daniil-kzn/qwen-image-2

Qwen-Image-2.0

Qwen-Image-2.0（2026 年 2 月 10 日發布）是單一模型，同時支援文生圖和圖片編輯：一個 8B Qwen3-VL 編碼器加上一個 7B 擴散解碼器，原生 2K 輸出，指令長度可達約 1k token。其優勢在於中英文密集、拼寫正確的文字（簡報、海報、資訊圖表、漫畫、日曆、書法）、低「AI 感」的真實感照片，以及多圖編輯功能。官方支援的提示詞語言為中文和英文。

執行過程透過 fal-runner（日誌、計費、審核、下載）。影片起始幀的提示詞撰寫歸屬於 storyboard-keyframes / kling-video-prompt；此技能涵蓋 Qwen 專屬的參數和提示詞規則。任何模型適用的解剖學、參考影像忠實度與部位轉移，則包含在 image-edit-fidelity（§4a）中。帶有日期的測試結果記錄在 references/observations.md；API 細節、尺寸與限制記錄在 references/api.md；現成的提示詞模板記錄在 references/prompt-patterns.md。

0. 可用性檢查（在新任務中首先執行）

fal 已於 2026 年 8 月 18 日將所有四個 fal-ai/qwen-image-2/* 端點標記為 deprecated；後繼者 alibaba/qwen-image-3/* 為活躍狀態。標準的文生圖端點在 2026 年 11 月 8 日仍成功處理了一次請求，但已棄用的端點可能隨時停止服務。在任務進行第一次付費呼叫之前：

1. 執行 python3 ~/.claude/skills/fal-runner/fal_run.py models qwen-image-2 和 schema <端點>。
2. 檢查 references/observations.md 中最後一次成功運行的日期。
3. 如果呼叫失敗，出現 404/410/「deprecated」/「not found」錯誤，請向用戶報告，並提供 references/api.md 中的替代方案（阿里雲 Model Studio 需要 DASHSCOPE_API_KEY，截至 2026 年 11 月 8 日在此機器上未配置；WaveSpeed；或使用 fal 上的 Qwen-Image-3 作為需要單獨測試的不同模型）。切勿在未通知用戶的情況下擅自切換模型：用戶要求的是 Qwen 2。

1. 層級與端點

任務	fal 端點	2026-11-08 所見價格
草稿、探索、佈局嘗試	fal-ai/qwen-image-2/text-to-image	0.035 USD/圖片
最終圖片、密集文字、真實感	fal-ai/qwen-image-2/pro/text-to-image	0.075 USD/圖片
編輯草稿	fal-ai/qwen-image-2/edit	0.035 USD/圖片
最終編輯、多圖融合	fal-ai/qwen-image-2/pro/edit	0.075 USD/圖片

Model Studio 名稱：qwen-image-2.0（加速版）和 qwen-image-2.0-pro，兩者均在單一端點上支援生成和編輯（references/api.md）。在標準層級上迭代構圖和文字，待提示詞確定後再轉到 Pro 層級，並比較最終採用圖片的成本（包含重試次數），而非單一輸出的價格。

2. 影響結果的參數

• 尺寸。fal 的預設值為 square_hd = 1024x1024，僅為原生 2K 的四分之一。務必傳入 image_size: {"width": W, "height": H}。總像素介於 512x512 至 2048x2048 之間，邊長為 16 的倍數。2K 預設尺寸：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 <比例> 可計算其他任意比例。對於未指定 image_size 的編輯，輸出尺寸將跟隨最後一張輸入圖片。
• 提示詞擴展（fal 上的 enable_prompt_expansion，Model Studio 上的 prompt_extend），預設為 true：一個 LLM 會重寫提示詞並添加細節、風格和鏡頭用詞（官方範例將一行「貓」擴展成了「Canon EOS R5, National Geographic」風格的提示詞）。此技能的預設行為是：自行按照 §3/§4 的規則撰寫完整的提示詞，並在圖片包含精確文字、固定佈局、需要保持一致的系列、或進行種子比較時，將此參數設為 false。僅在需要多樣化的簡短探索性提示詞時才保留 true。
• 反向提示詞，最多 500 個字元。文生圖預設值（官方 Qwen 列表）：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，再加上解剖學列表（§4a）。編輯：使用忠實度列表加上解剖學列表（payload 腳本的編輯預設值；--negative blank 會發送 " "），再加上你實際遇到的失敗情況（altered face, misspelled text）。排除項放在這裡；正向提示詞中不要用「no」來列舉物體。
• 提示詞長度。fal 編輯：800 個字元（schema）。fal 文生圖：schema 中沒有限制；Model Studio 在 1300 token 後會靜默截斷；WaveSpeed 允許 800 個字元。qwen_payload.py 會在超出限制時發出警告。當字元空間不足時，請依序保留：精確文字字串、它們的位置、主體及其空間關係、一到兩個風格提示。
• 數量與種子。num_images 1-4（fal 文生圖），1-6（fal 編輯，Model Studio）。seed 0..2147483647；相同的種子會產生相似但不完全相同的輸出。
• 編輯輸入。1-3 張圖片，提示詞中的順序為「image 1/2/3」，fal 上每邊 384-5000 px（阿里雲建議 384-3072），最大 10 MB，無 alpha 通道的 PNG（腳本會 flatten alpha）。本地檔案需以 "@file:/abs/path" 的形式傳遞給 fal_run.py。
• 安全檢查器預設為開啟；關閉需要帳戶授權。

