Qwen-Image टेक्स्ट-टू-इमेज: चीनी टेक्स्ट सही लिखना (2512 फोटोग्राफ़ी अपग्रेड सहित)
Qwen-Image अलीबाबा की Qwen टीम द्वारा अगस्त (8), 2025 में ओपन-सोर्स किया गया पहला इमेज जनरेशन बेस मॉडल है: 20B पैरामीटर वाला MMDiT (मल्टीमॉडल डिफ़्यूज़न Transformer), Apache 2.0 लाइसेंस, इसकी खासियत है जटिल टेक्स्ट रेंडरिंग — इमेज में चीनी साइनबोर्ड, पोस्टर शीर्षक, कवर के बड़े अक्षर अब गड़बड़ नहीं दिखेंगे। यह पेज आपको ऑफ़िशियल Qwen-Image वर्कफ़्लो को शुरू से चलाने में ले जाता है: चार मॉडलों का सेट, 20 स्टेप का स्टैंडर्ड मोड, Lightning 8 स्टेप त्वरण और डिस्टिल्ड संस्करण 15 स्टेप — दो त्वरण रास्ते, और अंत में दिसंबर (12) में रिलीज़ Qwen-Image-2512 फोटोग्राफ़ी अपग्रेड तक।
पिछले पाठ के Z-Image-Turbo से काम बांट लें: वह 6B डिस्टिल्ड संस्करण है, 8 स्टेप में इमेज बनाता है, 16GB VRAM में चल जाता है; Qwen-Image 20B बेस मॉडल है, टेक्स्ट रेंडरिंग और इमेज क्वालिटी की ऊपरी सीमा ज़्यादा है, लेकिन वेट करीब 19GB है और ऑफ़िशियल टेस्ट डेटा 24GB GPU से है — 'तेज़' चाहिए तो पहला, 'इमेज में लिखना और टॉप क्वालिटी' चाहिए तो यह पेज।
सीखने के बाद आप क्या कर सकेंगे
- ऑफ़िशियल टेम्पलेट लाइब्रेरी से Qwen-Image टेक्स्ट-टू-इमेज वर्कफ़्लो लोड करें, चार मॉडलों का सेट पूरा करें, 20 स्टेप स्टैंडर्ड मोड से इमेज जनरेशन चलाएं
- चीनी साइनबोर्ड, पोस्टर शीर्षक प्रॉम्प्ट में लिखें, ताकि इमेज में टेक्स्ट आपके लिखे अनुसार बने
- Lightning LoRA स्विच ऑन करके 8 स्टेप त्वरण मोड पर जाएं, या डिस्टिल्ड संस्करण लगाकर 15 स्टेप वाला रास्ता अपनाएं
- Qwen-Image परिवार की तीन लाइनों का काम बता सकें: बेस लाइन (यह पेज), Edit एडिटिंग लाइन, 2.1 नई पीढ़ी
- Qwen-Image-2512 लगाएं: केवल एक डिफ़्यूज़न मॉडल फ़ाइल बदलकर ज़्यादा रियलिस्टिक पोर्ट्रेट और ज़्यादा सटीक टेक्स्ट लेआउट पाएं
आपकी अभी की दिक्कत
- चीनी नारे वाला पोस्टर या साइनबोर्ड इमेज बनाना चाहते हैं, लेकिन दूसरे मॉडलों का लिखा टेक्स्ट या तो धब्बा बन जाता है या स्ट्रोक कम रह जाते हैं
- Qwen-Image टेम्पलेट डाउनलोड किया, लेकिन नोड्स पर लाल चेतावनियां भरी हैं: चार मॉडल फ़ाइलें कहां से डाउनलोड करें, किस डायरेक्टरी में रखें, CLIPLoader का टाइप क्या चुनें — कुछ पता नहीं
- सुना है 20B मॉडल को VRAM बहुत चाहिए, पता नहीं आपका कार्ड चल पाएगा या नहीं, चले तो कितना समय लगेगा
- पता है Lightning LoRA और डिस्टिल्ड संस्करण दो त्वरण रास्ते हैं, लेकिन पैरामीटर कैसे बदलें, दोनों को मिलाकर चला सकते हैं या नहीं — साफ़ नहीं
यह तरीका कब अपनाएं
जब आपको चाहिए:
- इमेज में पैराग्राफ़ जितनी चीनी टेक्स्ट — दुकान के शीर्षक, पोस्टर शीर्षक, प्रोडक्ट पैकेजिंग, कवर के बड़े अक्षर
- इमेज क्वालिटी और टेक्स्ट सटीकता प्राथमिकता पर, GPU VRAM 24GB के आसपास (या offload के लिए इंतज़ार करने को तैयार)
- एक ही दृश्य के लिए बार-बार इमेज ट्राई करना, Lightning 8 स्टेप से स्पीड बदलने को तैयार
और आप नहीं चाहते:
- 6B तेज़ घोड़े से समझौता करना, जिसका टेक्स्ट रेंडरिंग साइनबोर्ड स्तर की चीनी भाषा संभाल न पाए
- टेक्स्ट बाद में पोस्ट-प्रोसेसिंग से जोड़ना — फ़ॉन्ट का पर्सपेक्टिव, लाइटिंग मैच नहीं होती, एक नज़र में नकली लगता है
- एक अपग्रेड के लिए पूरा मॉडल सेट दोबारा डाउनलोड करना (2512 बेस के साथ टेक्स्ट एनकोडर और VAE साझा करता है, चरण 6 में केवल एक फ़ाइल बदलते हैं)
🎒 शुरू करने से पहले की तैयारी
- पहली इमेज जनरेशन चला चुके हैं: वर्कफ़्लो लोड करना, प्रॉम्प्ट लिखना,
