Qwen-Image 2.1 这个版本刚出来那阵子，我正好在给一个电商团队做商品图批量生成的流程改造，顺手就拿它跑了一轮比较系统的测试。前后大概积累了三百多个案例，覆盖了文生图、局部重绘、文字渲染、多图参考这几个主要方向。网上关于它的讨论不少，但大多是零散的晒图，很少有人把"它到底能做什么、做不到什么"讲清楚。所以我把这段时间的实测记录整理成这篇东西，用14个问题的形式，把能力边界、提示词写法、踩过的坑都摊开来说。
如果你是想把它接进 ComfyUI 工作流的人，或者是想搞清楚"这个模型值不值得投入时间学"的开发者、设计师、内容创作者，这篇应该能帮你省下不少试错成本。我不打算把它吹成万能工具，也不会一味唱衰，就是把我实际跑出来的结果摆出来，你自己判断。
1. 先搞清楚 Qwen-Image 2.1 到底是个什么定位
1.1 它不是"又一个文生图模型"，重点在可控性
很多人第一次接触 Qwen-Image 2.1，会下意识把它和那些主打"一句话出大片"的模型对比。这个对比方向其实偏了。Qwen-Image 2.1 真正的强项不在"惊艳感"，而在指令遵循的精确度和局部编辑的可控性。我拿同一个提示词分别喂给它和另外两个主流模型，让它画"一只戴着红色围巾的柴犬坐在蓝色木椅上，背景是雪天"，结果 Qwen-Image 2.1 在"红色围巾""蓝色木椅""雪天"这三个约束条件上的命中率明显更稳，另外两个模型经常把围巾颜色画错，或者把椅子画成别的材质。
这个差异背后是训练目标的区别。它更偏向"你说了什么它就尽量照做"，而不是"我帮你发挥得更好看"。对于做商业图、做分镜、做需要精确控制元素的设计工作来说，这个特性比"好看"重要得多。
1.2 中文提示词的原生支持是它的隐藏优势
我测试的时候特意做了一组对照：同一段描述，分别用中文和英文写，看输出差异。结论是中文提示词的理解准确度相当高，尤其是在描述具体物体关系和数量的时候。比如"左边三只猫，右边两只狗，中间一个红色球"，它基本能摆对位置和数量。这一点在国产模型里算是做得比较扎实的，省去了很多"先翻译成英文再调"的麻烦。
但要注意，中文提示词在风格词上的表现不如英文细腻。你说"赛博朋克风格"它能懂，但你说"带一点潮湿感的霓虹夜景，像王家卫电影那种色调"，它的还原度就不如英文提示词稳定。所以我的建议是：描述内容和空间关系用中文，描述艺术风格和氛围用英文，混着写效果最好。
1.3 它适合谁，不适合谁
适合的人群很明确：需要批量出图且要求元素可控的电商运营、需要做分镜和概念草图的设计师、想把图像生成接进自动化流程的开发者。不适合的人群也很明确：只想输入一句话就等着出神图、不愿意调提示词、对细节没要求的人。后者用别的模型可能更省心。
2. 提示词到底该怎么写才不浪费它的能力
2.1 结构化提示词比"堆词"有效得多
我早期也犯过这个错，把一堆形容词堆上去："高清、精美、超现实、8K、大师作品、获奖、细节丰富……"结果出来的图反而很平庸。后来我改成结构化写法，效果立刻不一样。所谓结构化，就是按固定顺序把信息分层：
- 主体：画面里最重要的东西是什么
- 属性：主体的颜色、材质、状态
- 空间关系：谁在左、谁在右、谁在前、谁在后
- 环境：背景、光线、天气
- 风格：艺术风格、参考方向
- 技术参数：分辨率、比例、镜头感
举个例子，我实测有效的一条提示词是这样的：
一只橘色短毛猫（主体），趴在木质窗台上（空间关系）， 窗外是下雨的街道，暖黄色路灯（环境）， 写实摄影风格，浅景深，35mm镜头（风格+技术）这条出来的图，猫的毛色、窗台材质、雨景氛围都对上了。而同样内容如果写成"可爱的猫、漂亮的窗户、下雨天、很美"，出来的结果就完全不可控。
2.2 数量词和方位词要放在显眼位置
这是我在测试里发现的一个规律：Qwen-Image 2.1 对数量和方位的敏感度很高，但前提是这些词不能被淹没在一堆修饰语里。如果你写"画面中有很多花，中间有一朵红色的"，它可能给你画一片花海但找不到那朵红的。但如果你写"画面正中央有一朵红色玫瑰，周围环绕着白色小花"，命中率就高很多。
