Qwen-Image-Edit-2509とは？使い方・必要VRAM・ComfyUI・2511/2.1との違い【2026年10月】

Qwen-Image-Edit-2509は、AlibabaのQwenチームが2025年9月22日に公開した画像編集モデルです。8月版のQwen-Image-Editを月次で更新したもので、名前の「2509」は2025年9月を指します。1〜3枚の画像を入力に取り、人物・商品・文字を保ったまま編集でき、ライセンスはApache-2.0です。

2026年10月時点では、後継のQwen-Image-Edit-2511（2025年12月23日）と、生成と編集を1つにまとめたQwen-Image-2.1（2026年9月20日）、その8ステップ版のQwen-Image-2.1-Turbo（2026年10月9日）が公開されています。この記事では、2509の使い方・プロンプト・ファイル容量をdiffusersとComfyUIのソースや公式スクリプトで確かめ、後継へ乗り換えるべきかをライセンスの違いから整理します。

まとめ：Qwen-Image-Edit-2509の要点

• 何ができるか：1〜3枚の入力画像を組み合わせた編集（人物＋人物、人物＋商品、人物＋背景）。顔・商品・文字の一貫性が8月版より高く、ポーズ画像や線画をそのまま条件画像として入力できます。
• 動かし方：diffusersのQwenImageEditPlusPipeline（v0.36.0以降）か、ComfyUI v0.3.60以降の公式テンプレート「image_qwen_image_edit_2509」を使います。
• プロンプト：英語で書き、画像は「Picture 1」「Picture 2」と番号で指定します。書き換える文字は二重引用符で囲みます。公式は、プロンプトを書き換えずに使うと編集が不安定になりうると注記しています。
• 本体のファイル容量：bf16は40.86GB、fp8は20.43GB、GGUFのQ4_K_Mは13.07GB、Nunchakuの4bit版は11.52GBからです。いずれも必要VRAMの実測値ではありません。これとは別にテキストエンコーダ（bf16 16.58GB／fp8 9.38GB）も読み込みます。
• 顔が変わるとき：入力画像は内部で約100万画素（参照潜在）と約15万画素（視覚言語側）に縮小されます。高解像度の写真ほど細部が落ちます。
• いま選ぶなら：新規導入は同じパイプラインで動く2511が第一候補です。Qwen-Image-2.1と2.1-Turboは非商用のQwen Research Licenseなので、商用ならApache-2.0の2509/2511を使います。

Qwen-Image系列における2509の位置づけ

Qwen-Imageは、2025年8月4日に公開された20BパラメータのMMDiT（マルチモーダル拡散Transformer）を土台にした画像モデル群です。プロンプトと入力画像の理解には視覚言語モデルQwen2.5-VL（7B）をテキストエンコーダとして使います。編集系はこの土台を画像編集向けに学習したもので、2509はその2世代目にあたります。

公開日はGitHubの公式Newsに基づきます。2.1系はQwenLM/Qwen-Image-2.1、それ以外はQwenLM/Qwen-Imageを参照しています。2026年2月10日に発表されたQwen-Image-2.0は、Qwen ChatとAPIでの提供で、重みの公開は告知されていません。API専用のqwen-image-3.0系も同様です（後述）。

公式READMEは8月版について「Qwen-Image-Edit-2509のほうが一貫性が高いので、1枚入力でも2509を直接使うことを勧める」と注記しています。8月版を残す理由は、既存のLoRAやワークフローとの互換性くらいしかありません。

2509で加わった機能：複数画像・一貫性・条件画像

1〜3枚の画像を組み合わせる複数画像編集

2509の主な更新は複数画像の入力です。モデルカードによると、8月版と同じ構成のまま画像を連結して学習し直しており、最も性能が出るのは1〜3枚としています。ComfyUIのTextEncodeQwenImageEditPlusノードも入力端子がimage1〜image3の3つで、4枚目は受け付けません。

