Перейти к содержанию

Qwen-Image

Qwen-Image — модель для генерации изображений из текстового описания, разработанная командой Qwen и выпущенная в августе 2025 года.

Qwen-Image-Edit — специализированная модель для редактирования существующих изображений на основе текстовых инструкций, выпущена с небольшой задержкой после Qwen-Image.

Qwen-Image-Edit-2509 — обновлённая версия Qwen-Image-Edit, выпущенная в сентябре 2025 года. Добавлены расширенные возможности редактирования: поддержка нескольких изображений (1-3 изображения одновременно), встроенная поддержка ControlNet (карты глубины, границы, OpenPose), улучшенна консистентность при работе с лицами, объектами и текстом.

Модели представляют собой 20-миллиардные MMDiT (Multi-modal Diffusion Transformer) и отличаются продвинутым пониманием промпта и возможностью генерации текста внутри изображений.

Qwen-Image-2.1 — выпущенная в сентябре 2026 года компактная переработка семейства: единая модель генерации и редактирования на 7B, с нативной прозрачностью (RGBA) и поддержкой до 10 референсных изображений. Подробности — ниже.

В качестве текстовых инструкций модели поддерживают несколько языков, включая русский.

Официальные ссылки

Варианты квантования

Оригинальные модели Qwen-Image слишком большие для потребительских видеокарт - они требуют более 40 GB видеопамяти.

По этой причине используются используются кванты - сжатые версии моделей, которые позволяют запускать их на обычных GPU с разумными компромиссами по качеству и скорости.

FP8 кванты

FP8 - это современный формат представления чисел с плавающей запятой, который позволяет запускать нейронные сети с минимальными потерями качества.

Эти кванты официально поддерживаются в ComfyUI и не требуют установки каких-либо дополнительных нод/пакетов.

Установка fp8 квантов Qwen Image / Qwen Image Edit (проскроллить вниз):
https://comfyanonymous.github.io/ComfyUI_examples/qwen_image/

Особенности

  • ✅ Работает без установки дополнительных нод
  • ✅ Поддержка внешних LoRA
  • ✅ Дополнительное ускорение на 40 и 50 поколениях видеокарт благодаря аппаратной поддержке fp8
  • ❌ Для работы без выгрузки слоёв требуются карта с 24 GB VRAM или выше

GGUF кванты

GGUF - это формат для сжатия нейронных сетей, который позволяет запускать большие модели на относительно слабых видеокартах.

Идея в том, что модель сжимается с небольшой потерей качества, но зато требует гораздо меньше видеопамяти. Это позволяет запускать Qwen-Image на картах с 12-16 GB VRAM вместо требуемых 24+ GB для fp8.

Особенности

  • ✅ Работают на картах с низким числом VRAM ценой деградации качества
  • ✅ Поддержка внешних LoRA
  • ❌ Более медленные на 40/50 поколениях карт в сравнении с fp8

Какой GGUF-квант выбрать?

Ориентируйтесь на эту таблицу, чтобы понять, какой квант влезет в вашу видеокарту:

Nunchaku FP4/INT4

Nunchaku - это высокопроизводительный движок для инференса 4-битных нейронных сетей, который обеспечивает значительное ускорение и снижение потребления памяти для диффузионных моделей.

Он оптимизирует диффузионные модели с помощью техники SVDQuant, сжимая их в 3.6 раза по памяти и ускоряя работу в 2-4 раза.

Варианты с fp4-квантами будут особенно интересны владельцам 50 поколения видеокарт, поскольку данные карты обладают аппаратной поддержкой fp4, благодаря чему скорость будет ещё выше.

Особенности

  • ✅ Более агрессивное квантование для экономии VRAM
  • ✅ Значительно выше скорость генерации, особенно на картах 50 поколения
  • ✅ Готовые варианты со встроенными Lightning LoRA (смотри ниже)
  • ❌ Нет поддержки внешних LoRA (планируется добавить)
  • ❌ Требует специальной установки в окружение ComfyUI

Lightning LoRA

Lightning LoRA - это "ускорялки" для Qwen-Image, которые позволяют генерировать картинки в несколько раз быстрее ценой небольшой потери качества.

Работают за счёт сокращения количества шагов диффузии: вместо стандартных 20 шагов достаточно выставить всего 4 или 8 шагов.

Потери качества могут быть заметны на сложных сценах и в мелких деталях (волосы, текст и т.п.), но для большинства задач результат слабо уступает оригиналу.

