daniil-kzn/qwen-image-2

Qwen-Image-2.0

Qwen-Image-2.0（2026年2月10日リリース）は、テキストから画像を生成し、画像編集を行う単一モデルです。8BのQwen3-VLエンコーダと7Bの拡散デコーダを備え、ネイティブ2K出力、約1kトークンまでの命令文をサポートします。強みは、中国語と英語で高密度で正しくスペルされたテキスト（スライド、ポスター、インフォグラフィック、漫画、カレンダー、カリグラフィー）、「AI感」の少ないフォトリアリズム、そして複数画像の編集です。公式にサポートされているプロンプト言語は中国語と英語です。

実行はfal-runner（ジャーナル、価格、承認、ダウンロード）を介して行われます。ビデオの開始フレーム用のプロンプト作成はstoryboard-keyframes / kling-video-promptに残ります。このスキルはQwen固有のパラメータとプロンプトルールをカバーします。解剖学的構造、参照忠実度、およびパーツ転送（任意のモデル向け）については、image-edit-fidelity（§4a）を参照してください。テスト結果の日付付き記録はreferences/observations.mdに、APIの詳細、サイズ、制限はreferences/api.mdに、すぐに使えるプロンプトテンプレートはreferences/prompt-patterns.mdにあります。

0. 利用可能性の確認（新しいタスクでは最初に実行すること）

falは、4つすべてのfal-ai/qwen-image-2/*エンドポイントを2026年8月18日に非推奨（deprecated）とマークしました。後継のalibaba/qwen-image-3/*がアクティブです。標準のテキスト-to-画像エンドポイントは2026年11月8日時点でもリクエストを処理していましたが、非推奨のエンドポイントはいつでも停止する可能性があります。タスクの最初の有料呼び出しの前に：

1. python3 ~/.claude/skills/fal-runner/fal_run.py models qwen-image-2 および schema <endpoint> を実行。
2. references/observations.mdで最終成功実行日を確認。
3. 呼び出しが404/410/「deprecated」/「not found」で失敗した場合、ユーザーに報告し、references/api.mdの代替手段（Alibaba Model StudioにはDASHSCOPE_API_KEYが必要ですが、2026年11月8日時点でこのマシンには設定されていません；WaveSpeed；またはfal上のQwen-Image-3（別モデルであり、独自のテストが必要））を提供します。モデルを黙って切り替えないでください。ユーザーはQwen 2を要求しています。

1. 階層とエンドポイント

タスク	falエンドポイント	確認された価格（2026-11-08）
ドラフト、探索、レイアウト試行	fal-ai/qwen-image-2/text-to-image	0.035 USD/画像
最終画像、高密度テキスト、リアリズム	fal-ai/qwen-image-2/pro/text-to-image	0.075 USD/画像
編集ドラフト	fal-ai/qwen-image-2/edit	0.035 USD/画像
最終編集、複数画像融合	fal-ai/qwen-image-2/pro/edit	0.075 USD/画像

Model Studioの名称：qwen-image-2.0（高速化）およびqwen-image-2.0-pro。どちらも1つのエンドポイントで生成と編集を提供します（references/api.md）。構図とテキストを標準階層で反復し、プロンプトが固まったらProに移行します。受け入れられた画像のコスト（リトライを含む）を、1つの出力の価格ではなく比較します。

