今天给大家演示的是一个利用Qwen Edit 多图合成能力的 ComfyUI 工作流。这个工作流通过加载三张参考图，分别代表人物、物体与背景，再结合文字描述和自动图像描述，让模型在统一场景中完成高一致性的图像重建与合成。通过图像编码、条件组合、采样生成与最终解码输出，整个流程对多图融合与场景一致性控制能力做了非常完整的展示，是一个非常适合学习图像编辑增强与多图逻辑合成的典型示例。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RH_Captioner 图像语义理解与描述生成Qwen3VLProcessor 文本控制与语义生成核心使用方法应用场景开发与应用工作流介绍这个工作流围绕三张输入参考图展开，通过加载主模型、CLIP 编码器与 VAE，对图像进行统一尺寸调整后输入到 Qwen 图像编辑编码节点中，结合用户文本要求与模型自动生成的图像描述，构建出完整的条件文本。随后使用采样器生成潜空间结果，再通过 VAE 解码为最终图像输出。整体结构清晰，节点间逻辑紧凑，既能保证人物、物体、背景三方内容的完整保留，也能让合成后的画面实现光影一致、透视统一。核心模型核心模型部分主要由基础生成模型、文本编码器和 VAE 组成。CheckpointLoaderSimple 加载整体工作流的底层模型，配合 CLIPLoader 提供文本与图像的双向理解能力，再由 VAE 负责潜空间图像的最终解码输出。它们共同构成图像编辑与多图融合的技术核心，使整个工作流既能理解参考图，又能根据多重文本控制渲染准确的画面。模型名称说明Qwen-Rapid-AIO-SFW-v5.safetensors主生成模型，处理多图合成与图像编辑的核心权重来源。qwen_2.5_vl_7b_fp8_scaled.safetensors