Qwen-Image-2.1：生成+修图一体的新一代（原生 2K、透明底、16 参考图）

Qwen-Image-2.1 是阿里 Qwen 团队 Qwen-Image 系列的最新开源权重版本，也是这一代最大的变化：一个模型同时干文生图和指令修图——同一份权重，既能从提示词出图，也能按一句话指令改图，工作流不用换 checkpoint。再加上三件上代做不到或做不好的事：原生 2K 直出、密集小字的专业文字排版、VAE 自带 alpha 通道直接生成透明底图。

这一页带你把官方 Qwen-Image-2.1 工作流从头跑通：下载模型三件套、模板库加载文生图和编辑模板、用 Resolution Selector 直出 2K、写透明底提示词、接多张参考图换装，最后切 Turbo 8 步加速。

和前两课的关系：Qwen-Image 基座管从零生成、Qwen-Image-Edit管指令修图，2.1 把两条线合并成一个模型，还换掉了整套文本编码器（Qwen2.5-VL 7B → Qwen3-VL 8B），模型文件与前三代不通用。

学完你能做什么

• 从官方模板库加载 Qwen-Image-2.1 文生图与编辑工作流，补齐模型文件，跑通第一次生成
• 用 Resolution Selector 按比例+百万像素出图，1:1 加 4MP 直出 2048×2048 原生 2K
• 写一句话指令修图：换背景、改文字、换装，image_1 到 image_16 最多接 16 张参考图
• 用官方提示词模板生成透明底 PNG，不用再跑抠图模型
• 切换 Turbo 检查点或挂官方 Turbo LoRA，8 步出图

你现在的困境

• 用 Qwen-Image 出底图、再开 Qwen-Image-Edit 改图，两套模型三十多个 GB，硬盘和流程都扛不住
• 上代默认出图只有 1328×1328（约 1.8MP），做海报要再跑一遍放大，文字一放大就糊
• 电商素材要透明底，生成完还得用 BiRefNet 抠一遍，边缘总有一圈白边
• 多图参考（把这件衣服穿到这个人身上）上代模型最多接 3 张，套装和场景图根本不够用

什么时候用这一招

当你需要：

• 一个模型覆盖「从零生成」和「指令改图」两种任务，不再维护两套权重
• 原生 2K 分辨率直出：海报、包装、信息图，小字密排也清晰
• 直接生成或编辑出带 alpha 通道的透明底图
• 多参考图编辑：人物图 + 服装图 + 场景图一起喂进去

而且不想：

• 生成后再跑一遍放大模型凑 2K
• 透明底素材再过一道抠图工作流
• 生成、编辑、加速各下一套模型

🎒 开始前的准备

• 学过上一课 Qwen-Image-Edit 指令修图，知道指令编辑是什么（2.1 的模型文件与它不通用，没学过也能直接开始）
• 跑过 第一次生图，会加载模板、认得 KSampler 和三个 Loader
• 模型目录规则心里有数：diffusion_models、text_encoders、vae 各放什么（忘了回看模型放哪里）
• 硬盘预留约 16GB：扩散模型 int8 版 6.76GB + 文本编码器 8.71GB + VAE 0.64GB（想开提示词增强再加 8.82GB）
• ComfyUI 更新到 v0.37 以上（Turbo 模板要 v0.39+，当前稳定版 v0.43.2 没问题；不会更新看排错总览）
• 网络能连 Hugging Face；连不稳走 ModelScope 国内源（第 2 步给地址）
• 显存参考：int8 权重约 6.76GB，编辑大图时显存占用随参考图数量和分辨率上涨，吃紧就去显存不足找解法

核心思路

为什么 2.1 能一个模型干两件事？ 文生图和指令编辑在底层共享同一套扩散过程，区别只在条件输入：文生图只喂提示词，编辑把参考图「拼接」进文本编码器的输入序列——Qwen3-VL 编码器本来就是多模态的，图片和文字一起读。所以 2.1 不再需要单独训练一个 Edit 分支，同一份权重直接切换任务，编辑模板只是把 LoadImage 接进了 Text Encode 节点的图片槽。

Qwen-Image-2.1 工作流骨架（文生图模板，全包在一个「Text to Image (Qwen Image 2.1)」子图节点里）：

ResolutionSelector（比例 + 百万像素）──→ 子图：EmptyLatentImage ─→ KSampler ─→ VAEDecode ─→ SaveImage
CLIPLoader（Qwen3-VL 8B）──→ TextEncodeQwenImage21（正向/负向）─→ KSampler
UNETLoader（2.1 扩散模型）─→ QwenImage21Cache（KV 缓存）─→ KSampler
VAELoader（4 通道 VAE）─→ VAEDecode

