图像生成与编辑

Qwen-Image-Edit 接受提示词加一张输入图像，返回编辑后的图像。本页包含下载、运行示例，以及决定单次编辑耗时的两个关键选项。

💡

这些命令遵循与文本模型示例相同的约定：Hugging Face CLI、从仓库根目录源码构建，并把 --backend 换成与你硬件匹配的值。参见按家族下载与运行。

Qwen-Image-Edit（图像 + 提示词 → 编辑后的图像）

hf download unsloth/Qwen-Image-Edit-2511-GGUF qwen-image-edit-2511-Q4_K_M.gguf --local-dir models
hf download QuantStack/Qwen-Image-Edit-GGUF VAE/Qwen_Image-VAE.safetensors --local-dir models
hf download unsloth/Qwen2.5-VL-7B-Instruct-GGUF Qwen2.5-VL-7B-Instruct-Q4_K_M.gguf --local-dir models
hf download unsloth/Qwen2.5-VL-7B-Instruct-GGUF mmproj-BF16.gguf --local-dir models
hf download lightx2v/Qwen-Image-Edit-2511-Lightning Qwen-Image-Edit-2511-Lightning-4steps-V1.0-bf16.safetensors --local-dir models

dotnet TensorSharp.Cli/bin/TensorSharp.Cli.dll --model models/qwen-image-edit-2511-Q4_K_M.gguf --image input.png \
    --prompt "把天空改成壮丽的日落。" --output edited.png \
    --qwen-image-vae models/VAE/Qwen_Image-VAE.safetensors \
    --qwen-image-vl models/Qwen2.5-VL-7B-Instruct-Q4_K_M.gguf \
    --qwen-image-mmproj models/mmproj-BF16.gguf \
    --qwen-image-lora models/Qwen-Image-Edit-2511-Lightning-4steps-V1.0-bf16.safetensors \
    --backend ggml_cuda
dotnet TensorSharp.Server.Host/bin/TensorSharp.Server.Host.dll --model models/qwen-image-edit-2511-Q4_K_M.gguf \
    --qwen-image-vae models/VAE/Qwen_Image-VAE.safetensors \
    --qwen-image-vl models/Qwen2.5-VL-7B-Instruct-Q4_K_M.gguf \
    --qwen-image-mmproj models/mmproj-BF16.gguf \
    --qwen-image-lora models/Qwen-Image-Edit-2511-Lightning-4steps-V1.0-bf16.safetensors \
    --backend ggml_cuda

图像编辑（Qwen-Image-Edit）

Qwen-Image-Edit 接收提示词 + 一张输入图像并返回编辑后的图像——这是与上面文本 LLM 不同的输出模态。所加载的 qwen_image GGUF 仅是 MMDiT（多模态扩散 Transformer）；TensorSharp 会在其旁解析两个伴随 GGUF：

Qwen-Image VAE —— 图像 ↔ 16 通道潜变量（原始 .safetensors 也可用）。
Qwen2.5-VL-7B 文本编码器 —— 提示词 → 3584 维条件，外加可选的 mmproj 视觉塔以实现图像接地编辑。

将伴随文件放在 DiT GGUF 旁，或用 TS_QWEN_IMAGE_VAE / TS_QWEN_IMAGE_TE / TS_QWEN_IMAGE_MMPROJ 指定（CLI：--qwen-image-vae / --qwen-image-vl / --qwen-image-mmproj）。流水线对参考图做 VAE 编码、构建条件、运行带参考潜变量拼接的 FlowMatch-Euler true-CFG 去噪循环，再 VAE 解码回像素。整个 60 块 DiT 前向被 CUDA 图捕获，flash 注意力默认开启；除非固定宽/高，否则目标面积按设备 VRAM 预算自动钳制。

提速的关键是 Lightning 蒸馏 LoRA（--qwen-image-lora / TS_QWEN_IMAGE_LORA，一个 .safetensors 文件）。TensorSharp 从文件名解析出训练时的步数（…-4steps-… / …8step…，接受 1–16），并把采样默认值切换为该步数、cfg 1.0、时间步 shift 固定为 3——每步一次 DiT 前向，没有负向分支。不加 LoRA 时基础配方是 30 步、cfg 2.5，因此默认的 60 次 DiT 前向降到 4–8 次。在本项目的 CUDA image_edit 场景下（Q2_K DiT + 4 步 Lightning LoRA，544×1184，输入与种子完全一致），一次热态编辑耗时 40.44 s，而 stable-diffusion.cpp 为 48.16 s。

该 LoRA 以运行时 F32 旁路的方式作用在每个目标投影旁（y = W·x + b + (alpha/rank)·up·(down·x)），量化后的基础权重保持不变——它不会被合并进权重，因为 Lightning 的增量远小于低比特量化的一个台阶，合并的结果只是重量化噪声。这条旁路只存在于整模型前向与融合逐块 CUDA 前向上，因此在回退路径上（TS_QWEN_DIT_FUSED_BLOCK=0、TS_QWEN_DIT_NATIVE=0 或非 CUDA 后端）使用 Lightning LoRA 会直接报错，而不是输出噪声。若基础 DiT 本身已经是少步模型（文件名含 rapid、turbo、hyper、lightning、lcm、nitro 或 step），叠加 LoRA 会被检测并告警——这类检查点无需再加 LoRA。

其余提速来自三张默认开启的融合图：CUDA 图捕获的整 DiT 前向把单次前向成本降到约 1/2.9，8 步去噪从约 153 s 降到约 63 s（TS_QWEN_DIT_WHOLE_CAPTURE=0 可关闭）；融合的条件编码器主干把文本条件阶段从 11.2 s 降到 2.5 s（TS_QWEN_TE_FUSED=0）；融合的整 VAE 图把 928×688 的编码从 19.5 s 降到 0.95 s、解码从 22.8 s 降到 1.35 s（TS_QWEN_VAE_FUSED=0）。整步 DiT 缓存（TS_QWEN_DIT_CACHE_MODE = easycache / fbc / both）还能跳过其余步数的 40–55%，但它默认关闭：在编辑类负载上它会可测地弱化人脸等细节，因此以质量优先，需要时再自行开启。

由于文本与视觉编码器在去噪循环开始前就已释放，更大的文本编码器量化档在去噪阶段不增加任何成本，却决定整次编辑的保真度——即便显存有限也推荐 Qwen2.5-VL-7B-Instruct-Q4_K_M.gguf（4.683 GB）；约 2 比特的 UD-IQ2_XXS 会明显弱化人脸。

可从 CLI（--image + --prompt）、Web UI 图像编辑流程（含实时去噪预览），或在进程内从 C# 通过 QwenImageModel.EditImage() 运行。完整细节见仓库的 docs/models/qwenimage_zh-cn.md 卡片。

← 文本与 LLM 模型下一篇：视频生成 →