千问家族推出的Qwen-Image-Layered模型为图像编辑带来了新可能。本文详细解析如何在ComfyUI中搭建这一分层工作流，通过实测展示其将图像拆解为独立图层的能力，为创作者提供更灵活的后期处理方案。
智能速览
Qwen-Image-Layered支持图像智能拆解
ComfyUI工作流需基于千万生徒模板改造
关键长度参数需设置为层数乘以4加1
采样步数设置较大以保障输出质量
实测单次采样耗时接近6分钟
可通过提示词干预优化分层效果
精华内容
通过配置特定的工作流节点，可以将单张图片转化为可独立编辑的分层素材，大幅拓展后期创作的空间。
环境准备与模型
模型需从摩搭平台下载，推荐选择质量更好的bf16版本，并配套下载对应的VAE模型。ComfyUI必须更新至最新版本，模型文件需放入对应的目录中。整合包用户需自行寻找升级方法以确保兼容性。
工作流核心配置
工作流建议基于千万生徒模板进行改造，核心步骤是将原Empty Latent节点替换为Qwen专用的空Latent节点。长度参数设置是关键，需遵循“目标层数乘以4加1”的规则，例如拆分三层则需设置为13。
节点连接逻辑
素材图像需先进行像素级缩放获取尺寸，再连接到空Latent节点。在使用Reference Latent节点整合文本条件前，必须对图像进行VAE编码。正负面条件的处理方式保持一致，确保模型能准确理解编辑意图。
采样与输出处理
采样步数测试下来需要设置得大一些，否则输出图像质量会比较差。解码前需使用LatentCutToBatch节点将视频帧处理为Latent，参数使用默认值即可。最后通过VAE解码节点和图像预览节点查看处理结果。
实测效果分析
实测单次采样耗时接近6分钟，速度表现不太友好。初始分层结果可能不够明显，但可以通过提示词进行干预。简单填写背景、文字、人物等提示词后，效果比前一次有明显提升。
尽管目前的生成速度较慢，但Qwen-Image-Layered在图像分层提取上展现了良好的潜力。随着社区加速方案的推出，这一工作流有望成为AI绘图领域的又一高效工具，值得持续关注。