Ctrl+Enterदबाकर चलाना आता है - मॉडल डायरेक्टरी नियम समझ में हैं:
diffusion_models,text_encoders,vae,lorasमें क्या रखें (भूल गए हों तो मॉडल कहां रखें दोबारा देखें) - हार्ड डिस्क पर करीब 28GB रखें (fp8 तीन मॉडल 19.03 + 8.74 + 0.24 GB; Lightning LoRA के लिए और 1.58GB)
- VRAM संदर्भ: ऑफ़िशियल टेस्ट RTX 4090D 24GB से है (उपयोग 86%); कम VRAM वाले कार्ड संघर्ष कर सकते हैं, OOM आए तो VRAM कम में समाधान खोजें
- नेटवर्क Hugging Face से जुड़ सकता है; कनेक्शन अस्थिर हो तो ModelScope के घरेलू स्रोत का उपयोग करें (पता चरण 2 में दिया गया है)
- पानी का एक गिलास भरकर लौटें—इस पाठ की सबसे बड़ी प्रतीक्षा मॉडल डाउनलोड करने की ही है
मूल विचार
Qwen-Image चीनी अक्षर अच्छे क्यों लिख पाता है? इसका टेक्स्ट एनकोडर उनका अपना मल्टीमॉडल मॉडल Qwen2.5-VL 7B है (fp8 क्वांटाइज़्ड संस्करण 8.74GB), इसलिए प्रॉम्प्ट सीधे चीनी में लिखने में कोई समस्या नहीं—आधिकारिक विवरण के अनुसार अंग्रेज़ी, चीनी, कोरियाई, जापानी, इतालवी आदि समर्थित हैं। मॉडल की मुख्य खूबी ही बहुभाषी टेक्स्ट रेंडरिंग है: फ़ॉन्ट का विवरण और लेआउट की निरंतरता बनाए रखते हुए, यथार्थवादी दृश्यों से इंप्रेशनिस्ट, एनीमे और मिनिमल डिज़ाइन तक स्विच किया जा सकता है। तस्वीर में «लिखने» के लिए, टेक्स्ट की सामग्री को प्रॉम्प्ट में उद्धरण चिह्नों के भीतर लिखें (आधिकारिक उदाहरण चरण 4 में देखें)।
परिवार की तीन शाखाएँ (इस पृष्ठ पर आधार शाखा की बात है, संपादन शाखा अगले पाठ में):
| उत्पाद शाखा | सदस्य | स्थान | ट्यूटोरियल |
|---|---|---|---|
| टेक्स्ट-से-इमेज आधार शाखा | Qwen-Image (8 महीना/अगस्त) → Qwen-Image-2512 (12 महीने/दिसंबर का अपग्रेड) | शुद्ध टेक्स्ट-से-इमेज, टेक्स्ट रेंडरिंग इसकी पहचान | यह पृष्ठ |
| निर्देश-आधारित संपादन शाखा | Qwen-Image-Edit → 2509 → 2511 | एक वाक्य में तस्वीर संपादन, बैकग्राउंड बदलना, टेक्स्ट बदलना | अगला पाठ |
| नई पीढ़ी की एकीकृत शाखा | Qwen-Image-2.1 | जनरेशन+संपादन एक ही मॉडल में, नेटिव 2K, पारदर्शी बैकग्राउंड | पाठ 2.4 |
तीन गति स्तरों में से कैसे चुनें (आधिकारिक रूप से RTX 4090D 24GB पर परीक्षित):
| स्तर | मॉडल | स्टेप / cfg | पहले / बाद के राउंड का समय | VRAM |
|---|---|---|---|---|
| मानक स्तर | fp8 आधार | 20 स्टेप / cfg 4 (टेम्पलेट डिफ़ॉल्ट) | ≈ 94s / ≈ 71s | 86% |
| Lightning स्तर | fp8 आधार + 8 स्टेप LoRA | 8 स्टेप / cfg 1 | ≈ 55s / ≈ 34s | 86% |
| डिस्टिल्ड स्तर | गैर-आधिकारिक डिस्टिल्ड संस्करण fp8 | 15 स्टेप / cfg 1.0 (10 स्टेप भी चलेगा) | ≈ 69s / ≈ 36s | 86% |
50 स्टेप Qwen-Image की आधिकारिक मूल सेटिंग है, टेम्पलेट का नोट कहता है «परिणाम अधिक विश्वसनीय लेकिन अधिक धीमा»; रोज़मर्रा के उपयोग में 20 स्टेप पर्याप्त हैं।
वर्कफ़्लो का ढाँचा (Z-Image-Turbo जैसा ही तीन-loader संरचना, बस एक LoRA स्विच जुड़ा हुआ है):
UNETLoader (डिफ़्यूज़न मॉडल 20B)──→ LoraLoaderModelOnly (Lightning, स्विच से नियंत्रित)──→ ModelSamplingAuraFlow (shift 3.1)──→ KSampler ──→ VAEDecode ──→ SaveImage
CLIPLoader (Qwen2.5-VL 7B)──→ CLIPTextEncode (आपका प्रॉम्प्ट)────────────────→ KSampler (positive)
└──→ CLIPTextEncode (निगेटिव प्रॉम्प्ट, मानक स्तर पर लिखा जा सकता है)──→ KSampler (negative)
VAELoader (VAE)────────────────────────────────────────────────────────→ VAEDecode
EmptySD3LatentImage (1328×1328 खाली कैनवास)─────────────────────────────────→ KSamplerमेरे साथ करें