我的做法是把数量和方位词单独拎出来，放在句子靠前的位置，或者用短句断开。比如"三只鸟。左边两只，右边一只。全部朝右飞。"这种写法虽然看起来有点笨，但实测下来准确率最高。
2.3 负面提示词不是越多越好
很多人习惯把负面提示词写一大串，什么"模糊、变形、多余手指、水印、低质量"全堆上去。我测试下来，Qwen-Image 2.1 对负面提示词的响应是有的，但过度使用会压制画面的丰富度。我做过对比：同一提示词，负面词写5个和写20个，后者出来的图明显更"干净"但也更"死板"，细节少了很多。
我的建议是负面提示词控制在5到8个，只写你真正不想要的东西。比如做人像就写"多余手指、扭曲面部、水印"，做风景就写"人物、文字、模糊"。不要无脑复制网上的通用负面词列表。
2.4 提示词模板（PE 模板）怎么沉淀
跑了几百个案例之后，我慢慢沉淀出几套可复用的模板。所谓 PE 模板，就是把常用场景的提示词结构固定下来，只替换变量部分。比如电商产品图模板：
[产品名称]，放置在[材质]台面上，[光线方向]打光， 背景是[背景描述]，产品摄影风格，中心构图，高清细节这套模板我用了大概几十次，替换变量就能快速出图，一致性很好。模板的价值在于降低每次重新组织提示词的认知成本，尤其是批量作业的时候。但要注意，模板不能太死，遇到特殊需求还是要手动调整，否则出来的图会千篇一律。
3. 局部编辑能力实测：它到底能不能"只改一处"
3.1 局部重绘的边界在哪里
局部编辑是我最看重的功能，也是这次测试花时间最多的部分。结论先说：Qwen-Image 2.1 的局部重绘在小范围、明确目标的修改上表现很好，但在大范围、涉及整体光影重构的修改上会露怯。
我做了这样一组测试：一张人物站在海边的图，我想把人物手里的饮料换成冰淇淋。用局部重绘框选饮料区域，提示词写"一个草莓冰淇淋甜筒"，出来的结果很自然，手部没有变形，光影也对得上。但如果我想把"白天改成夜晚"，即使框选整个背景，出来的结果也会出现前景人物光影不匹配的问题，人物还是白天的打光，背景却黑了，看起来很假。
所以局部编辑的正确用法是：改物体、改颜色、改材质、改局部细节，这些它很擅长。改整体氛围、改时间、改天气，这些最好重新生成整张图，别指望局部重绘能完美处理。
3.2 蒙版边缘的处理技巧
局部重绘的蒙版边缘是个容易被忽略的细节。我一开始框选得很紧，结果边缘经常出现明显的接缝。后来我把蒙版往外扩了大概10到15个像素，让模型有过渡空间，接缝问题就基本消失了。
还有一个技巧是：如果修改区域和周围有光影关系，可以在提示词里补一句环境描述。比如改一个桌上的杯子，提示词写"一个白色陶瓷杯，受左侧暖光照射"，这样模型会参考周围的光线来生成，融合度更高。
3.3 多轮局部编辑会不会累积失真
我特意测试了连续修改同一张图的情况。第一轮改杯子，第二轮改背景颜色，第三轮改人物衣服。结果是：前两轮基本没问题，到第三轮的时候，画面整体开始出现轻微的模糊和噪点累积。这应该是多次重绘导致的画质衰减。
我的应对方法是：每改两到三轮，就把当前结果作为新底图重新导入一次，相当于"固化"一下，再进行下一轮修改。这样能有效减缓画质衰减。另外，如果修改之间没有依赖关系，尽量一次性框选多个区域同时改，比一轮一轮改要好。
4. 文字渲染：中文和英文的实际表现差异
4.1 短文本渲染基本可用
文字渲染是很多模型的老大难，Qwen-Image 2.1 在这方面算是及格线以上。我测试了中英文的短词、短句渲染，比如让它画一个招牌写着"咖啡"、一本书封面写着"DESIGN"、一个包装盒上印着"100%纯棉"。这些短文本的准确率相当高，字形基本正确，位置也合理。
但要注意，文字越短越准，越长越容易出错。我试过让它渲染一句12个字的中文标语，结果出现了错字和笔画粘连。英文长句相对好一点，但超过六七个单词之后也开始不稳定。
