Японский автор Хлоя сравнила Qwen-Image 2.1 Turbo с Qwen-Image-Edit 2511 на одинаковых заданиях и с одним seed. Переодевание персонажа заняло около 18 секунд вместо 1 минуты 45 секунд. Результат получен в конкретном локальном workflow, так что воспринимать его как общий бенчмарк не стоит. Но наблюдения Хлои пригодятся и для сравнения скорости, и для работы с промтами, которые уводят генерацию в сторону.
Хлоя ведёт дневник практических тестов: записывает, что получилось, сколько заняло времени и где пришлось чинить процесс. За одну неделю она сравнила модели для редактирования изображений и генерации текста, разбиралась с Anima и собрала короткий ролик из пяти сцен. Тут есть два особенно полезных наблюдения: небольшая модель может ускорить рутинную правку, а длинный промт иногда только мешает.
Qwen-Image 2.1 Turbo быстрее редактирует персонажа
Хлоя меняла одежду и места действия для персонажа Мики. Сначала она использовала Qwen-Image-Edit 2511, затем сравнила его с Qwen-Image 2.1 Turbo на тех же двух заданиях и с тем же seed. Переодевание обе модели выполнили примерно одинаково: сохранили лицо и фон, убрали бейдж.
Разница заметна на изображении в полный рост. В версии 2511 персонаж стоял скованно, а лицо выглядело меньше и жёстче. Turbo выдал более естественную позу, руки в карманах, а лицо осталось ближе к привычному образу Мики. Это оценка Хлои по конкретному тесту. На других задачах результат может отличаться.
| Модель | Время на изображение | Размер модели | Наблюдение Хлои |
|---|---|---|---|
| Qwen-Image-Edit 2511 | около 1 минуты 45 секунд; иногда 6–8 минут | около 19 ГБ | На полнофигурном изображении поза и лицо выглядели менее естественно |
| Qwen-Image 2.1 Turbo | около 18 секунд | около 7 ГБ | Переодевание сопоставимого качества; естественнее полный рост |
| MOSS-Image | около 18 секунд | нет данных | В одном тесте японский текст на постере не исказился |
Есть важное уточнение: Хлоя не указала видеокарту и остальные параметры окружения. По её словам, модель 2511 не помещалась в доступную память, поэтому некоторые генерации занимали 6–8 минут. 18 секунд — результат её конфигурации и workflow. На другом компьютере цифры могут быть другими.
С лицензией тоже стоит разобраться отдельно. Хлоя пишет, что использовала локальную версию Turbo с исследовательской лицензией для некоммерческого применения и поэтому будет осторожна с задачами. Alibaba Cloud отдельно описывает API-версию Turbo для production-задач. В публикации от 26 октября указана цена 160 долларов США за 10 000 изображений по прайсу для Сингапура. Условия для локальных весов и API могут отличаться — перед коммерческой работой проверьте лицензию конкретного способа доступа.
Для тех, кто часто меняет одежду, фон или отдельные детали, скорость одной попытки влияет на темп всей серии. Но одних секунд для сравнения мало. Зафиксируйте исходник, seed, запрос и настройки, затем проверьте лицо, фон и мелкие детали. Если быстрый результат приходится переделывать, экономия времени быстро исчезает.
MOSS-Image справился с японской надписью в одном тесте
В той же записи Хлоя проверила MOSS-Image на постере для кафе. На макете появились японский заголовок и строка «Рекомендация дня: кафе-латте, 480 иен». По словам автора, текст не исказился. Одно изображение сгенерировалось примерно за 18 секунд.
Это конкретный удачный пример. В техническом отчёте MOSS-Image описан контроль композиции и генерация длинного текста на английском и китайском; на LongLongTextBench авторы отчёта указывают покрытие текста 96,3%. Японский язык в этом результате отдельно не подтверждён. Для меню, упаковки и рекламного креатива всё равно придётся проверять каждый символ.
Хлоя решила разделить задачи: MOSS-Image использует для миниатюр и меню с японским текстом, Qwen-Image 2.1 Turbo — для смены одежды персонажа. Такой подход удобнее, чем подбирать одну модель для всего подряд. Сначала стоит понять, что важнее в конкретной задаче: читаемая надпись, сохранение персонажа, композиция или скорость.