चरण 1: आधिकारिक Qwen-Image टेक्स्ट-से-इमेज वर्कफ़्लो लोड करें
क्यों: आधिकारिक टेम्पलेट में पैरामीटर, मॉडल लिंक और एक्सेलेरेशन स्विच सब पहले से कॉन्फ़िगर हैं; शून्य से कनेक्शन बनाना समय लेता है और नोड छूटने की आशंका भी रहती है।
कार्य: दो तरीकों में से कोई एक चुनें।
तरीका A: टेम्पलेट लाइब्रेरी से एक-क्लिक लोड (अनुशंसित)
बाएँ पैनल में Templates से टेम्पलेट लाइब्रेरी खोलें, Qwen-Image खोजें, और «Qwen千问-图像:文生图» चुनें (टेम्पलेट नाम image_qwen_image, 2025 में 8 महीने (अगस्त) को जोड़ा गया)। टेम्पलेट लाइब्रेरी की पूरी जानकारी टेम्पलेट लाइब्रेरी में देखें।
तरीका B: JSON डाउनलोड करके मैन्युअली खोलें
आधिकारिक टेम्पलेट फ़ाइल: image_qwen_image.json, डाउनलोड करके मेन्यू Workflows → Open से खोलें।
आपको यह दिखना चाहिए: कैनवास के बीचोंबीच Text to Image (Qwen-Image) नाम का एक सबग्राफ़ नोड है, जिस पर प्रॉम्प्ट, चौड़ाई-ऊँचाई और seed सीधे नोड की सतह पर दिख रहे हैं, साथ ही मॉडल फ़ाइलों के इनपुट की एक पंक्ति और एक enable_turbo_mode एक्सेलेरेशन स्विच है (चरण 5 में इससे Lightning 8 स्टेप स्तर पर जाएँगे); पास में एक नोट (MarkdownNote) है जिस पर मॉडल के आकार और डाउनलोड लिंक लिखे हैं। सबग्राफ़ के उपयोग पर आधिकारिक दस्तावेज़ है: docs.comfy.org/interface/features/subgraph।
- कैनवास पर Qwen-Image वर्कफ़्लो लोड हुआ है, सबग्राफ़ और मॉडल नोट दिख रहे हैं
चरण 2: चार मॉडल डाउनलोड करके संगत डायरेक्टरी में रखें
क्यों: Qwen-Image एकल checkpoint के रूप में पैक नहीं होता—डिफ़्यूज़न मॉडल, टेक्स्ट एनकोडर और VAE तीन अलग-अलग इंस्टॉल होते हैं, Lightning LoRA वैकल्पिक चौथा भाग है; ग़लत सबडायरेक्टरी में रखा तो loader की ड्रॉपडाउन सूची में फ़ाइल नहीं मिलेगी।
कदम: पहले तीन ज़रूरी हैं, चौथा सिर्फ़ तेज़ी चाहिए तो उतारें (न उतारें तो भी स्टैंडर्ड मोड चलेगा):
| फ़ाइल | आकार | किस सब-डायरेक्टरी में डालें | डाउनलोड |
|---|---|---|---|
qwen_image_fp8_e4m3fn.safetensors | 19.03 GB | models/diffusion_models/ | Hugging Face |
qwen_2.5_vl_7b_fp8_scaled.safetensors | 8.74 GB | models/text_encoders/ | Hugging Face |
qwen_image_vae.safetensors | 242 MB | models/vae/ | Hugging Face |
Qwen-Image-Lightning-8steps-V1.0.safetensors (वैकल्पिक) | 1.58 GB | models/loras/ | Hugging Face |
fp8 वह फ़ॉर्मैट है जो आधिकारिक वर्कफ़्लो में डिफ़ॉल्ट रूप से इस्तेमाल होता है (उसी परिवार के 2512 संस्करण में आधिकारिक तौर पर fp8 को अधिकांश उपयोगकर्ताओं के लिए अनुशंसित बताया गया है); और ऊँची गुणवत्ता चाहिए तो bf16 फ़ुल वर्ज़न ले सकते हैं (लगभग 40.9 GB, Qwen का आधिकारिक रिपॉज़िटरी), लेकिन VRAM और डिस्क का खर्च दोगुना हो जाता है।
💡 चीन से डाउनलोड के लिए ModelScope इस्तेमाल करें
पहले तीनों की मोडा (ModelScope) पर उसी रिपॉज़िटरी की मिरर है: Comfy-Org/Qwen-Image_ComfyUI, split_files के नीचे उन्हीं पाथ वाली फ़ाइलें डाउनलोड कर लें, यह चीनी नेटवर्क के लिए ज़्यादा अनुकूल है।
फ़ाइलें रखने के बाद कैनवास पर r दबाकर रिफ़्रेश करें, और तीनों loader में संबंधित फ़ाइल चुनें। कौन-सी फ़ाइल किस स्लॉट में जाएगी, यह पक्का न हो तो मॉडल कहाँ रखें का तुलना-तालिका देखें।
आपको यह दिखना चाहिए: लाल missing चेतावनियाँ पूरी तरह ग़ायब, सबग्राफ़ की सतह पर तीन सही मॉडल फ़ाइल-नाम दिख रहे हैं।
- तीनों ज़रूरी फ़ाइलें सही सब-डायरेक्टरी में हैं, सभी loader में फ़ाइल चुनी गई है
चरण 3: Qwen-Image वर्कफ़्लो के नोड और पैरामीटर समझें
