Qwen-Image 2.1 lokalnie: test na RTX 3090

Jak testowaliśmy

• Sprzęt: jedna karta NVIDIA GeForce RTX 3090 z 24 GB pamięci.
• Oprogramowanie: ComfyUI, model Qwen-Image 2.1 w wersji int8.
• Ustawienia: 25 kroków, rozdzielczość 1 MP (na przykład 1024×1024, 1184×896 albo 1376×768) i 2 MP.

Model działał na naszym serwerze. Polecenia i obrazy nie wychodziły poza firmową sieć. Pod każdym obrazem podajemy ziarno (seed), z którego powstał, i pełny prompt.

Wszystkie obrazy z tego wpisu mają te same ustawienia próbkowania: 25 kroków, cfg 1, sampler euler, scheduler simple, pusty negative prompt. Prompty pisaliśmy po angielsku.

Czas generowania

Fotorealizm

Poprosiliśmy o scenę: księgarnia o zmierzchu, mokry bruk, rudy kot na parapecie. Obraz wyszedł czysto, bez artefaktów.

Prompt:

A cozy small bookshop at dusk on a quiet European cobblestone street, seen from across the street. Warm golden light glows from the large front window, shelves full of colorful books visible inside, a sleeping ginger cat on the windowsill. Above the door hangs a painted wooden sign that reads "Księgarnia". Soft blue evening sky, light drizzle, reflections on wet cobblestones. Photorealistic, 35mm photography, shallow depth of field, calm and inviting mood. No other text, no logos, no watermarks.

Tekst w obrazie

Polskie znaki

Model umie wpisać tekst w obraz, ale polskie znaki wychodzą różnie. Szyld miał mieć napis „Księgarnia”. Wyszło „Ksiegarnia”, bez ogonka.

We wcześniejszych próbach dłuższe polskie frazy się psuły. Na przykład zamiast „społeczności” wyszło „społecznosci”. Krótkie słowo bez ogonków, „Witamy!”, wyszło bezbłędnie. Napis „Dzień dobry” na kubku (niżej) wyszedł poprawnie, z „ń”, we wszystkich trzech wariantach.

Dużo tekstu w jednej scenie

Drugi test był trudniejszy: tablica w laboratorium z angielskim nagłówkiem, czterema numerowanymi punktami, wykresem z opisanymi osiami i notatką w kółku. Do tego zegar, kubek, tacka z markerami i osoba z tabletem. Zrobiliśmy trzy warianty, każdy w 44 s.

Cały tekst wyszedł bezbłędnie we wszystkich trzech wariantach: nagłówek, cztery punkty listy, oba opisy osi i „DO NOT ERASE”. Gorzej z liczbami i szczegółami:

• Krzyżyki na wykresie: miały być trzy. Trzy są w jednym wariancie, w pozostałych cztery i pięć.
• Markery na tacce: miało być pięć. W wariancie powyżej są trzy.
• Wykres: zamiast rosnącej linii model rysował same przerywane linie pasma tolerancji.
• Podwójne podkreślenie nagłówka: wyraźne tylko w jednym wariancie.
• Zegar: miał wskazywać 4:20. W żadnym wariancie nie da się tego jednoznacznie odczytać.

Prompt:

A wide realistic photograph of a research lab whiteboard at night, seen straight on, in a cool grey and amber palette. Across the top, a bold black hand-lettered headline reads "CALIBRATION RUN 7", underlined twice. On the left, four numbered blue-marker lines read "1. warm the sensor", "2. zero the scale", "3. log the drift", and "4. repeat at 40C". In the centre, a hand-drawn line chart on a faint grid rises left to right; the x-axis reads "minutes" and the y-axis reads "drift (mV)", with three red crosses and a dashed tolerance band. On the right, a red circled note reads "DO NOT ERASE". A steel tray holds five markers and a chipped enamel mug. A wall clock reads twenty past four. A young woman in a grey knitted jumper stands in profile at the far right, lit from below by her tablet. One hard overhead strip light creates a narrow reflection on the board. Orderly, symmetrical, quiet and clinical.

Polski napis na zdjęciu produktu

Trzeci test to zdjęcie reklamowe: biały kubek z cappuccino i ręcznie malowanym napisem „Dzień dobry”. Trzy warianty, każdy w 44–47 s.