编辑模板把 EmptyLatentImage 换成 TextEncodeQwenImage21 的 latent 输出——这个 latent 的尺寸自动跟随第一张参考图（image_1），画布不用自己算。

五个官方模板，一个模型家族：

模板名（模板库搜索词）	任务	步数	最低版本
Qwen Image 2.1：文生图	文生图	25 步	v0.37.2
Qwen Image 2.1：图像编辑	指令修图 + 多参考	25 步	v0.37.0
移除背景：Qwen Image 2.1	透明底抠图	25 步	v0.37.0
Qwen Image 2.1 Turbo：文生图	文生图加速	8 步	v0.39.0
Qwen Image 2.1 Turbo：图像编辑	修图加速	8 步	v0.39.0

这一代的参数口味和上代不一样，先记住三条再动手：

• cfg 固定 1：官方发布路径就是 cfg 1，此时 ComfyUI 跳过负向条件，负向提示词写了也白写
• 步数 25 起步：官方原始管线约 40-50 步，模板降到 25 步够用；局部小改 4-8 步都成立
• 分辨率用「百万像素」思考：1MP ≈ 1024×1024，2K 方图就是 4MP，别再手算宽高

跟我做

第 1 步：加载官方 Qwen-Image-2.1 工作流模板

为什么：官方模板把模型加载、采样、KV 缓存全包成一个子图节点，你只需要面对十来个暴露出来的参数，不用从零连线。

打开 ComfyUI，左侧 Templates 侧栏搜「Qwen Image 2.1」，文生图选 Qwen Image 2.1：文生图，修图选 Qwen Image 2.1：图像编辑（模板库中文名以你本地为准，搜索词用英文最稳）。

你应该看到：文生图模板画布上只有三个节点——一个 Resolution Selector（比例 + 百万像素）、一个大块头子图节点 Text to Image (Qwen Image 2.1)、一个 Save Image；编辑模板则是 Image Edit (Qwen Image 2.1) 子图带 image_1 到 image_10 一排图片输入槽，外加两个 LoadImage 和一个 Image Compare。缺模型时节点标红、模板会尝试自动下载；国内网络自动下载容易失败，建议按第 2 步手动下载。

• 模板加载成功，画布上出现 Resolution Selector 和子图节点

第 2 步：下载模型三件套并放进对应目录

为什么：2.1 换了新的 Qwen3-VL 文本编码器和 4 通道 VAE，与 Qwen-Image / Qwen-Image-Edit 的模型文件不通用，需要重新下载；但五个官方模板（含 Turbo 和去背景）共用同一套编码器和 VAE，下一次全都能用。

三个必下文件（模板默认加载 int8 版，显存友好）：

文件	目录	大小
qwen_image_2.1_int8_convrot.safetensors	models/diffusion_models/	6.76 GB
qwen3vl_8b_int8_convrot.safetensors	models/text_encoders/	8.71 GB
qwen_image_2.1_vae_bf16.safetensors	models/vae/	644.2 MB

下载地址二选一（目录结构相同，文件在 diffusion_models/、text_encoders/、vae/ 子目录下）：

• Hugging Face：https://huggingface.co/Comfy-Org/Qwen-Image-2.1
• ModelScope 国内源（推荐）：https://modelscope.cn/models/Comfy-Org/Qwen-Image-2.1

放好后回 ComfyUI 刷新，子图节点上的红框消失。

你应该看到：子图节点顶部的模型名下拉框能选中 qwen_image_2.1_int8_convrot，点 Queue（Ctrl+Enter）不再报缺模型错误。

• 三个文件就位，节点无红框，缺模型报错消失

第 3 步：跑通第一次原生 2K 文生图

为什么：2.1 的卖点之一是不用放大模型直接出 2K——分辨率不是手填宽高，而是 Resolution Selector 的「百万像素」目标，先跑通默认值再上 2K。

1. 子图节点的 prompt 框写你想画的内容（模板自带的示例提示词很长，可以先用它试跑）
2. Resolution Selector 保持默认：1:1 (Square) + 1 百万像素（约 1024×1024）
3. 点 Queue（Ctrl+Enter）

