Qwen-Image-2.1 Next-Scene LoRA：链式分镜生成

Qwen-Image-2.1-Next-Scene-LoRA 是一个 rank-64 适配器，它教会 Qwen-Image 2.1 一项特定的编辑能力：给定当前帧和一条导演风格的指令，生成下一个镜头，而不是编辑你手上已有的这一帧。相机运动、揭示镜头和光照变化都会被应用，而世界观、角色和风格保持不动；输出还可以回喂作为下一次输入，从而构建出分镜。

从一张照片生成四个导演镜头。每一帧都是把上一个输出配合新指令回喂得到的，使用推荐的 step-2,500 模型和强度 0.7。

它为 Qwen-Image 2.1 带来了什么

next-scene 格式来自 lovis93/next-scene-qwen-image-lora-2509，该 LoRA 在 Qwen-Image 2509 编辑模型上已获得 313,000 次下载。本次是把该能力移植到当前的基础模型上：在尚不具备此能力的 Qwen-Image 2.1 上原生重新训练。它与 akhaliq 更早的 Multiple-Angles LoRA 搭配使用：后者控制相机所处的位置，而 Next-Scene 控制故事接下来走向何方。

提示词以 Next Scene: 开头，并把相机运镜方向放在最前面，例如 "Next Scene: The camera pulls back to a sweeping aerial view, revealing the fleet behind the cliffs"：

Next Scene: The camera tracks forward and tilts down as rain begins to streak the lens.
Next Scene: Cut to a low-angle shot; sunlight breaks through the clouds behind her.
Next Scene: The camera pans right, revealing the fleet massing behind the ridge.

链式生成：一份经过实测的配方

把每次输出回喂作为下一次输入，正是让这个适配器变成分镜工具的关键；不过作者并没有凭空猜测失败模式，而是实测出了一种：在强度 0.9 下进行朴素的链式生成，会不断累积胶片颗粒，到第 3 或第 4 跳时就会变成肉眼可见的彩色噪波。经过验证的干净链条配方是：强度 0.7 或更低，并对每个链式输入施加 0.5 像素的高斯模糊，以此打破颗粒放大的反馈循环。上面的四跳示例正是按这种方式渲染的。


第 1 跳：相机后拉成全景	第 2 跳：向右平移，宇航员在月壤上跳跃前行


第 3 跳：切到仰角镜头，宇航员正在敬礼	第 4 跳：推近金色面罩，其中映出登月舱

该使用哪个模型

仓库提供了三个转换后的模型，以及原始训练输出：

模型	结论
`next_scene_step2500.safetensors`	推荐。最终步数，已转换为 diffusers 键名布局。在保持构图和人物身份的同时带来最强的场景变换。
`next_scene_step1500.safetensors`	更柔和的替代方案，对人物身份更温和。如果 2,500 力度过强就用它。
`next_scene_step1000.safetensors`	变换最弱，主要用于研究训练曲线。
`checkpoints/qwen21_next_scene_v1_*.safetensors`	原始 ai-toolkit 格式。MLP 键使用 ai-toolkit 的融合命名，diffusers 会静默跳过。只能通过 ai-toolkit 或其自带加载器使用。

作者还发布了一组模型扫描对比：同一个风暴提示词分别使用 step 1,000、1,500 和 2,500，另附一个无 LoRA 的对照组。由于 Qwen-Image 2.1 自身编辑能力就很强，基础模型已经会尝试表现风暴，但只有 step 2,500 这一格能让整片风暴锋面席卷山谷，同时保持探险者、废墟和整体色调完好无损。

同一张电影感起始图，在每个模型上使用相同的风暴指令，另附一组无 LoRA 对照。

训练方式

基础模型： Qwen-Image 2.1，arch: qwen_image_2。
数据： 1,144 组场景推进对，取自 Blender 开源影片 Sintel 和 Tears of Steel（CC-BY）的连续帧，由 Qwen3-VL-4B 针对每一组"当前帧到下一帧"的配对，标注为导演风格的 "Next Scene: ..." 指令。原始配对与带标注的数据集均已发布。
训练： ostris/ai-toolkit，rank 64 / alpha 64，adamw8bit，学习率 1e-4，加权时间步，caption dropout 0.05，512 像素，2,500 步，基于 bf16 下的 uint3 量化基础模型。

适用范围与限制

该适配器是在电影胶片帧上训练的，一部动画、一部真人实拍。它能泛化到照片，但在电影感场景、风景和定场镜头上表现最好，而静态人像按设计就不在其适用范围之内。训练在 512 像素下完成；更大的画布会继承该行为，但并非训练时见过。每 250 步的样本网格保存在 checkpoints/samples/ 中，模型卡片还链接了一个 Trackio 仪表盘和一个演示 Space。

ComfyUI 可用性

推荐的这个模型已经转换完毕，因此它可以通过 LoRA 节点以 0.7 到 0.9 的强度加载进任何 Qwen-Image 2.1 工作流，图像作为编辑输入或引用图像传入。该适配器没有单独的工作流文件；在 ComfyUI 中应使用根目录下的 next_scene_step*.safetensors 文件，checkpoints/ 里的副本是 ai-toolkit 格式。