Anima в ComfyUI теряла сцену из-за длинного и конфликтного промта
Дольше всего Хлоя отлаживала Anima с LoRA Niji semi-realism. Workflow переводил запросы с японского на английский, но генерация иногда уводила сцену в сторону: появлялись дневной свет и голубые глаза, менялся сам образ.
Хлоя заметила, что сбои чаще случались, когда общий запрос превышал примерно 140 токенов. В это число входили постоянные теги качества и перевод задания. Это порог из её собственной сборки, а не общий лимит для Anima.
Проблема была и в противоречиях. Постоянные теги могли требовать одного, а запрос на конкретную сцену — другого. Тогда модель отбрасывала часть условий и возвращалась к знакомому образу. Дописывать в такой промт ещё больше слов — сомнительная идея.
Хлоя сократила постоянный блок: оставила вызов LoRA, теги качества, «1girl, solo», цвет глаз и несколько слов о полуреалистичном стиле. Настройки переводчика на небольшую локальную языковую модель она тоже зафиксировала: температура 0,2, seed 42 и инструкция не добавлять деталей, которых не было в исходном запросе.
- Уберите из постоянного блока теги, которые нужны не для каждой сцены. Оставьте описание персонажа и стиля.
- Проверьте, не спорит ли фиксированная часть промта с новым заданием: например, дневной свет с описанием ночной сцены.
- Если запрос проходит через переводчик, зафиксируйте настройки и проверьте, не добавляет ли он новые признаки от себя.
Хлоя также пыталась добиться эффекта мягкой кожи. Теги не помогли, зато сработали светлый фон и освещение. Позже она заменила базовую модель на CyberRealistic Anima v6 и сочла её наиболее похожей на нужный референс. В этом случае полезнее оказалось упростить промт, а затем поработать со светом.
1girl, solo, close-up, face focusИз чего собран промт
- персонажиодна девушка
1girl - персонажитолько один персонаж
solo - ракурскрупный план
close-up - ракурсфокус на лице
face focus
Странное движение в видео может начинаться с исходного кадра
В конце Хлоя собрала ролик «Один день Клои» из пяти сцен: утреннее кафе, офисный коридор, дорога под дождём, вечер дома и книжный магазин. Каждую статичную сцену она превратила в видео длиной пять секунд, а потом соединила в ролик примерно на 25 секунд.
Для генерации Хлоя использовала MiniMax H3 с LoRA Pika H3 Flex и VBVR, а также LightVAE из предыдущей части дневника. По её наблюдению, Pika H3 Flex заменила прежнюю LoRA для ускорения и позволила получать ролики такой же длины примерно на 20% быстрее.
В двух сценах обнаружились лишние детали: чашка латте задублировалась, а после того, как персонаж взяла книгу, в кадре осталась ещё одна рука. Хлоя проверила исходные изображения и увидела, что лишние чашка и рука уже были нарисованы там. Она исправила картинки и пересобрала видео.
При странностях в image-to-video сначала проверьте исходный кадр. Так проще понять, где появилась ошибка. Иначе можно потратить время на перенастройку видеомодели, хотя проблема уже есть в картинке.
Что стоит перенести в свой workflow
В японском дневнике нет общего рейтинга моделей — Хлоя описывает свои задачи и результаты. Но способ проверки легко повторить на собственных проектах.
- Для редактирования сравнивайте модели на одинаковом исходнике, запросе и seed. Отдельно проверяйте скорость и сохранность деталей.
- Для длинного промта сначала ищите повторы и противоречия, вместо того чтобы дописывать новые теги.
- Для перевода запроса фиксируйте настройки и проверяйте, не появились ли в английской версии незапрошенные детали.
- Текст внутри изображения проверяйте вручную: один удачный японский постер ничего не гарантирует для другого меню.
- Для image-to-video сначала осмотрите исходный кадр, затем ищите причину артефакта в движении.
Самое практичное в этих тестах — одинаковые условия, короткий промт и проверка исходника. Так быстрее становится понятно, где модель помогает, а где уводит задачу в сторону.
Источники
Источникnote.com