Доступные варианты:

  • 4 шага: быстрее, но ниже качество
  • 8 шагов: медленнее, но выше качество

Совместимость Lightning LoRA с квантами

FP8 и GGUF: подключаются как обычные LoRA в ComfyUI

Nunchaku: внешние LoRA работать не будут, качайте версии чекпоинтов с вшитыми лорами (в названии должно быть lightning)

Тренировка

Поскольку диффузионная часть модели содержит 20 миллиардов параметров, тренировка LoRA даже на картах с 24 GB VRAM возможна только при загрузке базовой модели в fp8 точности.

Тулзы для тренировки:

Прочее:

Qwen-Image-2.1

Qwen-Image-2.1 — выпущена 20 сентября 2026 года. Это универсальная модель: и для txt2img, и для редактирования в edit-режиме. В отличие от первых Qwen-Image (20B MMDiT), модель здесь компактная — 7 миллиардов параметров в 32 слоях Single-Stream DiT, поэтому модель ощутимо легче и быстрее.

Что нового по сравнению с предыдущими версиями:

  • Нативная прозрачность (RGBA). Модель выдаёт картинку сразу с альфа-каналом — стикеры, вырезки товара и игровые ассеты без отдельного этапа удаления фона. Тем же чекпоинтом можно редактировать прозрачные слои и вырезать объект с фотографии.
  • До 10 референсных изображений в одной задаче — например, собрать человека, одежду, обувь и фон из отдельных картинок в один кадр, сохраняя внешность и детали товара.
  • Локальное редактирование по кружку, нарисованной пометке или отдельной маске: правится только нужная область, остальное не трогается.
  • Нативные 2K и улучшенная типографика с портретным светом.

Рекомендуемые разрешения (длинная сторона — до 2752):

Соотношение Разрешение
1:1 2048 × 2048
4:3 2400 × 1792
3:4 1792 × 2400
3:2 2528 × 1696
2:3 1696 × 2528
16:9 2752 × 1536
9:16 1536 × 2752

По умолчанию — 40 шагов денойзинга.

Устройство. 7B Single-Stream DiT, текстовый энкодер Qwen3-VL 8B (кодирует и текст, и референсы в одно представление), 64-канальный RGBA-VAE со сжатием 16×, планировщик Flow Matching. Архитектура со смешанной гранулярностью внимания позволяет кешировать префикс: текст и референсы считаются один раз на первом шаге и переиспользуются на всех остальных, что особенно важно при многих референсах.

Промпт-энхансеры. Отдельно выложены дообученные Qwen3.5-VL 9B — Qwen-Image-2.1-PE-T2I и Qwen-Image-2.1-PE-I2I: разворачивают короткий промпт в подробное описание и подсказывают соотношение сторон.

Qwen-Image-2.1-Turbo

Qwen-Image-2.1-Turbo — ускоренный чекпоинт Qwen-Image-2.1 на 8 шагов денойзинга вместо 40. Архитектура та же (7B, txt2img + редактирование), загружается тем же пайплайном QwenImage21Pipeline в Diffusers.

Особенности:

  • Рекомендуемый 8-шаговый сэмплинг-график сохранён прямо в чекпоинте и подхватывается автоматически — num_inference_steps его не перекрывает (для экспериментов можно задать sigmas вручную, но другие графики для Turbo не проверялись).
  • По умолчанию CFG = 1.
  • Кеширование префикса (текст + референсы считаются один раз и переиспользуются) включается флагом use_kv_cache=True.
  • Соотношения сторон и разрешения — те же, что у базовой 2.1 (см. таблицу выше).

Ссылки

Запуск

Со дня релиза модель поддерживают Diffusers (пайплайн QwenImage21Pipeline), ComfyUI, vLLM-Omni, SGLang и LightX2V.

Для ComfyUI удобнее брать готовый репак Comfy-Org: диффузионная часть в bf16 (~14.2 ГБ) или int8_convrot (~7.3 ГБ), текст-энкодеры Qwen3-VL 8B (bf16 / int8 / w4a8) и отдельный RGBA-VAE. Там же лежат шаблоны воркфлоу для генерации и для редактирования. Сообщество также выложило GGUF- и FP8-кванты (в том числе от unsloth).

Лицензия

В отличие от прежних Qwen под Apache 2.0, версия 2.1 распространяется под Qwen Research License: скачать, изучать и запускать для исследований можно, а коммерческое использование требует отдельного договора с Qwen.

Бенчмарк. Qwen приводит собственный результат на Qwen-Image-Bench — 60.28, что выше Nano Banana 2.0 (59.82) и GPT Image 1.5 (59.65). Это вендорские цифры на собственной линейке тестов, так что как доказательство превосходства в любом реальном сценарии их воспринимать не стоит.

Не путать с Qwen Image 3.0

Номер у неё больше, но вышла она раньше 2.1 (21 июля 2026), и под неё нет локальных весов — это облачная модель для длинных промптов и сложных раскладок вроде интерфейсов и газетных страниц, скачать к себе не выйдет.