你应该看到：进度条走 25 步（cfg 1、euler、simple），输出图前缀 Qwen_image_2.1。

跑通后改 2K：Resolution Selector 的 megapixels 从 1 改成 4，比例保持 1:1，再跑一次。

你应该看到：输出变成 2048×2048，画面细节和小字明显更扎实——这就是原生 2K，中间没有经过放大模型。

💡 分辨率这么选

• 比例在 Resolution Selector 的 aspect_ratio 里选（1:1、2:3、3:2、3:4、4:3、9:16、16:9、21:9 八档）
• 尺寸用 megapixels 定（0.1–16.0）：1MP ≈ 1024×1024，4MP = 2048×2048（2K 方图）
• 官方建议像素值取 32 的倍数；常用目标（1MP、4MP 方图）算出来正好都是
• 别冲 4K：超出 2K 训练尺寸太多，提示词遵循度会下降

• 1MP 出图一次，4MP 出图一次，两次都成功且 4MP 是 2048×2048

第 4 步：一句话指令修图，最多 16 张参考图

为什么：编辑是 2.1 合并进来的能力，参考图按槽位顺序拼进文本编码器，提示词用 <image1>、<image2> 点名——这套写法上代 Edit 线没有，是全新接口。

1. 模板库加载 Qwen Image 2.1：图像编辑 模板
2. image_1 槽接待编辑的图（LoadImage 节点上传；模板示例是 portrait_model_denim.png 人物图）
3. image_2 起接参考图（示例是 clothing_light_blue_denim_shirt.png 服装图），最多可接到 image_16，官方模板暴露了前 10 个槽
4. 子图节点的 prompt 写指令，用槽位点名：

Keep the character and pose in <image1> unchanged, put this light blue denim shirt from <image2> on the character, preserve the original facial features, hair, body shape and pose

（保持 image_1 里人物的姿态不变，把 image_2 里这件浅蓝牛仔衬衫穿到人物身上，保留原本的脸型、发型、身材和姿态。）

5. 点 Queue

你应该看到：输出里人物还是那个人，衣服换成了参考图里的牛仔衬衫；模板还带一个 Image Compare 节点，拖动滑块能对比原图和结果。

💡 编辑画布尺寸的规则（resolution 参数）

• resolution 是总像素预算，不是宽或高：1024 表示把 image_1 按长宽比缩到约 1024×1024 的总像素量（比如 3:4 图会缩到约 896×1184）
• 模板默认 0：每张参考图保持自己的像素尺寸（对齐到 32 倍数），3000×4000 的照片画布就是 3008×4000
• custom_size 关（默认）：画布跟随 image_1；开了才用 Resolution Selector 的宽高
• 画布越大越慢：官方在 RTX 5090 上实测，3008×4000 约 6 s/it，缩到约 896×1184 只要约 0.3 s/it——修图慢先查 resolution 和参考图尺寸，再想别的

只想改局部？ 在 image_1 的 LoadImage 节点上右键 → Open in Mask Editor，用 Paint Pen 在要改的区域涂几笔，保存。涂的笔迹会写回图片本身（不是 mask），提示词里用颜色点名：「change the jacket in the red area」（改红色区域的夹克）。标记要涂在你想改的区域之内，如果标记颜色本身可能出现在成图里，把想要的颜色也写进提示词。

多参考图不止能换装——把设计稿和实物图一起喂进去做商品样机，思路相同，实战见商品样机。

• 两张图换装成功，人物脸和姿态没变
• 试着把 resolution 从 0 改成 1024，观察到出图更快、画布更小

第 5 步：生成透明底图（文生图与修图两条路）

为什么：2.1 的 VAE 是 4 通道的，alpha 直接生成在图里，不用事后抠图——这是电商素材的刚需，也是官方单独出一个「移除背景」模板的原因。

路线 A：文生图直接生成透明底。在文生图模板的 prompt 里套官方模板句式，把中间换成你的主体：

This is an RGBA format image with transparency. [a red sneaker, product photography, side view]. The image has an alpha channel and a transparent background.

