AI on the Lot 2026 - QwenVL - i2t
O terceiro fluxo de trabalho lançado para AI on the Lot 2026, disponibilizado para participantes do workshop ComfyUI 101 abrirem e acompanharem se desejarem. Um criador simples de prompts de imagem para texto usando Qwen VL, útil para gerar prompts a partir de imagens de referência.
Sobre
Este fluxo de trabalho transforma qualquer imagem em texto descritivo e orientado por instrução usando Qwen-VL dentro do ComfyUI. É uma cadeia simples e confiável: LoadImage traz seu quadro ou foto para o grafo, AILab_QwenVL executa o modelo Qwen-VL para gerar legendas ou respostas com base na sua instrução, e PreviewAny exibe o texto resultante diretamente na interface. Como o AILab_QwenVL aceita tanto uma imagem quanto um prompt, você pode direcionar a saída para texto alternativo conciso, descrições detalhadas da cena, tags ou até transcrições no estilo OCR.
O que você fornece
- Lendo o fluxo de trabalho
É executado no ComfyUI. Este fluxo de trabalho não pode ser executado nesta página. Abra-o no Comfy Cloud com tudo carregado ou baixe-o para usar no seu próprio ComfyUI.
Experimentar no CloudPerguntas e respostas
AILab_QwenVL executa um modelo Qwen-VL de visão-linguagem na entrada do LoadImage. Ele recebe sua instrução (prompt) e a imagem, gerando texto—como uma legenda, lista de objetos ou resposta a uma pergunta sobre a imagem—que o PreviewAny exibe.
Depende de como o AILab_QwenVL está configurado no seu ambiente. Muitos setups carregam pesos de modelo localmente e funcionam totalmente offline. Se seu nó estiver configurado para acessar um backend remoto, pode ser necessário acesso à rede ou credenciais. Verifique a seleção de modelo e documentação do seu nó.
Guie o modelo com instruções explícitas (ex: "Legenda em uma frase", "Retorne palavras-chave separadas por vírgula" ou "Saída em JSON com campos: cenário, sujeitos, ações"). Se seu nó expuser configurações como máximo de tokens ou temperatura, use-as para limitar o comprimento e tornar os resultados mais determinísticos.
Use prompts claros e específicos (ex: "Transcreva todo o texto legível exatamente, linha por linha"), forneça imagens grandes e nítidas, e reduza a temperatura para tarefas factuais. Se a cena for complexa, recorte para a área relevante antes de rodar o LoadImage para que o modelo foque no que importa.