人物・商品・文字の一貫性

1枚だけの編集でも一貫性が改善されています。モデルカードが挙げる対象は次の3つです。

• 人物：顔の特徴を保ったまま、画風の変更やポーズの変更ができる。古い写真の修復例もある
• 商品：無地背景の商品写真からポスターを作っても、商品の形やロゴが崩れにくい
• 文字：文言の書き換えに加え、フォントの種類・色・材質の変更にも対応する

文字の扱いはQwen-Image本体がもともと得意とする領域で、特に中国語の描画が強いと公式は説明しています。日本語の看板やポスターは、差し替えた後に誤字がないか目視で確認してください。

ControlNet系の条件画像にネイティブ対応

2509では、深度マップ・エッジマップ・キーポイント（骨格）・線画を、追加のControlNetモデルなしで条件画像として入力できます。人物写真をPicture 1に、骨格画像をPicture 2に入れ、「Picture 1の人物をPicture 2のポーズにする」と指示します。Stable Diffusion系のように専用のControlNet重みを読み込む必要はなく、深度マップや骨格画像はComfyUIのプリプロセッサノードなどで事前に作っておきます。

プロンプトの書き方：画像の番号指定と公式の書き換えルール

2509は自然文の指示で編集するモデルで、Stable Diffusionのような単語の羅列や重み付けの記法を前提にしていません。言語は英語で書くのが無難です。Alibaba CloudのAPIリファレンスはFAQで、Qwenの画像編集モデルが対応する言語を簡体字中国語と英語とし、それ以外は「性能を保証しない」としています。

複数画像の指定：Picture番号と編集対象

diffusersもComfyUIも、内部で各画像の前にPicture 1:、Picture 2:という見出しを自動で付けてからテキストエンコーダへ渡しています。そのためプロンプトでも、The woman in Picture 1 is holding the bag from Picture 2のように番号で指すと、どの画像の何を使うかが伝わります。「the girl」「the bag」だけで書くと、どちらの画像の要素かが曖昧になります。

公式スクリプトの編集用書き換えルール

公式READMEは編集モデルについて、プロンプトの書き換えを使わないと編集結果が不安定になることを確認しており、書き換えを強く推奨すると注記しています。そのためのprompt_utils.pyのpolish_edit_promptは、入力画像と指示をAlibaba CloudのAPI（qwen-vl-max-latest）に送り、具体化した編集指示を受け取る関数です。DashScopeのAPIキーが要り、画像が外部に送られるので、社外秘の素材では使えないこともあります。

その場合でも、関数に埋め込まれたシステムプロンプトの規則は自分で書くときの手本になります。主な規則は次のとおりです。

部分の描き直しの定型文はPerform inpainting on this image. The original caption is:、外側への拡張はExtend the image beyond its boundaries using outpainting. The original caption is:で、どちらも続けて元画像の説明を書きます。人物の例として、公式は「帽子を変えて」をReplace the man's hat with a dark brown beret; keep smile, short hair, and gray jacket unchangedと書き換えています。表情やメイクの変更は「自然で控えめに、誇張しない」ことも規則に入っています。日本語の看板を書き換える場合は、差し替え後の文字列を二重引用符で囲み、日本語のまま渡します。

diffusersでQwen-Image-Edit-2509を動かす手順

パイプラインはQwenImageEditPlusPipelineです。モデルカードはGitHubの最新版diffusersを入れる手順になっていますが、このクラスは2025年12月8日のv0.36.0で安定版に入りました（v0.35.2には含まれていません）。2026年10月時点のPyPI最新はv0.41.0（10月6日）なので、通常のpipインストールで動きます。

pip install "diffusers>=0.36.0" "transformers>=4.51.3" accelerate pillow

2枚の画像を組み合わせるコード例を示します。CUDA対応のPyTorchとbf16を扱えるGPUを用意し、実行ディレクトリにperson.pngとbag.pngを配置してください。引数名はdiffusers v0.41.0の__call__定義と照合済みですが、GPU上での推論は編集部では実行していません。