2. 結果を変えるパラメータ

• サイズ。 falのデフォルトはsquare_hd = 1024x1024で、ネイティブ2Kの4分の1です。常にimage_size: {"width": W, "height": H}を渡します。総ピクセル数は512x512から2048x2048の間で、辺は16の倍数です。2Kプリセット：1:1 2048x2048、16:9 2688x1536、9:16 1536x2688、4:3 2368x1728、3:4 1728x2368、3:2 2496x1664、2:3 1664x2496。scripts/qwen_payload.py size <ratio>で他の比率を計算します。image_sizeなしの編集の場合、出力は最後の入力画像に従います。
• プロンプト拡張（falではenable_prompt_expansion、Model Studioではprompt_extend）、デフォルトはtrue：LLMがプロンプトを書き換え、詳細、スタイル、カメラ用語を追加します（公式例では、1行の猫が「Canon EOS R5、National Geographic」のプロンプトに変わりました）。このスキルのデフォルト：§3/§4のルールに従って自分で完全なプロンプトを作成し、画像に正確なテキスト、固定レイアウト、一致する必要があるシリーズ、またはシード比較が含まれる場合はfalseに設定します。バラエティが求められる短い探索的プロンプトでのみtrueのままにします。
• ネガティブプロンプト、最大500文字。テキスト-to-画像のデフォルト（公式Qwenリスト）：low resolution, low quality, deformed limbs, malformed fingers, oversaturated colors, waxy skin, faces without detail, over-smoothed, AI-generated look, chaotic composition, blurry or distorted text。さらに解剖学的構造リスト（§4a）を追加します。編集：忠実度リストと解剖学的構造リスト（ペイロードスクリプトの編集デフォルト；--negative blankは" "を送信します）に、実際に発生した失敗（altered face、misspelled text）を追加します。除外事項はここに記載します。ポジティブプロンプトには「no」でオブジェクトを列挙しません。
• プロンプトの長さ。 fal編集：800文字（スキーマ）。falテキスト-to-画像：スキーマに制限なし。Model Studioは1300トークン後に黙って切り捨て。WaveSpeedは800文字を許可。qwen_payload.pyは制限について警告します。スペースが不足した場合、順番に：正確なテキスト文字列、その位置、被写体と空間関係、1つまたは2つのスタイルの手がかりを保持します。
• 枚数とシード。 num_images 1-4（falテキスト-to-画像）、1-6（fal編集、Model Studio）。seed 0..2147483647。同じシードでも類似した出力は得られますが、同一ではありません。
• 編集入力。 1〜3枚の画像。順序=プロンプト内の「image 1/2/3」。falでは一辺384〜5000ピクセル（Alibaba推奨384〜3072）、最大10MB、アルファなしのPNG（スクリプトがアルファを平坦化）。ローカルファイルはfal_run.pyに対して"@file:/abs/path"として渡します。
• セーフティチェッカーはデフォルトでオン。オフにするにはアカウントの認可が必要です。

3. テキスト-to-画像 プロンプトルール

これらは、公式のQwen書き換えシステムプロンプト（prompt_utils.py、prompt_utils_2512.py、QwenLM/Qwen-Image内）および2.0リリース例に従います。この方法でプロンプトを作成すると、書き換え機能の仕事を事前に行うことになり、拡張をオフに保つことができます。

1. キーワードリストやタグスープではなく、1つのブロックで自然な説明的散文。構造化コンテンツ（インフォグラフィック、テーブル、漫画）では改行と「Row 1: ...」セクションを使用できますが、各項目は依然として説明的なフレーズです。
2. 全体的なスタイルを明示的に指定する：リアルな写真、カジュアルなスマートフォンスナップ、映画ポスター、フラットなインフォグラフィック、宋代の工笔画、3Dレンダリング、アニメイラスト。
3. 順序：被写体、外観、頭から靴までの衣服、ポーズ、視線と手、その他のオブジェクト、環境、光（方向、強度、色温度）、カメラと構図、テクスチャと雰囲気。シンプルなシーンでは詳細を控え、実際の選択を確定させる場所で詳細を追加します。
4. 人物：民族、性別、および具体的な年齢（「約30歳」、「若い」ではない）；顔の形、目、肌の色調と質感、メイク；髪の色、長さ、カット；すべての衣服とアクセサリー；体の姿勢、視線の方向、それぞれの手が何をしているか。ポートレートの場合、約200語。リアリズムのために、公式例では「カジュアルなiPhoneスナップ、典型的な室内照明、演出照明なし」を使用しています。
5. 表示されるすべての文字列を二重引用符で囲み、その位置、向き（水平、垂直、右から左の列）、フォント（サンセリフ、セリフ、手書き、特定の書道スタイル）、色、サイズ、媒体（ネオン管、チョーク、エンボス加工の金箔、刺繍）とともに正確に記述します。暗黙のテキストは具体的なテキストにします。「名前のリスト」ではなく、実際の名前を記述します。テキストを含む画像は「No other text appears in the image.」で閉じます。テキストのない画像には「The image contains no recognizable text.」を使用します。
6. 固有名詞、ブランド、スローガン、URL、数字はそのまま記述します。
7. レイアウト：最初にグリッドまたは列を説明し、次に各ブロックを読み順に正確なテキストとともに説明します。テーブルとカレンダーはセルごとに。漫画は「白い仕切りがある4x6グリッド」、次に「Row 1、panel 1: ... 吹き出し: "..."」。繰り返し登場するキャラクターの短い同一性説明は、すべてのパネルで一字一句繰り返します（公式漫画はこれを行っています）これにより一貫性が保たれます。スライド内の画像は、そのノードの横に括弧内に配置します。
8. 言語：説明は英語または中国語で記述します。引用符で囲まれた文字列は、表示される言語のままにします。他のスクリプトは公式にはサポートされていません。キリル文字のテスト（2026-11-08）：短い一般的な単語は多くの場合正しいですが、長い単語や珍しい単語は文字化けします（3つのロシア語文字列のうち2つで文字が間違っていましたが、英語は正確でした）。ロシア語テキストの場合：文字列を短く保ち、リトライを想定し、各単語を確認し、間違った単語はエディタまたは編集パスで修正する計画を立てます。
9. 品質タグの接尾辞（「8K、masterpiece、ultra HD」）は使用しないでください。2.0の例ではこれらを使用しておらず、ネガティブプロンプトが対抗する光沢のあるAIルックを促進します。

