Qwen-Image no ComfyUI: Correção de Offset e Configuração

TL;DR

• Qwen-Image é um modelo MMDiT de 20B parâmetros com text encoder Qwen2.5-VL-7B para codificação dual de edição de imagem 12^[3]
• Problema de offset corrigido escalando entrada para lado menor de 1024px antes da codificação VAE 8
• Samplers RES4LYF fornecem 69 opções com sampling otimizado de 8 passos RES_3S 10
• Qwen-Image supera FLUX/SDXL em renderização de texto complexo em chinês/inglês ^[12]13

O Qwen-Image é um modelo MMDiT de 20B parâmetros para geração texto-para-imagem e imagem-para-imagem. No ComfyUI, ele requer três arquivos de modelo essenciais — um UNET, um VAE e um text encoder — mais o tokenizer Qwen2.5-VL-7B. A comunidade desenvolveu workflows que abordam um conhecido problema de offset de imagem através de escalonamento de entrada, enquanto samplers RES4LYF fornecem sampling otimizado de 8 passos para a dinâmica AuraFlow do Qwen-Image.

Arquivos de Modelo e Configuração do Text Encoder

Componentes da Arquitetura Principal

O Qwen-Image é um modelo base MMDiT de 20B parâmetros 1. O modelo requer três arquivos principais para configuração no ComfyUI 2:

• Pesos UNET: qwen_image_edit_fp8_e4m3fn.safetensors (quantizado FP8 E4M3FN)
• Pesos VAE: qwen_image_vae.safetensors
• Text encoder: qwen_2.5_vl_7b_fp8_scaled.safetensors com tipo CLIP qwen_image

O text encoder carrega o Qwen2.5-VL-7B usando QwenImageTokenizer e QwenImageTEModel dos módulos core de text encoder do ComfyUI 3. O tokenizer envolve Qwen2Tokenizer do HuggingFace transformers com comprimento de contexto 99999999 (efetivamente ilimitado), distinguindo-o de tokenizadores CLIP padrão 3. Usa sistemas de template llama com templates separados de imagem e texto, permitindo a renderização de texto bilíngue (inglês/chinês) do Qwen-Image durante geração texto-para-imagem e imagem-para-imagem 3.

Configuração dos Nós ComfyUI

O nó CLIPLoader carrega o text encoder com configurações específicas de widget 4:

• Arquivo do text encoder: qwen_2.5_vl_7b_fp8_scaled.safetensors
• Configuração tipo CLIP: qwen_image
• Dispositivo de computação: cpu

O nó TextEncodeQwenImageEdit é um nó customizado para o pipeline Qwen-Image-Edit que aceita três entradas — clip, vae e image — permitindo o mecanismo de codificação dual onde Qwen2.5-VL fornece controle semântico enquanto o encoder VAE fornece controle de aparência 5.

O ComfyUI mapeia nativamente o Qwen-Image para o formato latente Wan21 com sampling shift de 1.15, consistente na classe de pipeline QwenImage 6.

O Problema de Offset de Imagem e Como Corrigi-lo

Entendendo o Problema

O Qwen-Image-Edit gera imagens de saída onde a composição está espacialmente desalinhada em relação à entrada — proporções de personagens são distorcidas e a imagem geral está deslocada 7. A causa raiz na trajetória de denoising do modelo não está documentada no material fonte; o workflow mitiga o sintoma através de padronização de entrada 7.

O Workflow de Correção de Offset

O workflow de correção de offset aplica uma solução multi-passo usando nós utilitários 27:

1. Padronização de Entrada: LayerUtility: ImageScaleByAspectRatio V2 redimensiona imagens de entrada preservando proporção usando letterbox padding com fundo preto (#000000) e resampling Lanczos, escalando o lado menor para 1024 pixels 8. Isso garante que a entrada para o encoder VAE tenha dimensões consistentes antes da codificação.

1. Coerência do Espaço Latente: FluxKontextImageScale reescala a representação latente da imagem para manter coerência espacial no espaço latente durante o processamento 8. O nó conecta a VAEEncode.pixels e é específico para arquitetura estilo flux/kontext.

1. Comparação Visual: AILab_ImageStitch combina a imagem de entrada processada (esquerda) com a saída gerada (direita) para comparação lado a lado 8. O modo de stitch é "right" com fundo branco (#FFFFFF). Um nó secundário Image Comparer do rgthree fornece comparação visual A/B adicional.

A correção principal opera escalando a entrada para uma dimensão consistente (lado menor 1024px) antes da codificação, prevenindo o desalinhamento dependente de dimensão que o Qwen-Image-Edit exibe em resoluções nativas 8. O workflow contém 20 nós no total, incluindo os nós utilitários específicos de offset e componentes padrão do ComfyUI 8.