路线 B：已有图片去背景。模板库加载 移除背景：Qwen Image 2.1 模板，image_1 接你的图，prompt 已经写好：

Remove the background, and output a PNG image

两条路都要注意：输出必须存 PNG（模板的 Save Image 已设好 png / 8-bit / sRGB），JPEG 存不了 alpha 通道，存了透明就没了。

透明素材的更多玩法（BiRefNet 本地抠图、Bria 云端抠图、换背景合成）在商品抠图与换背景展开。

你应该看到：出图在深色棋盘格背景上显示透明区域；把文件拖进 PS / GIMP，图层带 alpha 通道。

• 路线 B 跑通：一张实拍图去背景成功，PNG 带 alpha 通道

第 6 步：切 Turbo，8 步出图

为什么：Turbo 是同一模型的蒸馏检查点，固定 8 步调度，出图时间约为 25 步版的三分之一——批量出图、反复抽卡时体感差距巨大。

方式 A（推荐）：直接换 Turbo 模板。模板库加载 Qwen Image 2.1 Turbo：文生图 或 Qwen Image 2.1 Turbo：图像编辑，把扩散模型换成 qwen_image_2.1_turbo_int8_convrot.safetensors（6.76 GB，与基座 int8 同大小），采样走固定的 8 步 ManualSigmas 调度，不用也不能改步数。

方式 B：基座模板挂 Turbo LoRA。不想再下 6.76GB 的话，下载官方仓库里的 qwen_image_2.1_turbo_lora_avg_rank_178_bf16.safetensors（Comfy-Org/Qwen-Image-2.1 的 loras/ 目录）放进 models/loras/，在子图里给模型线加一个 LoraLoaderModelOnly 节点加载它，然后把子图节点的 steps 改成 8，sampler/scheduler 保持 euler/simple 不动。

你应该看到：进度条只走 8 步就出图；文字海报这类密集排版任务质量依旧在线（Turbo 模板的示例提示词就是一张「QWEN IMAGE / 2.1 TURBO」双行大字海报，可以先用它验证）。

⚠️ Turbo 的 8 步是「锁死」的

Turbo 模板用 ManualSigmas 节点写死了蒸馏调度（1.0, 0.978453, 0.95418, 0.926626, 0.89508, 0.845148, 0.704534, 0.414568, 0）。想加步数必须连调度一起换，单改步数数字没有意义。基座模型没有这个限制，25 → 40 步随时可调。

• Turbo 出图一次，8 步完成，耗时约为 25 步版的三分之一

检查点 ✅

• 模板加载成功：Resolution Selector + 子图节点 + Save Image，无红框
• 三件套就位：diffusion_models 里的 2.1 扩散模型、text_encoders 里的 Qwen3-VL、vae 里的 4 通道 VAE
• 1:1 + 4MP 直出 2048×2048，没有经过放大节点
• 编辑模板里用 <image1>/<image2> 点名参考图，换装成功
• 透明底 PNG 在棋盘格背景上显示透明，文件带 alpha 通道
• Turbo 8 步出图正常

踩坑提醒

❌ 负向提示词写了不起作用

cfg 是 1 时 ComfyUI 直接跳过负向条件计算，negative_prompt 写什么都无效——这是 2.1 官方发布路径的设定，不是 bug。想让负向生效就得抬 cfg：官方给的参考是 cfg 2 会更贴密集文字和小数字，但边缘会过锐；cfg 5 画质明显崩，0.5 直接坏图。抬 cfg 前先固定 seed 对比，一次只动一个值。

❌ 修图慢得像卡死

先查两件事再怪显卡：子图节点的 resolution 是不是 0（每张参考图按原始像素进画布，几张 3000×4000 的图叠起来就是 12MP 起步的采样）；参考图是不是又多又大（多图会拉长文本编码序列，KV 缓存压力也更大）。把 resolution 设成 1024，官方实测速度能从约 6 s/it 回到约 0.3 s/it。还慢再动 Qwen Image 2.1 Cache 节点：device 选 cpu（用内存预取，几乎不掉速），或 dtype 选 int8（缓存减半、精度接近 bf16）。

❌ 提示词增强开了之后，出图和 prompt 完全对不上

refine_prompt 开启后，真正喂给图像模型的是增强模型改写后的提示词，不是你写的那句。改写质量取决于 max_length：模板默认 4096，而增强模型的推理块（thinking）很能吃 token——预算被推理耗尽时改写结果会是空字符串，图像模型拿空提示词采样，修图结果等于原图原样返回。官方增强模型的推荐值是 t2i 16256 / i2i 24000。正确顺序：先把 max_length 抬到官方值，再开 thinking_mode，最后开 refine_prompt，并用子图里的 Preview Any 节点看实际生效的提示词。注意等待时间也会相应变长。