ポスター、スライド、インフォグラフィック、ポートレート、商品、漫画、カレンダー用のテンプレートは、references/prompt-patterns.mdにあります。

4. 編集指示ルール

公式の編集プロンプト拡張機能と2.0の編集例より：

• 直接的で具体的な指示1つ：動詞、対象、属性、位置。「右下隅に明るい灰色の猫を追加し、座ってカメラの方を向いている」。「動物を追加」ではない。
• 置換：「YをXに置換」、次にXの主要な視覚的特徴。
• テキスト：Replace "old text" with "new text"、引用符を保持、同じ言語と大文字小文字。位置、色、フォントは変更時のみ指定。
• 人物：維持すべきもの（民族、性別、年齢、顔、髪型、表情、服装）を指定。表情とメイクの変更は微妙に、決して誇張しない。
• スタイル転送：ターゲットスタイルを可視特徴（パレット、線、テクスチャ、光）で説明し、コンテンツ変更の後にスタイル文を配置。
• ある参照から別の参照への一部の移動、ヘッドスワップ：image-edit-fidelity §3（§4aを参照）。
• 複数画像：どの画像が何を提供するか（「画像1の女の子が画像2の黒いドレスを着て、画像3のポーズで座っている」）、どの画像が背景を与えるか、各人物の服装とポーズを説明。出力のアスペクト比は最後の画像に従います。ベース画像を最後にするか、image_sizeを設定します。
• 具体的なものを指定する保存句：「実際の建物、通り、車両、人物を変更しないでください。写真をリアルに保ってください」、「製品の形状、ロゴ、レイアウトは変更しないでください」。添付された参照がある場合は、常にimage-edit-fidelity §2に従います（§4aを参照）。
• モデルはフレーム全体を再レンダリングします。変更されていない領域を入力と並べて比較します。小さなローカル編集で残りが損なわれた場合は、編集された領域のみを元の画像にフェザーマスクで貼り付けます（ref_diff.py --paste-back、§4aを参照）。
• 色付けテンプレート：「写真を復元して色付けします。」インペイント/アウトペイントテンプレート（Qwen-Image-Edit拡張機能より：「この画像に対してインペイントを実行します。元のキャプションは：...」、「アウトペイントを使用して画像の境界を超えて拡張します。元のキャプションは：...」）は、2.0ではまだ検証されていません。

