus 的原生 ComfyUI 支持，将其强大的指令引导图像编辑模型直接引入 ComfyUI 生态。

JoyAI-Image 是什么？

JoyAI-Image 是京东开源（JD.com）开发的统一多模态基础模型。它结合了 8B 多模态大语言模型（MLLM） 与 16B 多模态扩散 Transformer（MMDiT），在同一架构中实现图像理解、文生图和指令引导图像编辑。

该模型系列围绕理解、生成和编辑之间的闭环协作构建——更强的空间理解有助于生成更准确的图像，而生成式变换则为空间推理提供互补证据。

ComfyUI 支持

自 2026 年 6 月 9 日起，JoyAI-Image-Edit 和 JoyAI-Image-Edit-Plus 均可原生运行于 ComfyUI，无需额外依赖。针对 ComfyUI 优化的模型仓库提供了两种格式的预打包模型文件：

• BF16 — 全精度，追求最高质量
• INT8 ConvRot — 量化版，降低 VRAM 占用，质量损失极小

每个仓库均附带打包好的 ComfyUI 工作流，开箱即用。

JoyAI-Image-Edit

单图指令引导编辑。接收输入图像和自然语言指令（例如“将盘子变成蓝色”或“把杯子向右移动”），输出编辑后的结果。

• HF 仓库： jdopensource/JoyAI-Image-Edit-ComfyUI
• 模型文件：
  • diffusion_models/joyai_image_edit_bf16.safetensors
  • diffusion_models/joyai_image_edit_int8_convrot.safetensors
  • text_encoders/qwen3vl_8b_joyimage_edit_bf16.safetensors
  • text_encoders/qwen3vl_8b_joyimage_edit_int8_convrot.safetensors
  • vae/wan_2.1_vae.safetensors

JoyAI-Image-Edit-Plus

多图指令引导编辑。接收 1 至 6 张参考图像及文本指令，根据指令组合所有参考图像中的元素，生成新图像。支持多图合成、一致性保持和联合编辑。

• HF 仓库： jdopensource/JoyAI-Image-Edit-Plus-ComfyUI
• 模型文件：
  • diffusion_models/joyai_image_edit_plus_bf16.safetensors
  • diffusion_models/joyai_image_edit_plus_int8_convrot.safetensors
  • text_encoders/qwen3vl_8b_joyimage_edit_plus_bf16.safetensors
  • text_encoders/qwen3vl_8b_joyimage_edit_plus_int8_convrot.safetensors
  • vae/wan_2.1_vae.safetensors

安装

将下载的文件放入以下 ComfyUI 目录结构中：

ComfyUI/
└── models/
    ├── diffusion_models/
    │   ├── joyai_image_edit_bf16.safetensors
    │   └── joyai_image_edit_int8_convrot.safetensors
    ├── text_encoders/
    │   ├── qwen3vl_8b_joyimage_edit_bf16.safetensors
    │   └── qwen3vl_8b_joyimage_edit_int8_convrot.safetensors
    └── vae/
        └── wan_2.1_vae.safetensors

或者使用 hf download 直接安装：

hf download jdopensource/JoyAI-Image-Edit-ComfyUI --local-dir /path/to/ComfyUI/models

功能

JoyAI-Image-Edit 在指令引导编辑的多个方面表现出色：

• 空间编辑 — 通过自然语言提示实现物体移动、物体旋转和相机控制
• 精准指令遵循 — 高度遵守编辑指令，同时保留未修改场景元素
• 多图合成（Edit-Plus） — 将多达 6 张参考图像中的元素组合成单一连贯输出
• 强场景保留 — 保持编辑区域之外的场景结构和内容

该模型的空间智能还可用于空间推理任务——通过忠实执行相机运动合成诊断视角，帮助消除复杂空间关系的歧义。

链接