OmniGen2：ComfyUI 文生图与指令式图像编辑

在 ComfyUI 中运行 OmniGen2，完成文生图与指令式图像编辑，由 3B Qwen2.5-VL 编码器与 4B 扩散 Transformer 组合驱动。

OmniGen2 是 VectorSpaceLab 团队开源的统一多模态生成模型，同一套权重同时支持文生图、指令引导的图像编辑和以参考图为主体的上下文生成。ComfyUI 原生支持 OmniGen2，以上三类任务都可以通过官方示例工作流在本地完成。

模型由一个冻结的 3B Qwen2.5-VL 视觉语言模型和一个独立的 4B 扩散 Transformer 组成，总参数量约 7B。视觉语言模型负责读取参考图像和文字指令，扩散 Transformer 负责把这些理解转化为图像。由于两条路径各自保留参数和图像分词器，OmniGen2 在保持视觉理解能力的同时也保证了图像质量。

ComfyUI 为这个模型提供了两个官方工作流：文生图，以及用“把裙子改成蓝色”这类自然语言指令做图像编辑。图像编辑工作流也支持多图合成，可以把多张输入图中的人物、参考对象和场景组合起来。

[!TIP] > [tab] 本地用户 > > 请确保你的 ComfyUI 已经更新。 > > ComfyUI 下载 > ComfyUI 更新教程 > > 本指南里的工作流可以在工作流模板中找到。如果找不到，可能是 ComfyUI 没有更新。 > > 如果加载工作流时有节点缺失，可能原因有： > > 1. 你用的不是最新版（每夜版）。 > 2. 启动时有些节点导入失败。 > [tab] 云端用户 > > * Cloud 会在 ComfyUI 稳定版本发布后更新。 > > 所以，如果你发现本文档中有任何核心节点缺失，可能是因为新核心节点尚未在最新稳定版中发布。请等待下一个稳定版发布。

模型亮点：

视觉理解：通过 Qwen2.5-VL 基础模型读取和分析图像内容
文生图生成：从文本提示生成高保真图像
指令引导的图像编辑：用自然语言指令完成复杂修改
上下文生成：将多张输入图中的人物、参考对象和场景组合成新图像

技术特性：

双路径架构：3B Qwen2.5-VL 文本模型加独立的 4B 扩散 Transformer
Omni-RoPE 位置编码：支持多图像空间定位和身份区分
参数解耦：避免文本自回归生成影响图像质量
图内文字：可以在生成的图像中呈现清晰文字

OmniGen2 模型下载

由于本文涉及不同工作流，对应的模型文件及安装位置如下，对应工作流中也已包含了模型文件下载信息：

Diffusion Models）

omnigen2\_fp16.safetensors

VAE

ae.safetensors

Text Encoders）

qwen\_2.5\_vl\_fp16.safetensors

文件保存位置：

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 diffusion_models/
│   │   └── omnigen2_fp16.safetensors
│   ├── 📂 vae/
│   │   └── ae.safetensors
│   └── 📂 text_encoders/
│       └── qwen_2.5_vl_fp16.safetensors