3. 文生圖提示詞規則

這些規則遵循官方的 Qwen 重寫系統提示詞（QwenLM/Qwen-Image 中的 prompt_utils.py, prompt_utils_2512.py）以及 2.0 發布範例。按照這種方式撰寫提示詞，就等於提前完成了重寫器的工作，這也是為什麼可以關閉擴展功能的原因。

1. 使用自然描述性散文，寫成一個段落，不要使用關鍵詞列表或標籤堆疊。結構化內容（資訊圖表、表格、漫畫）可以使用換行和「Row 1: ...」部分，但每個項目仍然應該是一個描述性短語。
2. 明確指出整體風格：寫實攝影、隨意的手機快照、電影海報、扁平化資訊圖表、宋代工筆畫、3D 渲染、動漫插畫。
3. 順序：主體、外貌、從頭到腳的服裝、姿勢、視線與手部動作、其他物體、環境、光線（方向、強度、色溫）、鏡頭與構圖、質感與氛圍。在簡單場景中要克制細節；在能解決實際選擇的地方增加細節。
4. 人物：種族、性別與具體年齡（「大約 30 歲」，而非「年輕」）；臉型、眼睛、膚色與質感、妝容；髮色、長度、髮型；每件衣物與配件；身體姿態、視線方向、每隻手的動作。一張肖像約需 200 字。為了真實感，官方範例使用「casual iPhone snapshot, typical indoor lighting, no staged lighting」。
5. 每個可見的字串都用雙引號括起來，完全按照它必須出現的樣子，並附上其位置、方向（水平、垂直、從右到左的列）、字體（無襯線、有襯線、手寫體、指定的書法風格）、顏色、大小和載體（霓虹燈管、粉筆、燙金箔、刺繡）。暗示的文字要變成具體的文字：不是「一個名字列表」，而是那些名字。最後用「No other text appears in the image.」來結束一個包含文字的圖片；沒有文字的圖片則加上「The image contains no recognizable text.」
6. 專有名詞、品牌、標語、網址和數字請照原樣保留。
7. 佈局：先描述網格或欄位，然後按照閱讀順序描述每個區塊及其精確文字；表格和日曆需逐格描述；漫畫則描述為「a 4x6 grid with white dividers」，然後是「Row 1, panel 1: ... Speech bubble: "..."」。重複出現的角色，其簡短的識別描述要在每個分鏡面板中逐字重複（官方漫畫就是這樣做的），以保持角色一致性。幻燈片中的圖片應在其節點旁用括號標註。
8. 語言：用英文或中文撰寫描述；引號內的字串必須使用它們應該出現的語言。其他文字不是官方支援的。2026年11月8日測試的西里爾字母：常見的簡短單詞通常是對的，較長或較少見的單詞會出現亂碼（3 個俄文字串中有 2 個出現錯誤字母，而英文則是精確的）。對於俄文文字：保持字串簡短，預期需要重試，檢查每個單詞，並計劃在編輯器中或透過一次編輯處理來修正錯誤的單詞。
9. 不要使用品質標籤後綴（「8K, masterpiece, ultra HD」）：2.0 的範例中沒有使用這些，它們會導致反向提示詞所要對抗的那種 glossy AI 風格。

