Qwen Image 2.1 使用指南：2026 年 ComfyUI 全流程实战

认识 Qwen-Image 2.1：阿里开源的 7B 图像模型

1. 1

   认识 Qwen-Image 2.1：生图修图一体的 7B 开源模型

   Qwen-Image 2.1 由阿里在 2026 年 9 月 20 日发布，把文生图和图像编辑装进同一个 7B 模型（32 层单流 DiT 架构）。它天生会画透明图，一次最多参考 10 张照片，分辨率最高到原生 2K。可以先在 Hugging Face 官方 Demo 里免费试，再按本教程把它跑在本地 ComfyUI 里。

   

2. 2

   下载 ComfyUI 需要的三个模型文件

   ComfyUI 要三样东西：图像模型二选一，INT8 约 7.3 GB 更省显存，BF16 约 14.2 GB 是完整精度；再加 Qwen3-VL-8B 文本编码器（约 9.4 GB）和 Qwen-Image 2.1 的 VAE（约 676 MB）。显存紧张选 INT8，追求质量选 BF16。下载后按类别放进 ComfyUI 的 models 子目录。

   

3. 3

   把三个加载节点连起来

   先把 ComfyUI 更新到新版，才会出现 Qwen-Image 2.1 专用的文本编码节点和官方工作流模板。在图里，Load Diffusion Model 指向你的 qwen_image_2.1 模型文件，Load CLIP 载入 Qwen3-VL-8B，Load VAE 选 2.1 的 VAE。三个加载器都接进采样器后，文生图管线就通了。

   

在 ComfyUI 里生成你的第一批图

1. 4

   从 25 步、CFG 1、Euler 起步

   官方模板的起点是 25 步、CFG 1，采样器 Euler、调度器 simple。注意 CFG 1 会完全跳过负面提示词，“不要文字、不要水印”这类要求要直接写进主提示词。教程作者的 BF16 模型在 RTX 5090 上一张图只要 10 秒左右。

   

2. 5

   跑出第一张文生图

   在 Qwen-Image 2.1 文本编码节点里写好描述，排队运行。教程的第一张人像测试：皮肤质感真实、耳环画对、完全没有塑料感。接下来改提示词时把随机种子固定住，一次只动一句话，这样画面的每处变化都来自你改的那句词，方便归因。

   

3. 6

   按七个槽位写提示词

   教程的提示词速查表按顺序填七个槽位：主体、构图、环境、光照、细节、输出目标、排除项。CFG 1 不读负面提示词，排除项要写成正文里的“无文字、无标志、无多余物体”。视频里同一构思的随手写法和结构化写法各跑一次，差距一目了然。

   

4. 7

   手画错了？先提高分辨率

   杯子、脚这类细节崩了，作者的第一招是提分辨率：把 Resolution Selector 从 2 百万像素往 4 百万调。工作流里的备注列出了各宽高比的精确像素，比如 16:9 对应 2752x1536。分辨率越高耗时越长，建议小尺寸打草稿，构图定了再放大出图。

   

5. 8

   步数拉到 40，脸部更细

   官方 ComfyUI 模板默认 25 步，但模型开发者自己的示例用的是 40 步——教程实测 40 步的脸部细节肉眼可见地变多。代价是时间随步数上涨，高分辨率时更明显。出带小字的电影感海报时，多出来的步数也让字母笔画更稳、更少糊边。

   

修图、抠图与角色一致性

1. 9

   想要透明 PNG，开头写 RGBA

   透明是原生能力：编辑提示词开头写 “This is an RGBA image with transparency”，再描述要抠的主体。结果一定存成 PNG，JPEG 会丢掉 alpha 通道。测试者提醒边缘 alpha 可能略有噪点，商用素材记得再清理一次。

   

2. 10

   不只抠背景，任何物体都能抠

   同一招可以只抠道具：要剑，模型就把剑从画面里单独剥出来，背景和持剑人都不要。抠出来后发现剑刃缺了一截，还能继续让它补全细节——教程里就是这么把断刃补完整的。贴纸、商品图、游戏道具素材，都能按这个路子做。

   

3. 11

   给参考图编号：image one、image two

   编辑工作流里每张上传的图都有口头编号——“image one”“image two”，指令里直接引用这些编号。一次只改一处，并写明什么不能动：“保持脸、发型、姿势和背景不变”。这些句子用任何 AI 聊天工具都能起草，不需要特殊节点。

   

4. 12

   一次合成最多 10 张参考图

   多加几个图片加载节点，Qwen-Image 2.1 就能在一次生成里融合它们：演示里大衣取自第三张图，短裤和鞋取自第二张，人物取自第一张。姿势、脸和场景都保持原样，花纹也对得上原图。电商虚拟试穿、穿搭展示用的就是同一套机制。

   

5. 13

   一张照片长出角色参考表

   上传角色照片，提示词写：“Create a character reference sheet... front, side, and back views... side by side on a plain background”教程结果里同一个动漫角色五个角度全程一致，可以直接当视频模型的参考帧。想加特写或更多角度，多写一句话就行。

   

参数技巧、局限与许可证

1. 14

   同一场景换八个机位重拍

   把所有角度塞进一张图里生成会翻车——杯子在不同视角换了边。改成一次只生成一个角度，八张图里的人物、红色罐子和湿漉漉的街道全都对得上，墙面位置这类小细节偶有出入，整体已经够用。这组静帧正好可以喂给图生视频模型当首帧，省掉重新布景的功夫。

   

2. 15

   用官方 PE 模型自动扩写提示词

   Qwen 官方提供了提示词增强模型 Qwen-Image-2.1-PE，分文生图用的 T2I 和编辑用的 I2I 两个版本，在官方 Hugging Face 仓库免费下载。接一个文本模型节点，五个词的粗略想法就能自动扩成完整的结构化提示词。不想用，ComfyUI 里接一个普通 LLM 节点效果类似。

   

3. 16

   商用之前先看许可证

   Qwen-Image 2.1 采用 Qwen Research License：学习、实验、个人项目没问题，商用需要向 Qwen 团队单独授权（初代 Qwen-Image 是 Apache 2.0，2.1 不是）。教程作者的结论：这是他测过的最强开源图像模型之一，皮肤质感比 ChatGPT 的图更真实，不过精细文字仍是 ChatGPT 更强。接单前先确认许可证。

   

常见问题