4.2 文字排版和字体风格的控制
它支持一定程度的字体风格描述。你说"手写体""衬线体""粗黑体"，它会有相应的变化。但精细控制做不到，比如你没法指定"用思源黑体Medium字重"。所以如果你的需求是精确的品牌字体还原，这个模型目前还达不到，还是得后期用设计软件处理。
排版方面，它能把文字放在你指定的位置，比如"左上角""居中""底部横幅"。但多行文字的间距和对齐控制比较弱，经常需要多试几次才能得到满意的排版。
4.3 文字渲染的实用建议
我的经验是：把文字渲染当成"草稿级"能力来用。也就是说，用它快速生成带文字的示意图、概念图、分镜，没问题。但如果是要直接用于印刷或正式发布的成品，文字部分最好还是后期加上去。这样既利用了它的效率，又避免了文字出错的风险。
另外一个小技巧：如果文字总是渲染不对，可以试试把文字内容用引号括起来，并且在提示词里强调"文字内容必须准确"。实测下来这样能提升一些准确率，但不是百分百管用。
5. 多图参考与风格迁移的实际效果
5.1 参考图能起多大作用
Qwen-Image 2.1 支持传入参考图来影响生成结果。我测试了两种用法：一种是传风格参考图，让它模仿某种画风；另一种是传内容参考图，让它保持某个物体的特征。
风格参考的效果比较明显。我传了一张水彩画作为参考，生成的图确实带上了水彩质感。但风格迁移的"强度"不太好控制，有时候会过强，导致内容都被风格吃掉了；有时候又过弱，几乎看不出参考的影响。这个需要多试几次，找到合适的参考图。
内容参考的效果相对弱一些。我传了一张特定款式的椅子，想让它在新场景里保持这个椅子的样子，结果出来的椅子只是"有点像"，细节对不上。所以内容参考更适合做"氛围参考"而不是"精确复刻"。
5.2 多图混合的注意事项
传多张参考图的时候，模型会尝试融合它们的特征。我试过同时传一张风格图和一张内容图，效果还行，但如果传两张风格差异很大的图，结果就会很混乱，像是两种风格在打架。
我的建议是：参考图不要超过两张，且风格要协调。如果非要融合差异大的风格，不如分两次生成再后期合成，比让模型硬融要好。
6. 在 ComfyUI 里跑 Qwen-Image 2.1 的实操要点
6.1 环境准备中最容易忽略的细节
在 Ubuntu 20.04 上跑 ComfyUI 加 Qwen-Image 2.1，环境配置本身不复杂，但有几个坑我踩过。首先是显存，这个模型对显存的要求不低，我用的卡是12G显存，跑512x512的图没问题，但跑到1024x1024就需要开一些优化选项，否则会爆显存。如果你显存更小，建议从低分辨率开始试。
其次是依赖版本，ComfyUI 的节点更新很快，有些第三方节点和 Qwen-Image 2.1 的兼容性会出问题。我的做法是先把 ComfyUI 本体更新到较新版本，然后只装必要的节点，不要一次性装一大堆插件，否则出了问题很难定位是哪个插件导致的。
6.2 工作流搭建的核心节点
一个最基础的 Qwen-Image 2.1 工作流大概包含这几个部分：模型加载节点、提示词编码节点、采样器节点、VAE解码节点、图像保存节点。如果是做局部重绘，还要加上蒙版处理相关的节点。
我建议新手先用官方或社区提供的基础工作流跑通，确认能出图之后，再逐步加功能。不要一上来就搭一个特别复杂的工作流，出了问题根本不知道从哪查。
6.3 采样步数和CFG的实测取值
这两个参数对出图质量影响很大。我测试下来，采样步数在20到30之间比较合适，低于20细节不够，高于30收益递减还费时间。CFG值我一般设在7到9之间，太低会导致提示词遵循度不够，太高会让画面变得过于"用力"，颜色和对比度都不自然。
当然这两个值不是固定的，跟具体提示词和场景有关。我的习惯是先用一个中间值跑一张，看效果再微调，而不是一次就调到最优。
7. 那些我踩过的坑和对应的解法
7.1 提示词里的"隐形冲突"