import torch
from PIL import Image
from diffusers import QwenImageEditPlusPipeline

pipe = QwenImageEditPlusPipeline.from_pretrained(
    "Qwen/Qwen-Image-Edit-2509", torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()  # text_encoder→transformer→vaeの順に1つずつGPUへ載せる

person = Image.open("person.png").convert("RGB")
bag = Image.open("bag.png").convert("RGB")

image = pipe(
    image=[person, bag],
    prompt="The woman in Picture 1 is holding the bag from Picture 2, studio lighting",
    negative_prompt=" ",      # 空白1文字でも渡さないとCFGが無効になる
    true_cfg_scale=4.0,
    num_inference_steps=40,
    guidance_scale=1.0,
    generator=torch.manual_seed(0),
).images[0]
image.save("edit.png")

パイプラインのソース（v0.41.0）を読むと、つまずきやすい挙動が3つあります。

• negative_promptが無いとCFGが効かない：true_cfg_scaleが1より大きくても、negative_promptを渡さなければ警告を出してCFGを無効にします。有効にすると1ステップあたりの推論が2回になります。
• 出力サイズはリストの最後の画像で決まる：heightとwidthを省略すると、最後の画像の縦横比のまま約1024×1024の面積に合わせ、32の倍数に丸めます。背景画像の比率で出したいなら、背景を最後に置くか、サイズを明示します。
• guidance_scaleは使われない：ソースのドキュメント文字列によると、ガイダンス蒸留モデル向けに予約された引数です。2509のtransformer設定はguidance_embeds: falseなので、この値は使われません。強さの調整はtrue_cfg_scaleで行います。

重みを一括でGPUに載せるpipe.to("cuda")は、本体とテキストエンコーダの合計（約57.7GB）が入るGPUでないと動きません。enable_model_cpu_offload()を使えば同時に載るのは1コンポーネントだけになりますが、それでも最大の本体（bf16で40.86GB）が入るVRAMは必要です。

ComfyUIでの使い方と公式テンプレートの設定

2509用のノードTextEncodeQwenImageEditPlusは、ComfyUI v0.3.60（2025年9月23日）で追加されました。v0.3.59のcomfy_extras/nodes_qwen.pyにはこのノードが無いため、テンプレートを開いて赤枠のノードが出たら、まず本体を更新します。2026年10月19日時点のComfyUIの最新リリースはv0.42.1です。

公式テンプレートはimage_qwen_image_edit_2509です（Comfy-Org/workflow_templates）。読み込むファイルは次の4つで、本体はComfy-Org/Qwen-Image-Edit_ComfyUI、テキストエンコーダとVAEはComfy-Org/Qwen-Image_ComfyUI、LoRAはlightx2v/Qwen-Image-Lightningから取得します。

テンプレートのサンプラー設定は、Lightning LoRAを使うときが4ステップ・CFG 1、外すときが20ステップ・CFG 4です（いずれもeuler／simple、ModelSamplingAuraFlowのshiftは3）。LoRAを外したのにCFG 1のまま回すと、ぼやけた結果になります。

TextEncodeQwenImageEditPlusのvae入力はオプション扱いですが、つないでおく必要があります。ノードのソースでは、VAEがつながっているときだけ入力画像を参照潜在（reference_latents）として渡します。つながっていなければ視覚言語側の縮小画像しか使われず、元画像の再現度が下がります。

Lightning LoRAには4ステップ版と8ステップ版があります。速度を優先するなら4、細部の崩れが気になるなら8を選びます。LoRAの仕組みはLoRA（Low-Rank Adaptation）とは？仕組み・ランクrとalphaの決め方とLoRA-Proの違いで説明しています。

必要VRAMと量子化版の選び方

必要VRAMは、GPUに載せる重みの量に加え、入力枚数・解像度・演算精度・推論時の作業領域・オフロード方式によって変わります。Hugging Faceで確認した配布ファイルの容量は次のとおりです（2026年10月23日時点、GBは10億バイト）。GPUの容量表示と比較する際は、GiB（約10.74億バイト）との単位差にも注意してください。推論中のVRAM使用量を測定した値ではありません。