क्यों: यह Qwen-Image वर्कफ़्लो पूरे परिवार का मास्टर टेम्पलेट है — आगे का 2512 और अगले पाठ का Edit इसी कंकाल का इस्तेमाल करते हैं। अभी नोड समझ लें, बाद में सब सिर्फ़ फ़ाइल बदलना है।
कदम: डबल-क्लिक करके सबग्राफ़ के अंदर जाएँ, हर नोड को इस तालिका से मिलाएँ:
| नोड | क्या करता है | टेम्पलेट के मुख्य पैरामीटर |
|---|---|---|
| UNETLoader | डिफ़्यूज़न मॉडल का मुख्य हिस्सा लोड करता है (20B) | qwen_image_fp8_e4m3fn.safetensors |
| CLIPLoader | Qwen2.5-VL 7B टेक्स्ट एनकोडर लोड करता है | qwen_2.5_vl_7b_fp8_scaled.safetensors, प्रकार qwen_image |
| VAELoader | VAE लोड करता है | qwen_image_vae.safetensors |
| ModelSamplingAuraFlow | नॉइज़ शेड्यूल पैच, shift नॉइज़ वितरण नियंत्रित करता है | shift = 3.1 |
| CLIPTextEncode | प्रॉम्प्ट को कंडीशन में एनकोड करता है | पॉज़िटिव KSampler के positive से जुड़ता है; निगेटिव डिफ़ॉल्ट रूप से खाली |
| EmptySD3LatentImage | खाली कैनवास बनाता है | 1328×1328, बैच 1 |
| KSampler | डीनॉइज़ सैंपलिंग | euler + simple, denoise 1.0; स्टेप और cfg स्विच से जुड़े हैं (नीचे देखें) |
| LoraLoaderModelOnly | Lightning LoRA लगाता है | Qwen-Image-Lightning-8steps-V1.0.safetensors, तीव्रता 1 |
| स्विच नोड ×3 + बूलियन स्विच | त्वरण मोड से जुड़ा | एक ही स्विच LoRA, स्टेप और cfg एक साथ बदलता है |
| VAEDecode / SaveImage | डिकोड करके सेव करता है | प्रीफ़िक्स Qwen-Image, फ़ाइल ComfyUI/output/ में जाती है |
स्विच लॉजिक (टेम्पलेट तीन पैरामीटर बंडल करता है, एक स्विच घुमाने पर सब बदल जाता है; स्विच सबग्राफ़ की सतह पर enable_turbo_mode कहलाता है, सबग्राफ़ के अंदर का बूलियन नोड Enable Lightning LoRA कहलाता है):
| enable_turbo_mode | LoRA | स्टेप | cfg |
|---|---|---|---|
| बंद (डिफ़ॉल्ट) | नहीं लगाया जाता | 20 | 4 |
| चालू | लगाया जाता है, तीव्रता 1 | 8 | 1 |
टेम्पलेट के नोट में एक लाइन और है: आधिकारिक मूल सेटिंग चलाना चाहें तो 50 स्टेप आज़मा सकते हैं, नतीजा ज़्यादा विश्वसनीय लेकिन ज़्यादा धीमा।
CLIPLoader का प्रकार टेम्पलेट का डिफ़ॉल्ट qwen_image ही रखें — यह Qwen-Image सीरीज़ का ComfyUI में विशेष लोड प्रकार है, इसे कुछ और न बदलें।
आपको यह दिखना चाहिए: बाएँ से दाएँ आप हर नोड की भूमिका बता सकते हैं; KSampler के स्टेप और cfg हाथ से भरे नहीं हैं, बल्कि स्विच से आते हैं — डिफ़ॉल्ट (स्विच बंद) पर असल में 20 स्टेप, cfg 4 चलता है।
- मैं बता सकता हूँ कि तीनों में से हर हिस्सा कौन-सा loader लोड करता है, और स्विच कौन-से तीन पैरामीटर बदलता है
चरण 4: चीनी टेक्स्ट वाला प्रॉम्प्ट लिखकर पहली तस्वीर बनाएँ
क्यों: Qwen-Image की पहचान ही टेक्स्ट रेंडरिंग है—जो टेक्स्ट तस्वीर में दिखाना है उसे कोट्स में प्रॉम्प्ट में लिखें, मॉडल उन्हें फ़ॉन्ट और लेआउट के साथ फ़्रेम में बैठा देगा।
कैसे करें:
- सबग्राफ़ के prompt (या CLIPTextEncode के text) में प्रॉम्प्ट लिखें। आधिकारिक टेम्पलेट में दिया गया उदाहरण खुद एक "टेक्स्ट परीक्षा" है—1980 के दशक की हांगकांग सड़क, चीनी-अंग्रेज़ी नियॉन बोर्डों से भरी:
A vibrant, warm neon-lit street scene in Hong Kong at the afternoon, with a mix of colorful Chinese and English signs glowing brightly. The atmosphere is lively, cinematic, and rain-washed with reflections on the pavement. The colors are vivid, full of pink, blue, red, and green hues. Crowded buildings with overlapping neon signs. 1980s Hong Kong style. Signs include:
