Comfy-Org адаптировала модели Qwen3-VL для работы в ComfyUI

Команда Comfy-Org выпустила адаптированные версии мультимодальных моделей Qwen3-VL, предназначенные для интеграции в среду визуального программирования ComfyUI. Релиз включает оптимизированные сборки с параметрами 4B и 8B, которые позволяют использовать возможности компьютерного зрения непосредственно в рабочих процессах генерации изображений.

Для корректной работы моделей пользователям необходимо разместить файлы текстового энкодера в строго определенные системные директории ComfyUI. Такая структура папок обеспечивает совместимость с текущими узлами обработки данных и позволяет модели корректно интерпретировать визуальные промпты в рамках графа выполнения операций.

Модели Qwen3-VL базируются на архитектуре, поддерживающей обработку изображений высокого разрешения и понимание контекста сцены. Версия на 4B параметров ориентирована на работу на потребительском оборудовании с ограниченным объемом видеопамяти, в то время как вариант на 8B обеспечивает более высокую точность распознавания мелких деталей и текстовых элементов на изображениях.

Интеграция в ComfyUI упрощает создание сложных AI-конвейеров, где модель зрения может выступать в роли анализатора входных данных или инструмента для автоматической генерации описаний (captioning) перед этапом генерации. Исходный код и веса моделей доступны в репозитории проекта на платформе Hugging Face под стандартной лицензией для данного семейства моделей.