本体とは別に、テキストエンコーダ（Qwen2.5-VL 7B）がbf16で16.58GB、fp8で9.38GB、VAEが0.25GBあります。ComfyUIは使い終えたモデルをメインメモリへ退避するので、本体とテキストエンコーダがVRAMに同時に載り続けるわけではありません。ただしその分、メインメモリには両方を置ける容量が要ります。

Nunchakuは、SVDQuantという手法で重みを4bitにした版です（nunchaku-ai/nunchaku-qwen-image-edit-2509、Apache-2.0）。モデルカードは、RTX 50系より前のGPUにはINT4、RTX 50系（Blackwell）にはNVFP4（r32で11.95GB）を使うよう分けています。r32は速度、r128は画質寄りです。Lightning LoRAを焼き込んだ4ステップ・8ステップ版も同じリポジトリにあります。読み込みには専用のNunchakuライブラリ（ComfyUIではComfyUI-nunchakuのノード）が必要で、GGUFのローダーでは開けません。

ファイル容量から見たGPU別の候補は次のとおりです。いずれも作業領域の分だけ余裕が必要で、動作を保証する値ではありません。

• 80GB級（H100・A100 80GB）：重みの合計（約57.7GB）が収まるので、bf16のまま一括ロードする構成の候補になります。
• 48GB級（RTX 6000 Ada等）：本体bf16（40.86GB）が収まるので、モデル単位のCPUオフロードと組み合わせる候補です。
• 24GB級（RTX 4090等）：fp8（20.43GB）が出発点です。解像度や入力枚数を増やして不足したら、GGUFのQ5〜Q4かNunchakuの4bit版に下げます。
• 12〜16GB級：Nunchakuの4bit版かGGUFのQ4_K_M以下（ComfyUI-GGUFのUnetLoaderGGUFで読む）を選び、足りない分はCPUへのオフロードで補います。

手元にGPUが無いなら、Runpodとは？料金・使い方・支払い方法とGPUクラウドの選び方【2026年10月】のような時間課金のクラウドGPUで48GB級を借りるほうが早いこともあります。量子化形式の違いはGGUFとは？量子化モデルフォーマットの仕組みとGPTQ・AWQとの違い・採用判断を解説【2026年版】とFP8とは？FP16・BF16・FP4との違いとE4M3/E5M2の仕組み、対応GPU【2026年版】にまとめています。

顔が変わる・細部が崩れるときの原因と対処

「編集すると顔が別人になる」という現象は、入力画像の前処理を確認すると原因を切り分けやすくなります。diffusersとComfyUIはどちらも、入力画像を次の2系統に縮小してからモデルへ渡しています。

• 視覚言語モデル（Qwen2.5-VL）側：面積384×384（約15万画素）
• 参照潜在（VAE）側：面積1024×1024（約105万画素）

4000×3000の写真を入れても、参照される解像度は約100万画素です。顔が小さく写った集合写真では、1人あたりの顔が数十ピクセル四方しか残らず、同一性を保つための手がかりが少なくなります。対処は次の順で試します。

1. 顔が大きく写るように切り抜いてから入力する
2. ComfyUIではTextEncodeQwenImageEditPlusにVAEをつなぐ（参照潜在を渡す）
3. プロンプトにkeep the face and hairstyle of Picture 1 unchangedのように、保つ対象を明記する
4. Lightning LoRAの4ステップで崩れる場合は、8ステップ版かLoRAなし（20〜40ステップ）に戻す

それでも直らない場合は2511を試します。2511のモデルカードは改善点の最初に「mitigate image drift（画像のずれの抑制）」と「improved character consistency」を挙げ、特に2人を1枚に合成したときの一貫性を強化したと説明しています。