"龍鳳冰室" "金華燒臘" "HAPPY HAIR" "鴻運茶餐廳" "EASY BAR" "永發魚蛋粉" "添記粥麵" "SUNSHINE MOTEL" "美都餐室" "富記糖水" "太平館" "雅芳髮型屋" "STAR KTV" "銀河娛樂城" "百樂門舞廳" "BUBBLE CAFE" "萬豪麻雀館" "CITY LIGHTS BAR" "瑞祥香燭莊" "文記文具" "GOLDEN JADE HOTEL" "LOVELY BEAUTY" "合興百貨" "興旺電器" And the background is warm yellow street and with all stores' lights on.- अपना खुद का दृश्य रखें: पहले दृश्य और स्टाइल का वर्णन करें, फिर जो टेक्स्ट दिखाना है उसे कोट्स में सूचीबद्ध करें। प्रॉम्प्ट सीधे चीनी में भी लिख सकते हैं—आधिकारिक दस्तावेज़ अंग्रेज़ी, चीनी, कोरियाई, जापानी, इतालवी आदि का समर्थन करता है। एक चीनी पोस्टर लिखने का उदाहरण:
एक विंटेज हाँगकाँग-शैली की मिल्क-टी दुकान का प्रवेशद्वार, गर्म पीली रोशनी, लकड़ी के साइनबोर्ड पर लिखा है «手作珍珠奶茶» (हाथ से बनी बबल मिल्क टी), साइनबोर्ड के कोने में छोटी पंक्ति में लिखा है «每日鲜煮» (रोज़ ताज़ा बनाया गया), काँच की काउंटर पर नीयन की रोशनी परिलक्षित, फ़िल्म-जैसी बनावट- डिफ़ॉल्ट आकार 1328×1328 (1:1); अनुपात बदलना हो तो सबग्राफ़ की width / height बदलें, सामान्य रेज़ोल्यूशन चरण 6 के अनुपात तालिका में देखें
- Run पर क्लिक करें या
Ctrl+Enterदबाएँ
आपको यह दिखना चाहिए: प्रोग्रेस बार 20 चरण चलती है (स्टैंडर्ड श्रेणी), 24GB कार्ड पर पहला राउंड लगभग डेढ़ मिनट; SaveImage से तस्वीर बनती है, बोर्ड पर चीनी टेक्स्ट आपके लिखे अनुसार बनता है, फ़ाइल नाम में Qwen-Image प्रीफ़िक्स होता है।
- SaveImage में पहली चीनी टेक्स्ट वाली Qwen-Image जनित तस्वीर आई
चरण 5: तस्वीर निर्माण तेज़ करें—Lightning LoRA 8 चरण या डिस्टिल्ड संस्करण 15 चरण
क्यों: स्टैंडर्ड श्रेणी में 20 चरण का पहला राउंड लगभग 94 सेकंड लेता है, बार-बार प्रयास के लिए यह सहन नहीं होता। आधिकारिक ट्यूटोरियल ने दो तेज़ी के रास्ते दिए हैं—8 या 15 चरणों तक काटकर।
तरीका A (अनुशंसित): Lightning LoRA 8 चरण
- पुष्टि करें कि चरण 2 का
Qwen-Image-Lightning-8steps-V1.0.safetensorsपहले सेmodels/loras/में है - सबग्राफ़ की सतह पर enable_turbo_mode स्विच को ऑन करें—LoRA, चरण संख्या, cfg तीनों अपने आप बदल जाते हैं: LoRA लग जाता है, 8 चरण, cfg 1
- Run पर क्लिक करें
आधिकारिक परीक्षण में 8 चरण श्रेणी का पहला राउंड ≈55s, बाद के राउंड ≈34s। ध्यान दें कि cfg 1 का मतलब है सैंपलिंग पॉज़िटिव-निगेटिव शर्त की तुलना नहीं करती, निगेटिव प्रॉम्प्ट काम नहीं करता (सिद्धांत वही है जो Z-Image-Turbo का), पूरा ध्यान पॉज़िटिव प्रॉम्प्ट पर दें।
तरीका B: डिस्टिल्ड संस्करण 15 चरण
- ग़ैर-आधिकारिक डिस्टिल्ड संस्करण qwen_image_distill_full_fp8_e4m3fn.safetensors (19.03 GB; bf16 संस्करण 38.05 GB) डाउनलोड करें,
models/diffusion_models/में रखें - आधिकारिक संगत वर्कफ़्लो image_qwen_image_distill.json डाउनलोड करें, Workflows → Open से खोलें
- UNETLoader में डिस्टिल्ड फ़ाइल चुनें, पैरामीटर मूल लेखक की सिफ़ारिश अनुसार: 15 चरण, cfg 1.0; आधिकारिक परीक्षण में 10 चरण + cfg 1.0 भी अच्छा था, सैंपलर
eulerयाres_multistepदोनों चलेंगे
आधिकारिक परीक्षण में डिस्टिल्ड श्रेणी का पहला राउंड ≈69s, बाद के राउंड ≈36s।
⚠️ दोनों रास्तों को एक साथ न अपनाएँ
आधिकारिक ट्यूटोरियल स्पष्ट कहता है: डिस्टिल्ड मॉडल और lightx2v के 8 चरण LoRA "एक साथ उपयोग करने पर असंगत प्रतीत होते हैं"। तेज़ी चाहिए तो एक चुनें: या तो बेस + Lightning LoRA, या डिस्टिल्ड संस्करण अकेले।