Napis „Dzień dobry” wyszedł poprawnie, z „ń”, we wszystkich trzech wariantach. Latte art, łyżeczka, serwetka i światło z lewej są w każdym. Ciastka miały być dwa: w jednym wariancie są trzy, w innym kadr ucina talerzyk.

Prompt:

Create a premium commercial product photograph of a handmade white ceramic coffee mug filled with freshly brewed cappuccino, with a delicate leaf of latte art on the foam. On the side of the mug, small hand-painted dark blue letters read "Dzień dobry". Place the mug on a light oak table beside a folded beige linen napkin, a small silver spoon and two almond biscuits on a saucer. Warm early morning sunlight enters from the left through a window, creating realistic reflections on the glaze, a soft highlight on the spoon and long gentle shadows. Shot at eye level with an 85mm lens, the mug in the left third of the frame, the right side calm and softly blurred. Minimalist lifestyle photography, warm neutral colors of cream, oak and soft beige, realistic ceramic texture with tiny glaze imperfections, elegant composition, subtle background blur and professional advertising quality. No other text, no logos, no watermarks.

Wniosek: angielski tekst, nawet długi i w kilku miejscach obrazu, model pisze dobrze. Krótki polski napis też może wyjść poprawnie, ale nie zawsze. Każdy polski napis sprawdź przed publikacją, a dłuższy tekst dodaj w edytorze grafiki albo w kodzie strony. Liczby przedmiotów i godzin na zegarach traktuj jako przybliżone.

Przezroczyste tło

Qwen-Image 2.1 potrafi oddać obraz z kanałem alfa (RGBA). Zrobiliśmy trzy naklejki. Każda ma prawdziwą przezroczystość: narożniki obrazu mają alfa 0. Biała obwódka naklejki została zachowana. Na żadnej nie pojawił się przypadkowy tekst.

Naklejki leżą bezpośrednio na tle strony. Przełącz motyw na jasny albo ciemny, a tło pod nimi się zmieni.

Każdy prompt naklejki zaczyna się i kończy zdaniem o przezroczystym tle i kanale alfa. Wykluczenie tekstu jest w prompcie, bo przy cfg 1 negative prompt nie działa (o tym niżej).

Robot, wyszukiwanie (seed 254168101893852):

This is an RGBA format image with transparency. A die-cut vinyl sticker of a cute round robot mascot with a friendly face on a glowing screen, small antenna with a light bulb, holding a magnifying glass over a stack of documents, symbolising document search. Flat vector illustration, bold clean outlines, thick white sticker border around the whole shape, soft shading, palette of deep indigo (#4F46E5), teal (#14B8A6) and warm yellow (#FACC15). Centered, full figure visible. No text, no letters, no logos, no watermarks. The image has an alpha channel and a transparent background.

Sowa, RAG (seed 80244327246117):

This is an RGBA format image with transparency. A die-cut vinyl sticker of a cheerful owl librarian mascot wearing round glasses, sitting on an open book, with small glowing connection lines linking floating index cards around it, symbolising retrieval and knowledge. Flat vector illustration, bold clean outlines, thick white sticker border around the whole shape, palette of teal (#14B8A6), cream (#FEF3C7) and coral (#F97316). Centered, full figure visible. No text, no letters, no logos, no watermarks. The image has an alpha channel and a transparent background.

Mózg, sieci (seed 101087038474526):

This is an RGBA format image with transparency. A die-cut vinyl sticker of a playful cartoon brain mascot with tiny arms and legs, wearing headphones, juggling three glowing cubes connected by thin lines like a neural network. Flat vector illustration, bold clean outlines, thick white sticker border around the whole shape, palette of pink (#EC4899), violet (#8B5CF6) and mint (#6EE7B7). Centered, full figure visible. No text, no letters, no logos, no watermarks. The image has an alpha channel and a transparent background.

Negative prompt nie działa przy cfg 1

Przy ustawieniu cfg 1 negative prompt nic nie robi. Wpisanie tam „no text, no logos” nie zmienia obrazu. Wykluczenia trzeba napisać w zwykłym, pozytywnym prompcie, na przykład dopisać „no text, no logos” na końcu opisu sceny.

Licencja

Qwen-Image 2.1 jest udostępniony na licencji Qwen Research License z 20 września 2026. Licencja pozwala na użytek niekomercyjny, czyli badania i ewaluację.

Zapytaliśmy zespół Qwen o użycie komercyjne. Czekamy na odpowiedź. Uzupełnimy ten wpis, gdy ją dostaniemy.