Esclarecimento Importante sobre Uso de LoRA

O artigo de correção de offset linka para o modelo Civitai 1934100 ("Anime2Real") como LoRA para geração de imagem 7. No entanto, esta LoRA é uma LoRA Flux.2 Klein para transferência de estilo anime-para-realismo — não uma LoRA Qwen-Image. O workflow real de correção de offset usa Qwen-Image-Lightning-4steps-V1.0.safetensors e Temp\Anime to Realism-plus-1.0.safetensors, que são distintos do modelo 1934100 ^[8]9. A inclusão do link do modelo 1934100 no artigo fonte pode indicar outros trabalhos do autor ou um template de workflow compartilhado, mas sua conexão direta com a correção de offset do Qwen-Image não está estabelecida.

Sampling RES4LYF para Qwen-Image

O RES4LYF substitui o KSampler padrão do ComfyUI por ClownsharKSampler_Beta, fornecendo 69 samplers selecionáveis entre modos ODE e SDE 10. A divisão dos samplers inclui 44 samplers explícitos, 18 samplers totalmente implícitos e 7 samplers implicitos diagonais 10. Para a dinâmica de fluxo retificado AuraFlow do Qwen-Image, os samplers res_3s e res_2s em 8 passos com scheduler bong_tangent produzem saídas de alta qualidade 8.

O nó ModelSamplingAuraFlow sobrescreve o shift padrão de 1.15 para 1.98 no workflow hires, expandindo a trajetória de sampling para capturar detalhes finos em resoluções mais altas 11. Documentação RES4LYF lista suporte para modelos de fluxo retificado incluindo SD3.5, AuraFlow, Flux, HiDream e Chroma, então compatibilidade com Qwen-Image é inferida de seu uso de dinâmica de fluxo retificado AuraFlow 10.

Qwen-Image vs FLUX e SDXL

Capacidades de Renderização de Texto

O principal diferencial do Qwen-Image é renderização de texto complexa através de treinamento progressivo de descrições sem texto até nível de parágrafo, com suporte nativo para scripts alfabéticos (inglês) e logográficos (chinês) 12. FLUX e SDXL não igualam a fidelidade de renderização de texto do Qwen-Image para caracteres chineses ou layouts multi-região complexos 13.

Modelos FLUX usam arquitetura de fluxo retificado similar ao Qwen-Image mas empregam text encoders separados CLIP-L e T5-XXL 14. SDXL usa arquitetura UNet com text encoders CLIP-L/OpenCLIP-G, que são estruturalmente mais simples e menos capazes para renderização de texto multilíngue 13. Nem FLUX nem SDXL incluem um encoder visual comparável ao Qwen2.5-VL para condicionamento de imagem durante geração de texto.

Trade-offs do Ecossistema

FLUX e SDXL têm ecossistemas comunitários muito maiores, suporte mais extensivo a nós ComfyUI e melhor documentação 13. Capacidades de edição do Qwen-Image-Edit — controle dual semântico + aparência e edição precisa de texto bilíngue — são únicas entre esses modelos mas vêm ao custo de base de usuários menor e menos workflows comunitários 5.

Comparação de Arquitetura

FAQ

Como configurar o text encoder para Qwen-Image no ComfyUI? Use o nó CLIPLoader com qwen_2.5_vl_7b_fp8_scaled.safetensors e defina o tipo CLIP para qwen_image. Isso carrega QwenImageTokenizer que usa o sistema de template llama.

O que causa o problema de offset de imagem no Qwen-Image-Edit e como corrigi-lo? O offset é um desalinhamento espacial onde a composição da saída muda em relação à entrada. A correção escala a entrada para lado menor consistente de 1024px usando letterbox padding antes da codificação VAE, prevenindo desalinhamento dependente de dimensão.

Como o nó AILab_ImageStitch ajuda com offset de imagem em workflows Qwen? Fornece comparação visual lado a lado de original versus saídas geradas usando layout right-stitch com fundo branco, permitindo avaliação visual da correção de offset.

Qual a diferença entre KSampler e ClownsharKSampler_Beta para Qwen-Image? ClownsharKSampler_Beta oferece 69 samplers incluindo RES_3S otimizado em 8 passos para dinâmica AuraFlow, enquanto KSampler padrão não tem otimização dedicada para fluxo retificado.

Posso usar samplers RES4LYF com Qwen-Image-Edit ou apenas Qwen-Image base? Documentação RES4LYF suporta modelos de fluxo retificado amplamente. Workflows usam ModelSamplingAuraFlow que mapeia para comportamento de sampling AuraFlow, então compatibilidade é inferida mas não confirmada explicitamente nos docs RES4LYF.

O que é QwenImageTokenizer e como difere de CLIPTokenizer? QwenImageTokenizer envolve Qwen2Tokenizer com templates de prompt llama, fornece comprimento de contexto 99999999 (efetivamente ilimitado) e trata nativamente scripts inglês e chinês — diferentemente do CLIPTokenizer projetado para família de text encoder CLIP.

Qual a relação entre Qwen-Image e Flux em termos de arquitetura? Ambos usam dinâmica de fluxo retificado, mas Qwen-Image adiciona encoder visual Qwen2.5-VL para condicionamento dual (semântico + aparência) e treinamento progressivo especializado para renderização de texto.

Erros comuns e correções

Para exemplos adicionais de configuração ComfyUI, veja Guias de Nós Customizados. Técnicas Avançadas de Sampling. Referência de Comparação de Modelos.