आपको यह दिखना चाहिए: तरीका A में प्रोग्रेस बार केवल 8 चरण चलती है, तरीका B में 15 चरण, दोनों में तस्वीर बनना स्पष्ट रूप से तेज़ होता है; गुणवत्ता और स्टाइल में हल्का अंतर है, प्रयासों में आवश्यकता अनुसार बदलें।
- कम से कम एक तेज़ी वाला रास्ता सफलतापूर्वक चला, तस्वीर बनने का समय स्पष्ट रूप से घटा
चरण 6: Qwen-Image-2512 में अपग्रेड, यथार्थवादी पात्र और बेहतर टेक्स्ट लेआउट
क्यों: 2512 बेस का दिसंबर (12) महीने का अपग्रेड है, आधिकारिक रूप से तीन सुधार गिनाए गए हैं: अधिक यथार्थवादी पात्र ("AI जनित भाव" स्पष्ट रूप से कम), अधिक सूक्ष्म प्राकृतिक विवरण (परिदृश्य, जानवरों की रोएँ), टेक्स्ट रेंडरिंग में बेहतर लेआउट और टेक्स्ट-छवि संगति।
कैसे करें:
- टेम्पलेट लाइब्रेरी में
Qwen-Image-2512खोजें, "Qwen Image 2512" लोड करें (टेम्पलेट नामimage_qwen_Image_2512); या image_qwen_Image_2512.json डाउनलोड करके मैन्युअली खोलें। संरचना बेस संस्करण जैसी ही है: प्रॉम्प्ट, चौड़ाई-ऊँचाई, seed सबग्राफ़ की सतह पर, वही तेज़ी वाला स्विच - केवल एक फ़ाइल बदलनी है: qwen_image_2512_fp8_e4m3fn.safetensors (19.03 GB, आधिकारिक सिफ़ारिश)
models/diffusion_models/में रखें; गुणवत्ता प्राथमिकता हो तो qwen_image_2512_bf16.safetensors लें (बड़ी और अधिक VRAM खाती है)। टेक्स्ट एनकोडर और VAE बेस के साथ साझा हैं, दोबारा डाउनलोड नहीं करने हैं - 4-स्टेप त्वरण गियर चाहने के लिए, 4-स्टेप LoRA अलग से डाउनलोड करें: Qwen-Image-2512-Lightning-4steps-V1.0-fp32.safetensors (1.58 GB) को
models/loras/में रखें। आधिकारिक ट्यूटोरियल पेज पर पुरानी फ़ाइल का नामQwen-Image-Lightning-4steps-V1.0.safetensorsलिखा है, जो टेम्पलेट के वास्तविक संदर्भ से मेल नहीं खाता — वर्कफ़्लो टेम्पलेट ही मानक है - पैरामीटर: डिफ़ॉल्ट 50 स्टेप, cfg 4 (
euler+simple); त्वरण स्विच चालू करने पर (सबग्राफ़ के अंदर Enable 4 Steps LoRA?) यह अपने आप 4 स्टेप, cfg 1 पर स्विच हो जाता है - अनुपात बदलने के लिए सीधे चौड़ाई-ऊँचाई बदलें; आधिकारिक 2512 दस्तावेज़ में दिया गया अनुपात तालिका:
| अनुपात | रेज़ोल्यूशन |
|---|---|
| 1:1 | 1328×1328 |
| 16:9 | 1664×928 |
| 9:16 | 928×1664 |
| 4:3 | 1472×1104 |
| 3:4 | 1104×1472 |
| 3:2 | 1584×1056 |
| 2:3 | 1056×1584 |
- मानक गियर cfg 4 नेगेटिव प्रॉम्प्ट का जवाब देता है — आधिकारिक टेम्पलेट में शामिल चीनी नेगेटिव उदाहरण, सीधे कॉपी करें:
低分辨率,低画质,肢体畸形,手指畸形,画面过饱和,蜡像感,人脸无细节,过度光滑,画面具有AI感。构图混乱。文字模糊,扭曲- Run पर क्लिक करें
⚠️ 2512 काफ़ी नया है, पहले ComfyUI अपडेट करें
टेम्पलेट की स्टिकी नोट याद दिलाती है: पहले ComfyUI को नवीनतम पर अपडेट करें — nightly द्वारा समर्थित मॉडल के लिए Desktop / Cloud को stable संस्करण का अनुसरण करना पड़ेगा। अपडेट के बाद भी लोड विफल रहे, तो मॉडल लोड विफल के अनुसार जाँच करें।
आधिकारिक होमपेज: GitHub QwenLM/Qwen-Image · Qwen/Qwen-Image-2512 (Hugging Face) · Qwen/Qwen-Image-2512 (ModelScope); 2512 के ComfyUI घटक भी चरण 2 वाले Comfy-Org/Qwen-Image_ComfyUI रिपॉज़िटरी में हैं, घरेलू डाउनलोड के लिए वहीं मिरर भी उपलब्ध है।
आपको यह दिखना चाहिए: UNETLoader qwen_image_2512_fp8_e4m3fn.safetensors दिखाता है, मानक गियर 50 स्टेप में छवि बनती है; पोर्ट्रेट की त्वचा और जानवरों के बाल जैसे प्राकृतिक विवरण 8 महीने (अगस्त) के बेस मॉडल से ज़्यादा मज़बूत हैं, और छवि में टेक्स्ट का लेआउट ज़्यादा व्यवस्थित है।
- 2512 सफलतापूर्वक चला: केवल एक डिफ़्यूज़न मॉडल फ़ाइल बदली गई, एनकोडर और VAE बेस मॉडल के ही बरकरार रहे
