Qwen3.5：ComfyUI 多模态大模型图像描述

在 ComfyUI 中使用内置 TextGenerate 节点运行阿里云开源多模态大模型 Qwen3.5，完成图像描述、反向提示词工程和视觉问答。

[!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。

Qwen3.5 是一个开源多模态大语言模型，来自阿里巴巴云，在 Qwen 3.0 系列的基础上增加了图像理解能力。它同时支持文本生成和基于图像的任务，如图像描述和反向提示词工程。

模型亮点：

多模态 — 接受文本和图像输入，用于视觉理解任务
图像描述 — 能够描述图像并生成详细说明
反向提示词工程 — 从参考图像中提取提示词和生成参数
ComfyUI 原生支持 — 使用内置 TextGenerate 节点，无需自定义节点
轻量级 — 4B 参数模型，适合消费级 GPU

使用场景

Qwen3.5 在需要将视觉理解与文本生成结合的 ComfyUI 场景中表现出色：

图像反推提示词 — 将参考图像输入 Qwen3.5，让模型生成一份能够复现该图像的详细提示词。当你看到一张效果很好的图片但不知道它的 prompt 是怎样写的时，这个功能尤其有用。
提示词优化 — 加载现有提示词和图像构思，让 Qwen3.5 生成、细化或扩展更丰富的描述以获得更好的生成效果。
图像描述 — 自动为生成的图片生成标题、描述或元数据标签，适用于作品归档或训练数据准备。
视觉问答 — 询问关于图像内容的问题（"这张图里有什么物体？"、"背景是什么颜色？"），获得结构化的文本答案。
文字读取 — 使用合适的 prompt，模型可能会尝试读取图片中的可见文字或标签，但可靠性取决于文字渲染的质量和清晰度。

可用工作流

Qwen3.5: 文本生成

使用 Qwen3.5 模型分析输入图像并生成描述性文本提示词。此工作流执行图像描述和反向提示词工程。

Qwen3.5 文本生成工作流预览

[card] 在 Comfy Cloud 运行在 Comfy Cloud 中打开

[card] 下载工作流下载 JSON 或在模板库中搜索 "Qwen3.5: Text Generation"

输入材料

将此文件上传到对应的 LoadImage 节点：

[card] man\_with\_red\_hat.png LoadImage 节点 2 · man_with_red_hat.png

输入图像

此工作流展示了 Qwen3.5 的文本生成和图像理解能力。它接受文本提示词和可选图像，并根据输入生成描述性文本或结构化分析。

输入：

文本提示词：你的问题、指令或任务描述
图像（可选）：用于视觉理解任务（图像描述、反向提示词工程、提示词优化等）

关键控制参数：

最大长度：生成的最大 token 数（默认 256）
采样模式：开启或关闭采样，并调节温度、top-k、top-p、重复惩罚和种子
使用默认模板：应用模型的内置系统提示词

输出：

生成的文本：模型返回的纯文本字符串

[card] 了解子图本工作流使用子图节点进行模块化处理。查看子图文档了解如何自定义和扩展工作流。

模型下载

Qwen3.5 模型以文本编码器的形式加载到 ComfyUI 中。根据你的硬件选择合适的版本：

[card] Qwen3.5 2B (bf16) 轻量版，约 4.5 GB。适合低显存环境和快速下载。

[card] Qwen3.5 4B (bf16) 大小和质量均衡。推荐大多数消费级 GPU。

[card] Qwen3.5 9B (bf16) 最大版本，约 19 GB。输出质量更高，需要更多显存。

将下载的 .safetensors 文件放入：

📂 ComfyUI/
├── 📂 models/
│   └── 📂 text_encoders/
│       └── qwen3.5_4b_bf16.safetensors   # 或 2b / 9b 版本