有一次我写了一个提示词，既要"极简风格"又要"细节丰富"，结果出来的图很拧巴，既不够简也不够丰富。后来我意识到这是提示词内部的逻辑冲突。模型会尝试同时满足两个矛盾的要求，结果就是两边都不讨好。
类似的冲突还有"明亮"和"暗调"、"空旷"和"拥挤"、"写实"和"卡通"。写提示词的时候要自查一下，有没有互相打架的词。有的话，删掉一个，或者明确主次关系。
7.2 出图不稳定时的排查顺序
有时候同样的提示词，这次出图好，下次出图差。遇到这种情况，我一般按这个顺序排查：先看随机种子是不是变了，换个种子试试；再看是不是显存不足导致的降质；然后检查提示词有没有歧义；最后才怀疑模型本身的问题。大部分"不稳定"其实是种子或者参数的问题，不是模型不行。
7.3 批量生成时的一致性控制
做批量图的时候，最头疼的是一致性。同样的提示词，出来的图风格飘忽不定。我的解法是固定种子，然后只改提示词里的变量部分。这样能保证风格基本一致，只有内容变化。如果连种子都不能固定（比如需要多样性），那就把风格描述写得非常具体，用详细的风格词来约束。
8. 关于 Skill 和提示词工程的一些延伸思考
8.1 Skill 化封装的价值
测试过程中我一直在想一个问题：这些提示词经验能不能沉淀成可复用的"技能包"？后来我尝试把常用的场景封装成一套套的提示词模板加参数配置，相当于一个"Skill"。比如"电商白底图 Skill""分镜草图 Skill""海报背景 Skill"。这样下次遇到同类需求，直接调用就行，不用从头想提示词。
这个思路其实和现在流行的 Agent Skill 概念是一致的：把特定任务的最佳实践固化下来，降低重复劳动。对于经常做同类图的人来说，这个投入是值得的。
8.2 提示词工程的底层逻辑
很多人问提示词工程的底层逻辑是什么。我的理解是：提示词本质上是在给模型"缩小搜索空间"。模型的可能性空间是无限的，你给的每一个约束条件，都是在把这个空间缩小到你要的那个区域。约束越精确、越不矛盾，模型就越容易命中你要的结果。
所以写提示词的核心不是"堆砌华丽的词"，而是"精确地描述你要什么，同时排除你不要什么"。这个逻辑想通了，提示词水平自然就上去了。
8.3 去 AI 味的提示词技巧
如果你用生成的图做内容，可能会遇到"一眼 AI"的问题。我的经验是，在提示词里加入一些"不完美"的描述，反而更真实。比如"轻微的手抖感""自然的光线不均""略带颗粒感"，这些词能让画面脱离那种过度光滑的 AI 感。另外，避免使用"8K、超高清、完美"这类词，它们会让画面变得过于"塑料"。
9. 数百案例之后，我对能力边界的总结
9.1 它稳定擅长的三件事
第一是指令遵循，你让它画什么它基本就画什么，元素不容易跑偏。第二是局部编辑，小范围修改的融合度很好。第三是中文提示词理解，尤其是描述空间关系和数量的时候。
这三件事是我在几百个案例里反复验证过的，基本没翻过车。如果你的需求落在这三个范围内，可以放心用。
9.2 它目前吃力的三件事
第一是复杂光影重构，涉及整体氛围大改的时候容易崩。第二是长文本渲染，超过一定长度就开始出错。第三是精确的风格复刻，它能模仿大概方向，但做不到像素级还原某个特定风格。
这三件事不是不能做，而是需要更多次的尝试和后期修补，效率不高。遇到这类需求，我会考虑换工具或者结合后期处理。
9.3 一个实用的判断标准
最后分享一个我自己的判断标准：如果一个需求能用一句话清晰描述，且不涉及矛盾条件，那 Qwen-Image 2.1 大概率能做好。如果这个需求需要你解释半天、还带着"既要又要"的条件，那它大概率会让你失望。这个标准帮我省了很多无效尝试的时间。
用下来这段时间，我最大的感受是：Qwen-Image 2.1 不是那种"惊艳型"的模型，它是"可靠型"的。它不会每次都给你惊喜，但它能稳定地完成你交代的任务。对于做实际项目的人来说，这种可靠性比偶尔的惊艳更有价值。至于它做不到的那些事，要么等版本迭代，要么用别的工具补上，没必要强求一个模型什么都会。