चेकपॉइंट ✅
- Qwen-Image टेक्स्ट-से-इमेज सफलतापूर्वक चला: टेम्पलेट लोड → चारों घटक अपनी जगह → 20 स्टेप मानक गियर में छवि
- छवि में चीनी टेक्स्ट प्रॉम्प्ट के अनुसार बना (साइनबोर्ड या पोस्टर शीर्षक कम से कम एक बार आज़माया गया)
- त्वरण मार्ग में से कम से कम एक सफलतापूर्वक चला: Lightning 8 स्टेप या डिस्टिल्ड संस्करण 15 स्टेप, और यह जानना कि दोनों को जोड़ा नहीं जा सकता
- 2512 में बदलाव सफल: केवल डिफ़्यूज़न मॉडल फ़ाइल बदली, एनकोडर और VAE सामान्य उपयोगी रहे
- परिवार की तीन लाइनों का विभाजन बता सकते हैं: बेस लाइन (यह पेज), Edit संपादन लाइन, 2.1 नई पीढ़ी
आम गलतियों की चेतावनी
❌ Lightning चालू करके भी भरपूर नेगेटिव प्रॉम्प्ट लिखना
कारण: त्वरण गियर में cfg 1 है, सैंपलिंग पॉज़िटिव-नेगेटिव शर्तों की तुलना नहीं करती, नेगेटिव प्रॉम्प्ट काम नहीं करता। सही तरीका: त्वरण गियर में पूरा ध्यान पॉज़िटिव प्रॉम्प्ट पर दें; नेगेटिव गाइडेंस वास्तव में चाहिए तो मानक गियर पर लौटें (cfg 4, 2512 टेम्पलेट का चीनी नेगेटिव उदाहरण मानक गियर के लिए ही है)।
❌ डिस्टिल्ड संस्करण पर Lightning LoRA लगाकर एक साथ चलाना
कारण: आधिकारिक ट्यूटोरियल स्पष्ट कहता है कि डिस्टिल्ड मॉडल और lightx2v का 8-स्टेप LoRA "एक साथ उपयोग करने पर संगत नहीं दिखते"। सही तरीका: दो में से एक चुनें — बेस + Lightning LoRA (8 स्टेप cfg 1), या डिस्टिल्ड संस्करण बिना LoRA चलाना (15 स्टेप cfg 1.0)।
❌ CLIPLoader का प्रकार qwen_image बनाए न रखना
कारण: Qwen-Image श्रृंखला का ComfyUI में अपना समर्पित लोड प्रकार है, प्रकार गलत चुनने पर टेक्स्ट एनकोडर सही नहीं लोड होता। सही तरीका: टेम्पलेट का डिफ़ॉल्ट qwen_image बनाए रखें, 2512 बदलते समय और अगले पाठ में Edit बदलते समय भी यही लागू होता है।
❌ 2512 वर्कफ़्लो लोड में त्रुटि या मॉडल पहचाना न जाना
कारण: 2512 काफ़ी नया है, पुराना ComfyUI समर्थन नहीं करता; आधिकारिक टेम्पलेट स्टिकी नोट पहले अपडेट करने को कहती है, Desktop / Cloud को stable संस्करण का इंतज़ार करना पड़ेगा। सही तरीका: पहले ComfyUI को नवीनतम पर अपडेट करें; फिर भी न चले तो मॉडल लोड विफल के अनुसार जाँच करें।
❌ VRAM खत्म होना (CUDA out of memory)
कारण: 20B मॉडल, आधिकारिक परीक्षण डेटा 24GB GPU से है (उपयोग 86%), छोटे कार्ड में आसानी से ओवरफ़्लो होता है। सही तरीका: VRAM की कमी में जाकर offload और क्वांटाइज़ेशन सेटिंग देखें; छवि आज़माने के चरण में पहले Lightning 8-स्टेप गियर से प्रतीक्षा लागत घटाएँ।
उन्नत तकनीकें (वैकल्पिक)
🔧 2-स्टेप Turbo गियर: टेम्पलेट लाइब्रेरी में "Qwen-Image 2512 Turbo" (image_qwen_image_2512_with_2steps_lora) भी है: Wuli-art का 2-स्टेप Turbo LoRA बदलें (Wuli-Qwen-Image-2512-Turbo-LoRA-2steps-V1.0-bf16.safetensors, तीव्रता 1), KSampler केवल 2 स्टेप, cfg 1 चलाए, नेगेटिव शर्त सीधे शून्य करें। आधिकारिक टेम्पलेट विवरण स्पष्ट कहता है "गति के लिए कुछ गुणवत्ता का त्याग होगा" — जल्दी में कंपोज़िशन पूर्वावलोकन करते समय उपयोग करें।
🔧 ControlNet से कंपोज़िशन नियंत्रण: Qwen-Image के तीन आधिकारिक ControlNet मार्ग हैं, वेट डायरेक्टरी अलग-अलग हैं:
| मार्ग | समर्थित नियंत्रण | किस डायरेक्टरी में रखें |
|---|---|---|
| InstantX Union ControlNet | canny / softedge / depth / pose | models/controlnet/ |
| DiffSynth पैच | canny / depth / inpaint | models/model_patches/ |
