澄清一个很容易混淆的点：
- 初代Qwen‑Image（20B，2025‑08）本身训练阶段就包含T2I / I2I重建 / TI2I文本引导编辑多任务损失，理论上零样本可以做图生图、编辑，但实际效果很差，人物身份漂移、原图细节大量丢失、编辑指令跟随弱。
- Qwen‑Image‑Edit（‑2509 /‑2511）是在20B基础底座上做二次专项微调的独立权重，不是从零搭建全新架构，主干MMDiT/VAE/Qwen2.5‑VL组件不变，但输入范式、训练数据、损失函数做重大修改。
- Qwen‑Image‑2.0（闭源7B）又回到「单模型一体化」，把Edit能力合并进主模型，不再分开发布独立Edit权重。
一、Edit家族版本谱系（开源）
| 版本 | 时间 | 底座 | 关键改进 |
|---|---|---|---|
| Qwen‑Image‑Edit | 2025‑08 | 初代20B底座 | 首个编辑专项权重，基础TI2I |
| Qwen‑Image‑Edit‑2509 | 2025‑09 | 同上 | 修复身份漂移，支持多图输入编辑（1‑3张参考图），pipeline重构 |
| Qwen‑Image‑Edit‑2511 | 2025‑11 | 同上 | 进一步降低图像偏移；原生支持LoRA；几何/工业编辑增强；人像一致性提升；FP8量化权重发布 |
注意：
Qwen‑Image‑2512是主生成模型的增量checkpoint，不是Edit权重，不要混用；Edit必须用Qwen‑Image‑Edit‑25xx系列。
二、Edit相比基础版：哪些没改？哪些是重大修改？
不变的组件（硬件层架构没有重写）
- MMDiT主干网络：60层、20B参数量、MS‑RoPE、双流整体结构完全不变
- VAE完全复用
- Qwen2.5‑VL‑7B条件编码器依然冻结，不做finetune
不是新网络，是同一个网络，改变的是输入格式、训练数据、损失目标、pipeline逻辑。
四大核心修改（这才是Edit版本的本质改动）
1. 双路条件输入机制（最重要改动：双编码机制 Dual‑Path Conditioning）
基础版T2I：只有文本送入Qwen2.5‑VL；潜空间只有噪声潜图。
Edit版本：输入一张参考原图，分两条并行通路喂入模型
- 语义通路：原图送入冻结Qwen2.5‑VL VL把参考图做视觉理解，输出原图的物体身份、人物面部特征、场景布局语义token；保证“我要改什么，但是记住原来是谁”。
- 外观通路：原图送入VAE Encoder 直接编码得到原图干净latent（无噪声），把这一组原图latent token序列，直接拼接进MMDiT图像流token序列，和带噪待去噪latent一起过Transformer。
通俗理解：
- 文本指令告诉模型：要改成什么样
- VL通路告诉模型：原图里面是谁、是什么物体
- VAE‑latent通路告诉模型：原图纹理、光照、细节长啥样，不要随便乱改
基础版虽然训练有I2I，但没有把原图latent作为固定token序列拼入图像流；基础版图生图只是简单给原图加噪声，没有显式把原图信息作为condition，这就是为什么基础版做编辑很容易“面目全非”。
2. 训练数据集完全切换为大规模编辑配对数据
基础主模型训练集以文‑图对（T2I）为主，少量I2I重建； Edit微调阶段：大幅提升TI2I编辑配对数据占比：
- {原图 + 编辑指令 + 编辑后结果}三元组；包含局部修改、换装、改文字、改背景、多图融合；
- 大量身份保持样本：同一个人，改衣服/场景，人脸尽量不变；
- 大量图像内文字修改样本（改海报文字）。
代价：T2I纯文生图能力会轻微退化。Edit权重不适合拿来从零画图，适合拿来做编辑。
3. 损失函数权重重新分配
基础主模型：T2I损失 >> I2I重建损失 > TI2I编辑损失，优先保证从零生成的画质。
Edit微调：拉高I2I重建损失 + TI2I编辑损失权重，降低纯T2I损失权重。
训练目标优先：
- 尽量保留原图身份、纹理、构图；
- 同时满足编辑文本指令；
- 牺牲一部分从零生成的多样性。
4. Pipeline推理逻辑专门重构
基础版pipeline：QwenImagePipeline；
Edit使用独立QwenImageEditPipeline：