海報、幻燈片、資訊圖表、肖像、產品、漫畫和日曆的模板位於 references/prompt-patterns.md。

4. 編輯指令規則

源自官方編輯提示詞增強器和 2.0 編輯範例：

• 一個直接、具體的指令：動詞、目標、屬性、位置。「在右下角添加一隻淺灰色的貓，坐著並面對鏡頭」，而不是「添加一隻動物」。
• 替換：「Replace Y with X」，然後是 X 的關鍵視覺特徵。
• 文字：Replace "old text" with "new text"，保留引號，使用相同的語言和大小寫；僅在位置、顏色和字體發生變化時才指定。
• 人物：說明必須保留的部分（種族、性別、年齡、臉部、髮型、表情、服裝）。表情和妝容的變化要微妙，不能誇張。
• 風格轉換：透過可見特徵（色調、線條、質感、光線）描述目標風格，並將風格句子放在內容變化之後。
• 將一個參考圖中的某個部分移動到另一個參考圖中、人臉互換：參見 image-edit-fidelity §3（見 §4a）。
• 多圖：說明哪張圖片提供什麼（「圖1中的女孩穿著圖2中的黑色連衣裙，並擺出圖3中的姿勢」），哪張圖片提供背景，並描述每個人的衣物和姿勢。輸出的外觀比例跟隨最後一張圖片：將基礎圖片放在最後，或者設定 image_size。
• 保留條款應命名具體事物：「不要改變真實的建築物、街道、車輛或人物；保持照片的真實感」，「保持產品形狀、標誌和佈局不變」。當附有參考圖時，務必遵循 image-edit-fidelity §2（見 §4a）。
• 模型會重新渲染整個畫格。將未改變的區域與輸入圖逐個像素進行比較；當局部小編輯損壞了其他部分時，僅將編輯過的區域用羽化遮罩貼回原始圖上（ref_diff.py --paste-back，見 §4a）。
• 著色模板：「Restore and colorize the photo.」來自 Qwen-Image-Edit 增強器的內繪/外繪模板（「Perform inpainting on this image. The original caption is: ...」，「Extend the image beyond its boundaries using outpainting. The original caption is: ...」）尚未在 2.0 上驗證。

4a. 解剖學、參考影像忠實度、部位轉移：image-edit-fidelity

與模型無關的規則位於 image-edit-fidelity 技能中（~/.claude/skills/image-edit-fidelity/SKILL.md），並適用於每個涉及人物或參考圖片的 Qwen 呼叫：確保每個人的解剖結構完整無誤（其 §1），僅更改 reference_inventory.md 中要求的內容，並使用 CHANGE/KEEP 的拆分（§2），精確轉移一個部位和人臉互換（§3），以及使用 ref_diff.py 進行檢查和貼回修復。請與此技能同時載入。

這些規則如何映射到 Qwen-Image-2.0：

• 解剖學和忠實度排除項應放入 negative_prompt（最多 500 個字元）：payload 腳本會將解剖學列表添加到文生圖的預設值中，並將忠實度 + 解剖學作為編輯的預設值。
• 對於所有帶有參考圖的編輯，將 enable_prompt_expansion 設為 false。
• 輸出跟隨 image_urls 中的最後一張圖片：將基礎參考圖（部位轉移的目標）放在最後；payload 腳本預設會從此圖設定編輯尺寸。
• 編輯提示詞，包括保留條款，需能容納在 800 個字元內（腳本會發出警告）。
• 部位轉移和人臉互換的來源裁剪：每邊至少 384 px。
• qwen_payload.py check 會在以下情況發出警告：編輯沒有命名的保留條款，沒有「Do not add or remove any people or objects」，多圖提示詞中沒有「only」/「nothing else」，或有人物但沒有解剖學和手部位置描述。
• 檢查：執行 python3 ~/.claude/skills/image-edit-fidelity/scripts/ref_diff.py <參考圖> <輸出圖> --allow <框>。

5. 工作流程

1. 僅詢問影響圖片的資訊：用途和長寬比、精確的文字字串及其語言、照片或插圖、參考圖片。否則採用上述預設值。
2. 進行可用性和 schema 檢查（§0），選擇層級（§1）。涉及人物或參考圖片時：載入 image-edit-fidelity 並先寫好 reference_inventory.md，包含 CHANGE/KEEP 的拆分。
3. 將提示詞寫入專案目錄（prompt.txt）並建構 payload：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（編輯時需添加 --image a.png --image b.png）。修復它列印出的所有警告。
4. 告知模型、圖片數量、尺寸和價格，等待用戶批准（fal-runner 規則）。
5. 執行 fal_run.py submit <端點> payload.json --label "<說明>" --wait。
6. 在展示之前，先以全尺寸檢查每個輸出（§6）。
7. 以用戶審查媒體的方式展示結果：在內建瀏覽器面板中建立一個帶有標籤 <img> 圖塊的 HTML 頁面（全域指令），驗證 naturalWidth > 0，不要使用 SendUserFile。將最終檔案從 ~/.cache/fal-jobs/ 複製出來，並使用描述性名稱命名。
8. 每次迭代只更改一個部分。將新的發現連同日期記錄在 references/observations.md 中（失敗記錄也應保留）。

6. 缺陷檢查

• 每個引號內的字串，以全尺寸逐字元檢查（使用 PIL 裁剪和放大微小文字）：拼寫、數字、日期、標點符號、換行；無發明的額外文字，無重複。
• 佈局：行列數、儲存格順序、對齊方式、無被畫面邊緣裁切的部分。
• 每個人的解剖結構，包括背景人物（image-edit-fidelity §1）：一個頭、兩隻眼睛、兩隻手臂、兩隻各有五根手指的手、兩條腿，每個肢體都附著在自己身體的肩膀或臀部上，沒有融合的身體。任何違規都會使圖片不合格。
• 人物和物體：數量、視線目標、誰站在哪裡。
• 編輯：使用 ref_diff.py 與參考圖進行比較，然後逐行檢查 reference_inventory.md（人數和身份、物體和位置、背景、光線）……

（後續內容因原文截斷而省略）