Union Control LoRA (qwen_image_union_diffsynth_lora.safetensors) | canny / depth / pose / lineart / softedge / normal / openpose | models/loras/ |
डेप्थ कंट्रोल के लिए पहले Lotus डेप्थ मॉडल (lotus-depth-d-v1-1.safetensors) के साथ एक SD1.5 VAE से प्रीप्रोसेसिंग करनी होती है। सिस्टम के इस्तेमाल के लिए ControlNet परिचय देखें।
🔧 Qwen-Image पर स्टाइल LoRA लगाना: वर्कफ़्लो में LoraLoaderModelOnly ही तैयार माउंट पॉइंट है (Lightning इसी से लगाया गया है), Qwen-Image इकोसिस्टम की स्टाइल LoRA भी उसी तरीके से लगाई जाती है। LoRA के सिस्टम इस्तेमाल के लिए LoRA का उपयोग देखें।
इस पाठ का सारांश
✅ Qwen-Image वर्कफ़्लो चल पड़ा: टेम्पलेट लोड → चारों फ़ाइलें अपनी जगह → 20 स्टेप का स्टैंडर्ड प्रीसेट से इमेज; यह ढांचा पूरे परिवार का मास्टर टेम्पलेट है, 2512 और अगले पाठ का Edit दोनों सिर्फ़ फ़ाइल बदलते हैं, ढांचा नहीं।
✅ चीनी टेक्स्ट इमेज में लिख दिया गया: जो टेक्स्ट दिखाना है उसे कोट्स में प्रॉम्प्ट में लिखें, Qwen2.5-VL 7B एनकोडर और मल्टीलिंगुअल टेक्स्ट रेंडरिंग उसे रूप देते हैं — यही Z-Image-Turbo की तुलना में इसका कोर फ़ायदा है।
✅ एक्सेलेरेशन रूट याद रखें: Lightning 8 स्टेप (enable_turbo_mode स्विच ऑन करें) या डिस्टिल्ड वर्ज़न 15 स्टेप (मॉडल फ़ाइल बदलें), दोनों में से एक चुनें, एक साथ नहीं; cfg 1 होने पर निगेटिव प्रॉम्प्ट बेअसर होता है।
✅ 2512 अपग्रेड में सिर्फ़ एक फ़ाइल बदलें: डिफ़्यूज़न मॉडल को qwen_image_2512_fp8_e4m3fn.safetensors से बदलें, एनकोडर और VAE वही चलेंगे; बदले में मिलता है ज़्यादा रियलिस्टिक पोर्ट्रेट और ज़्यादा सुव्यवस्थित टेक्स्ट लेआउट।
मुख्य कॉन्फ़िगरेशन की समीक्षा:
| कॉन्फ़िगरेशन | अनुशंसित मान | विवरण |
|---|---|---|
| डिफ़्यूज़न मॉडल | qwen_image_fp8_e4m3fn.safetensors (2512 वर्ज़न qwen_image_2512_fp8_e4m3fn.safetensors) | models/diffusion_models/ में रखें, fp8 ऑफ़िशियल अनुशंसा है |
| टेक्स्ट एनकोडर | qwen_2.5_vl_7b_fp8_scaled.safetensors | models/text_encoders/ में रखें, CLIPLoader टाइप qwen_image |
| VAE | qwen_image_vae.safetensors | models/vae/ में रखें, बेस और 2512 दोनों में उपयोगी |
| KSampler स्टैंडर्ड प्रीसेट | 20 स्टेप, cfg 4, euler + simple, denoise 1.0 | 2512 डिफ़ॉल्ट 50 स्टेप, cfg 4; 50 स्टेप ऑफ़िशियल ओरिजिनल सेटिंग है |
| KSampler एक्सेलेरेटेड प्रीसेट | Lightning: 8 स्टेप, cfg 1; डिस्टिल्ड वर्ज़न: 15 स्टेप, cfg 1.0 | दोनों रूट एक साथ नहीं; cfg 1 होने पर निगेटिव प्रॉम्प्ट बेअसर |
| नॉइज़ शेड्यूल | ModelSamplingAuraFlow shift 3.1 | टेम्पलेट के अनुसार रखें |
| कैनवास | EmptySD3LatentImage 1328×1328 | अनुपात बदलने के लिए स्टेप 6 का अनुपात तालिका देखें |
| Lightning LoRA | Qwen-Image-Lightning-8steps-V1.0.safetensors (2512 के लिए 4steps fp32 वर्ज़न) | models/loras/ में रखें, स्ट्रेंथ 1 |
अगले पाठ की झलक
बेस लाइन सिर्फ़ «शून्य से जनरेट» कर सकती है; किसी मौजूदा इमेज पर बदलाव करने हों — एक वाक्य में बैकग्राउंड बदलना, टेक्स्ट सुधारना, पोज़ एडजस्ट करना — तो इंस्ट्रक्शन-आधारित एडिट लाइन चाहिए। अगला पाठ: Qwen-Image-Edit इंस्ट्रक्शन-आधारित एडिटिंग।
आप सीखेंगे:
- Qwen-Image-Edit की इंस्ट्रक्शन-आधारित एडिटिंग: एक वाक्य में बैकग्राउंड बदलना, टेक्स्ट सुधारना
- 2509 / 2511 दो पीढ़ियों के एडिट मॉडल के अपग्रेड पॉइंट और चुनाव
- एडिट वर्कफ़्लो के मॉडल डाउनलोड और पैरामीटर कॉन्फ़िगरेशन
- बेस लाइन + एडिट लाइन का मेल: पहले जनरेट करें, फिर संशोधित करें