2509・2511・Qwen-Image-2.1の選び分け

後継が2系統あるので、どれを使うかはライセンスと入力枚数で決めます。

2511への移行：モデルIDの変更とLoRAの互換性

2511は2509と同じQwenImageEditPlusPipelineで動き、公式のサンプルコードもモデルIDと保存ファイル名以外は同じです。ComfyUIでも同じテキストエンコーダとVAEを使い、fp8版とLightning LoRAが公開されています。改善点は、画像のずれの抑制、複数人物の一貫性、照明変更や視点変更といった人気LoRAの効果の本体への取り込み、工業製品デザイン、幾何学的な推論（補助線の生成など）です。

新しく導入するなら2511から始めるのが妥当です。2509を使い続ける理由があるのは、2509向けに学習したLoRA（Comfy-Orgが配布するRelightやMultiple-anglesなど）を既に運用に組み込んでいる場合です。LoRAはベースモデルとの組み合わせで学習されているため、2511に載せ替えると効き方が変わる可能性があります。

Qwen-Image-2.1・2.1-Turboの非商用条件

2.1は生成部を7Bに縮め、最大10枚の参照画像・丸印や塗りによる部分指定・透過画像の生成と編集に対応しました。10月9日公開の2.1-Turboは、同じ構成で8ステップ・CFG 1の推論にした版で、本体のファイル容量は14.23GBです。2.1本体のQwenImage21Pipelineはdiffusers v0.41.0に含まれていますが、Turboのモデルカードはサンプリング設定の読み込みに対応したソース版のdiffusersを入れるよう指示しています。

20Bの2509より軽いので乗り換えたくなりますが、2.1も2.1-TurboもライセンスはQwen Research License Agreement（2026年9月20日付）です。条文は「FOR NON-COMMERCIAL PURPOSES ONLY」で、「Non-Commercial」を研究・評価目的に限ると定義しています。商用利用には別途ライセンスの取得が必要で、問い合わせ先に [email protected] が指定されています。また同ライセンスは、重みと出力の安全性・安定性について一切責任を負わないと明記しています。

ライセンスを確認せずに入れ替えると、社内の制作フローがそのまま非商用条件に抵触します。業務の制作に使うならApache-2.0の2511、評価や研究なら2.1です。2.1を業務で使いたい場合は、後述するAPI版（qwen-image-2.1-pro／turbo）を使う方法もあります。

商用利用とライセンスの注意点

2509の重みはApache-2.0で公開されており、商用利用・改変・再配布ができます。再配布時はApache-2.0のライセンス文を同梱し、変更したファイルには変更を明示します。派生物をソース形式で配布する場合は、元の著作権・特許・商標・帰属表示のうち、その派生物に関係する表示も保持します。元の配布物にNOTICEがある場合は、その帰属表示も引き継ぎます。Hugging Faceの2509リポジトリにはLICENSEファイルが無く、README末尾の「Qwen-Image is licensed under Apache 2.0.」とメタデータのタグが根拠です。社内の審査で証跡が必要なら、このREADMEの該当箇所を保存しておいてください。

ライセンスが許すのは重みの利用であって、入力する素材の権利までは扱いません。実在の人物写真を合成に使う場合の肖像権やパブリシティ権、他社ロゴを使ったポスター生成の商標の問題は、モデルのライセンスとは別に確認が必要です。重み自体の安全対策についてモデルカードに記載は無いので、業務では入力と出力のチェックを自社のフローに組み込みます。画像生成AIを業務フローに組み込む設計から相談したい場合は、生成AI導入支援でも受け付けています。

ブラウザとAPIで試す方法

GPUを用意せずに試すなら、公式の窓口は2つあります。

• Qwen Chat（chat.qwen.ai）：画像編集機能を選ぶと、その時点の最新の編集モデルが使われます。2509を指定して試せるわけではありません。
• Hugging Face Spaces：2509を読み込むデモは Qwen/Qwen-Image-Edit-2509 です（2026年10月23日時点で稼働中）。2509のモデルカードにある「Demo」リンクは Qwen/Qwen-Image-Edit を指しており、こちらが読み込むのは8月版です。混雑時は順番待ちになります。