- 支持多参考图latent拼接；
- 特殊的CFG归一化、zero‑cond空条件处理；
- 对原图latent做scale约束，防止完全覆盖；
权重和主干相同，但推理代码不能混用，混用效果直接崩坏。
三、核心问题：为什么初代要把编辑分开做独立模型？为什么不直接一个大模型搞定？
这是扩散多任务训练一个经典的**任务冲突（task conflict / objective conflict）**问题。
矛盾点1：T2I（从零画） vs TI2I（在原图基础改）的优化目标天然打架
- T2I（文生图）目标：多样性、创造力、自由构图 模型需要敢于重排物体、改变姿态、自由生成全新细节；鼓励大胆变化。
- TI2I图像编辑目标：约束、保真、尽量保留原图身份/纹理，只修改指定部分 模型要克制，不能乱改人脸、背景、光照；要忠于原图，只改动指令指定区域。
两个目标梯度方向冲突。
- 如果训练集中编辑数据占太高：T2I会变呆，生成缺少多样性，画面容易糊，不敢创造新构图；
- 如果T2I数据占太高：编辑时模型会“放飞自我”，把人物脸改掉，背景全部重绘，发生严重漂移。
初代20B训练时做过消融：
- 如果把TI2I损失权重调很高，T2I画质、多样性明显下降；
- 如果权重压低，编辑就会漂移。
工程权衡：发布两套权重
- 主权重Qwen‑Image‑2512：偏向T2I，从零画图强，编辑弱；
- Edit权重‑2511：偏向编辑保真，T2I能力略有下降，专门做修图、改图、多图融合。
矛盾点2：输入表征差异
- T2I：输入只有文本；
- TI2I：输入=文本+1~N张参考图像，需要同时喂「原图语义特征 + 原图latent外观特征」。 虽然MMDiT架构可以兼容，但在预训练主阶段，如果大量混入这种多输入样本，会稀释普通T2I学习信号。
矛盾点3：数据规模不对等
高质量人工校验的**{原图‑指令‑编辑后}三元组数据的总量远小于普通文‑图对**。 编辑配对数据更稀缺、更贵；直接混合进预训练主训练集，占比不能太高，否则会拉垮整体通用生成能力。
因此工程选择：预训练主模型以T2I为主打下通用底子，再做一次专项微调产出Edit分支。
四、那为什么Qwen‑Image‑2.0又合并回“单模型一体化”？
Qwen‑Image‑2.0是闭源7B MMDiT，不再分独立Edit权重，一套权重同时做T2I和TI2I编辑，背后解决了上面的冲突，靠三点：
- 更精细的动态多任务混合采样策略：训练时动态调节T2I / I2I / TI2I的batch比例，不是固定权重；不同训练阶段配比自动变化，缓解梯度冲突。
- 更大规模、更高质量的编辑合成数据飞轮，自动生成海量高质量TI2I三元组，不再依赖少量人工标注。
- 架构层面原生内置双路条件通路，推理时模型自动判别当前是T2I输入（无参考图）还是TI2I输入（带参考图），内部自动路由条件通路，不需要两套独立权重、两套pipeline。
但代价：2.0不开放开源，只提供API；开源生态只能停留在初代20B+Edit分支的模式。
五、现实工程上怎么理解两套权重怎么选
-
Qwen‑Image‑2512（主权重） ✅适合：从零文生图、海报、文字渲染、创作； ❌不适合：拿来做编辑，会严重改崩原图人物、细节漂移。
-
Qwen‑Image‑Edit‑2511（Edit权重） ✅适合：基于已有图片做修改、换装、改图中文字、多图参考融合； ❌不适合：纯文生图，多样性、画面表现力会弱于主权重。
注意：Edit权重依然没有掩码inpaint原生支持，是自然语言全局引导编辑；不是掩码局部重绘模型。
补充：和SD/Flux生态对比理解
- Stable Diffusion：基础模型（T2I） + Inpaint分支（掩码修复） + I2I，很早就分开；
- Flux：基础T2I，然后推出Flux‑Kontext（专项编辑微调版本），和Qwen‑Image‑Edit思路几乎完全一样：底座不变，专项微调做参考图编辑分支，同样存在T2I能力轻微损耗。
这是当前MMDiT架构下非常主流的工程选择，不是Qwen独有的设计。
如果你需要，我可以继续展开： 1）双编码机制数学上，latent拼接在MMDiT token序列哪个位置； 2）为什么MMDiT相比UNet做编辑更容易发生身份漂移； 3）复现Edit微调时的训练配置要点。