Qwen-Image ControlNet Model Patch 工作流程旨在透過 Qwen-Image 模型，為圖片產生提供更強的控制能力。此工作流程整合多個進階節點，包括 KSampler、CLIPTextEncode 以及 QwenImageDiffsynthControlnet，可精準操控 canny、depth 與局部修補等影像屬性。透過 ModelPatchLoader 節點，使用者可以對模型套用補丁，進行動態調整並提升影像品質。此工作流程特別適合需要產生具特定風格或主題元素的藝術家與設計師，因其可利用 ControlNet 技術進行細緻自訂。
在技術面上，工作流程會先載入所需模型與參考圖片，接著將這些輸入送入一系列節點以進行編碼、解碼並套用所需的轉換。VAELoader 與 UNETLoader 節點在管理影像資料上扮演關鍵角色，而 CLIPLoader 與 CLIPTextEncode 節點則負責處理文字提示詞，以引導圖片產生流程。整合 QwenImageDiffsynthControlnet 節點可套用 ControlNet 模型來細化影像細節，使此工作流程能用於產生高品質、可自訂的圖片。
API
從程式碼使用此工作流
每個 Comfy 工作流都是一個 JSON 圖。下方的 payload 就是此工作流，與 ComfyUI 執行時完全相同 — 你可以從此 URL 取得、放入版本控制，或在 ComfyUI 載入並逐節點執行。
使用 Comfy SDK 以 TypeScript 或 Python 執行。相同程式碼可用於 Comfy Cloud 或你自架的 ComfyUI — 只需更改 base URL。
// Install (beta)
npm i @comfyorg/sdk
// Run "Qwen-Image ControlNet 模型補丁" (TypeScript)
import { Comfy } from "@comfyorg/sdk";
const client = new Comfy({ apiKey: "comfyui-..." });
// This workflow, exported in API format (see note below)
const wf = await client.workflows.fromFile("image_qwen_image_controlnet_patch_api.json");
const asset = client.assets.fromFile("input.png");
wf.setInput("71", "image", asset); // LoadImage
wf.setInput("6", "text", "your prompt here"); // CLIPTextEncode
const job = await client.run(wf);
await job.getOutputs("60")[0].toFile("output.png"); // SaveImageSDK 需使用 API 格式的工作流：請在 ComfyUI 開啟此工作流，並使用 檔案 → 匯出工作流（API）。
常見問題