4a. 解剖学的構造、参照忠実度、パーツ転送：image-edit-fidelity

モデルに依存しないルールは、image-edit-fidelityスキル（~/.claude/skills/image-edit-fidelity/SKILL.md）にあり、人物または参照画像を含むすべてのQwen呼び出しに適用されます。すべての人物の完全な解剖学的構造（その§1）、reference_inventory.mdを使用した変更のみの要求、CHANGE/KEEP分割（§2）、正確に1つのパーツとヘッドスワップの転送（§3）、ref_diff.pyとペーストバック修復によるチェック（§4）。このスキルと一緒に読み込んでください。

これらのルールがQwen-Image-2.0にどのようにマッピングされるか：

• 解剖学的構造と忠実度の除外事項はnegative_prompt（最大500文字）に入ります。ペイロードスクリプトは、テキスト-to-画像のデフォルトに解剖学的構造リストを追加し、編集デフォルトとして忠実度+解剖学的構造を使用します。
• 参照を使用するすべての編集でenable_prompt_expansion: false。
• 出力はimage_urlsの最後の画像に従います。パーツ転送のターゲットとなるベース参照を最後に配置します。ペイロードスクリプトは、デフォルトでそこから編集サイズを設定します。
• 編集プロンプト（KEEP句を含む）は800文字に収まります（スクリプトが警告します）。
• パーツ転送とヘッドスワップのためのソースクロップ：少なくとも一辺384ピクセル。
• qwen_payload.py checkは、編集に名前付き保存句がない場合、「人物やオブジェクトを追加または削除しないでください」がない場合、「のみ」/「他には何もない」がない複数画像プロンプト、または解剖学的構造と手の配置がない人物がいる場合に警告します。
• チェック：python3 ~/.claude/skills/image-edit-fidelity/scripts/ref_diff.py <reference> <output> --allow <box>。

5. ワークフロー

1. 画像を変更するもののみを尋ねます：目的とアスペクト比、正確なテキスト文字列とその言語、写真かイラストか、参照画像。それ以外は上記のデフォルトを採用します。
2. 利用可能性とスキーマの確認（§0）、階層の選択（§1）。人物または参照画像が含まれる場合：image-edit-fidelityを読み込み、最初にCHANGE/KEEP分割を含むreference_inventory.mdを作成します。
3. プロジェクトフォルダにプロンプトを作成し（prompt.txt）、ペイロードをビルドします：python3 ~/.claude/skills/qwen-image-2/scripts/qwen_payload.py build --endpoint <id> --prompt-file prompt.txt --ratio 16:9 --expansion off -o payload.json（編集の場合：--image a.png --image b.pngを追加）。出力されるすべての警告を修正します。
4. モデル、画像枚数、サイズ、価格を引用し、承認を待ちます（fal-runnerルール）。
5. fal_run.py submit <endpoint> payload.json --label "<what>" --wait。
6. 表示する前に、すべての出力をフルサイズで確認します（§6）。
7. ユーザーがメディアをレビューする方法で結果を表示します。組み込みブラウザペインにラベル付き<img>タイルを持つHTMLページ（グローバル指示）、naturalWidth > 0を確認、SendUserFileではありません。完成したファイルは~/.cache/fal-jobs/から説明的な名前でコピーします。
8. ラウンドごとに1つのことを変更して反復します。新しい発見は日付付きでreferences/observations.mdに記録します（失敗はリストに残します）。

6. 欠陥チェック

• 引用符で囲まれたすべての文字列をフルサイズで一字一句チェックします（PILで小さなテキストをクロップしてズーム）。スペル、数字、日付、句読点、改行。作り出された余分なテキストや重複がないこと。
• レイアウト：行と列の数、セルの順序、配置、フレームの端で切り取られていないこと。
• すべての人物の解剖学的構造（背景の人物も含む、image-edit-fidelity §1）：頭1つ、目2つ、腕2本、手2本（指5本）、脚2本。すべての手足は肩または腰で自身の体に取り付けられていること。結合体がないこと。違反がある場合、その画像は不合格です。
• 人物とオブジェクト：数、視線のターゲット、誰がどこに立っているか。
• 編集：ref_diff.pyを参照画像と照らして実行し、次にreference_inventory.mdの各行（人物の数と同一性、オブジェクトと位置、背景、光、テキスト）を確認します。

[翻訳のため一部省略]