❌ 透明图接别的节点报错

2.1 解码出的图带 4 通道（RGB+alpha），很多按 3 通道写的节点（upscale、部分合成节点）拿到会报错，而且报错出现在下游节点上，容易误判成那个节点坏了。解法：在 VAEDecode 后插一个 SplitImageWithAlpha 节点，把 RGB 输出喂给三通道节点，alpha 单独走。两个节点的 mask 约定都是「1 = 透明」，SplitImageWithAlpha 的 mask 输出可以直接接 JoinImageWithAlpha 的 alpha 输入。

进阶技巧（可选）

步数怎么调才不浪费。25 步是「够用」档，不是最优档：官方管线用 40-50 步；改个衣服颜色这种局部小改 4-8 步就成立，比默认快好几倍；手部、手指这类顽固细节大约 30 步收敛，25 → 40 步能减少细节处的 fizz（细节发虚、毛边）。原则：哪里不行调哪里，没问题就别动。

KV 缓存节点（Qwen Image 2.1 Cache）。编辑工作流每步采样都要重算文本+参考图前缀，这个实验性节点把前缀缓存在显存或内存里跳过重算。device：auto（默认，先用空闲显存再用内存）/ gpu / cpu（内存预取，基本不掉速）/ off（每步重算，排错时用来排除缓存嫌疑）；dtype：default 无损 / int8 缓存减半精度接近 bf16 / int4 再减半但每步误差约翻倍。模板默认值（auto + default）对大多数配置直接可用。

换 VAE 治棋盘格纹理。照片风格的密集细节区可能出现细密棋盘格纹理，这是 VAE 解码器的产物，加步数治不了。社区作者 madebyollin 微调过同款解码器：texture_fix_vae_for_qwen_image_2.1_bf16.safetensors（非官方文件），放进 models/vae/，在 Load VAE 节点里替换选择即可，代价是重建精度略降。

Lightning 4 步 LoRA。除了官方 Turbo，社区 lightx2v 出过 4 步蒸馏 LoRA（Qwen-Image-2.1-Lightning，非官方）：下载 pytorch_lora_weights.safetensors 放进 models/loras/，LoraLoaderModelOnly 挂上，steps 改 4，sampler/scheduler 保持 euler/simple。注意它的调度是按 1024×1024 拟合的，其他输出尺寸匹配度会松。

提示词增强（Prompt Enhancer）的正确打开方式。t2i 和编辑模板内置了可选的提示词改写分支：一个专门的 Qwen 3.5 编码器（t2i 用 ..._pe_t2i...、编辑用 ..._pe_i2i...，各 8.82GB）把你的一句话扩写成一段完整描述。默认关闭；要用就按「第 3 个踩坑」里的顺序开。改写遵循的系统提示词在子图里的 Text (System Prompt) 节点，想改写风格可以编辑它。移除背景模板没有这个分支，别去找。

本课小结

✅ 回看开头的目标，你现在能：

• 加载 Qwen-Image-2.1 工作流的五个官方模板（文生图 / 编辑 / 去背景 / Turbo ×2），补齐三件套跑通
• 用 Resolution Selector 的百万像素出图，4MP 直出原生 2K
• 一句话指令修图，<image1>…<image16> 最多 16 张参考图按槽位点名
• 文生图套 RGBA 模板句式、修图用官方去背景模板，直接出透明底 PNG
• 换 Turbo 检查点或挂 Turbo LoRA，8 步出图

关键参数回顾：

参数	推荐值	说明
cfg	1	官方路径；负向提示词此时无效，抬 cfg 才生效
steps	25（基座）/ 8（Turbo）	基座可调 4-50；Turbo 锁 8 步固定调度
sampler / scheduler	euler / simple	全部官方模板一致
megapixels	1（默认）→ 4（2K 方图）	Resolution Selector 的尺寸目标
resolution（编辑）	0（默认）或 1024	0=跟参考图原尺寸；1024=总像素预算，更快
refine_prompt / thinking	关 / 关	开启前先把 max_length 从 4096 抬到官方值
缓存 device / dtype	auto / default	显存紧用 cpu 或 int8

下一课预告

Qwen 家族到这就告一段落。下一课换到另一个主流家族：FLUX.1 文生图：dev 与 schnell 本地部署。你会学到：

• FLUX.1 dev 与 schnell 两个版本的定位差异，各自适合什么场景
• 全量 checkpoint 与 fp8 版本的显存取舍
• FLUX 风格的提示词写法（和 Qwen 完全不同的口味）
• 后面 Kontext 一致性修图、Fill 局部重绘都建在这一课的基础上