今天展示的案例是一个基于Qwen-Image模型的 ComfyUI 工作流，整个流程通过加载扩散模型、VAE、LoRA 以及 CLIP 编码器，结合提示词和参考图像实现从图像输入到艺术风格化再输出的完整链路。效果上能够展现高度写实与艺术化并存的图像创作，尤其在复杂构图、光影细节和笔触模拟上表现突出，适合需要在创意设计和视觉生成中探索 Qwen-Image 模型潜能的场景。文章目录工作流介绍核心模型Node节点工作流程大模型应用CLIPTextEncode 文本语义嵌入生成CLIPTextEncode (Negative Prompt) 负向语义控制使用方法应用场景开发与应用工作流介绍该工作流的设计围绕 Qwen-Image 模型展开，核心通过加载基础扩散模型和 LoRA 增强模块，在 CLIP 提示词的正负向条件约束下，结合参考图像的潜空间编码来控制生成效果。通过 Canny 边缘检测和图像缩放节点，确保输入图像能够以合理的分辨率与结构特征参与生成，最终由 KSampler 完成扩散采样并解码为最终图像。整体结构在模型调用、图像处理和提示词控制三个方面紧密协作，使得生成结果既符合提示词的语义描述，又保持参考图像的构图特征。核心模型该工作流涉及扩散模型、LoRA 模块、CLIP 文本编码器和 VAE 模块。扩散模型负责潜在空间的噪声还原与图像生成，LoRA 模块为生成提供风格化与快速收敛能力，CLIP 作为文本编码器在提示词语义与视觉生成之间建立连接，VAE 则用于图像与潜空间的双向映射。各模型协同运作，使得生成过程具备高效性与可控性，既能保证细节的表现力，也能在风格上展现更多可能性。模型名称说明qwen_image_fp8_e4m3fn.safetensors基础扩散模型，负责潜空间的图像生成过程qwen_ima