アプリに組み込むなら、Alibaba CloudのModel Studio（DashScope）のAPIを使います。注意点は、APIのモデル名がオープン版の名前と対応しておらず、「2509」という名前のモデルが無いことです。2026年10月22日更新の料金ページで、生成と編集を兼ねるQwen系の画像モデルは次のとおりです（シンガポールリージョンの定価・1k解像度）。

3.0系はHugging FaceのQwen組織に重みが無く、入力画像にも1枚0.003ドルがかかります。提供開始日はModel Studioの新モデル一覧によるものです。2509の挙動を固定したい場合は、APIではなくローカルで重みを動かします。画像編集APIのリファレンスは、生成画像のURLとタスク情報が24時間で消えることも明記しているので、結果はすぐに保存します。シンガポールと北京ではAPIキーもエンドポイントも別で、混ぜて使うと認証エラーになります。

GoogleのNano Banana（Gemini 2.5 Flash Image）とは？2026年10月のAPI提供終了と移行先のような重み非公開の編集モデルや、FLUX.2の全5モデル比較｜Flex・Max・Pro・Dev・Kleinの料金と違い、FLUX 3 Imageとの選び方【2026年10月】、GPT Image 2（ChatGPT Images 2.0）とは？使い方・料金・日本語精度と旧版の違い【2026年最新】も比較の参考になります。

よくある質問

Qwen-Image-Edit-2509と2511の違いは何ですか？

2511は2509の改良版で、画像のずれの抑制、複数人物の一貫性、人気LoRAの効果の取り込み、工業デザイン、幾何学的な推論が強化されています。パイプラインは同じQwenImageEditPlusPipelineで、ライセンスも同じApache-2.0です。

Qwen-Image-Edit-2509の動作に必要なVRAMはどのくらいですか？

本体のファイル容量はbf16で40.86GB、fp8で20.43GB、GGUFのQ4_K_Mで13.07GB、Nunchakuの4bit版（INT4 r32）で11.52GBです。24GB級ではfp8、12〜16GB級では4bit版が候補ですが、ファイル容量だけでは動作可否を判断できません。作業領域を確保し、不足する場合は重みの一部をCPUへオフロードします。

Qwen-Image-Edit-2509で編集すると顔が変わるのはなぜですか？

入力画像が内部で約100万画素（参照潜在）と約15万画素（視覚言語側）に縮小されるため、小さく写った顔ほど手がかりが減ります。顔を大きく切り抜いて入力し、ComfyUIではVAEをテキストエンコードノードにつなぎます。改善しなければ、画像のずれの抑制を強化した2511を試します。

ControlNetは別にダウンロードする必要がありますか？

不要です。2509は深度マップ・エッジマップ・キーポイント・線画を、2枚目以降の入力画像として直接受け付けます。条件画像そのものは、プリプロセッサで事前に作成します。

Qwen-Image-2.1は商用利用できますか？

公開されている重みはQwen Research Licenseのため商用利用できず、利用目的は研究・評価に限られます。2.1-Turboの重みも同じです。商用で使うには、Qwen側から別途ライセンスを取得するか、Model StudioのAPI（qwen-image-2.1-pro／turbo）を使います。重みを自社で動かすなら、Apache-2.0の2509か2511を選びます。

関連記事

• Qwen3-VLとは｜2B〜235Bのモデル一覧・必要メモリ・Ollama/transformersでの動かし方
• FLUX.2の全5モデル比較｜Flex・Max・Pro・Dev・Kleinの料金と違い、FLUX 3 Imageとの選び方【2026年10月】
• GGUFとは？量子化モデルフォーマットの仕組みとGPTQ・AWQとの違い・採用判断を解説【2026年版】
• LoRA（Low-Rank Adaptation）とは？仕組み・ランクrとalphaの決め方とLoRA-Proの違い
• Wan2.2の使い方｜必要VRAM・ComfyUI導入とループ動画・長尺の作り方