「一句话改姿势」：用中文指令精准编辑人物动作的 ComfyUI 工作流（基于 Qwen-VL和QwenImageEdit）

阅读原文

建议阅读原文，始终查看最新文档版本，获得最佳阅读体验：《「一句话改姿势」：用中文指令精准编辑人物动作的 ComfyUI 工作流（基于 Qwen-VL和QwenImageEdit）》

https://docs.dingtalk.com/i/nodes/nYMoO1rWxa7nvZ7Gu0G16n3RV47Z3je9

前言

“把人物改成双手像猫咪一样握拳放在脸边，要可爱！”
——过去这需要 PS + ControlNet + 多轮调试；
现在，只需一行中文提示，AI 自动精准完成！

最近，通义千问推出的 Qwen-Image 系列模型在 AIGC 圈掀起热潮。而今天我要分享的，是一个基于 Qwen-VL 多模态大模型 + Qwen-Image-Edit 扩散模型 的 ComfyUI 高级图像编辑工作流——它能真正理解你的自然语言指令，快速便利地调整图片中人物的姿势，而且一次可以批量生成多种姿势的图片。

---

真实示例

我使用的GPU是NVIDIA Quadro RTX 5000 16GB

上传图片：

生成的图片：

可以看到，人物一致性非常好，背景也保持了一致性。

人物的姿势动作都可以调整的，直接用自然语言描述即可。

视频演示

哔哩哔哩: https://player.bilibili.com/player.html?autoplay=false&bvid=BV1dumMBNEKL

🔥 它能做什么？看这些例子就知道了

上传一张普通人像照片，然后告诉 AI：

• “变成俯视拍摄，单眼眨眼”

• “手臂向前伸展，比出 V 字手势”

• “跪地姿势，带上黑色墨镜”

• “双手模仿猫咪握拳的姿态放在脸侧，显得俏皮可爱”

✅ 姿势精准
✅ 身份一致
✅ 背景保留
✅ 无肢体畸变

这一切，无需 ControlNet 姿态图、无需 IP-Adapter 参考、无需手动标注——全靠一句中文！

---

🧠 技术揭秘：为什么它这么聪明？

传统 Stable Diffusion 的图像编辑依赖“文本+参考图+控制图”的拼凑，而本工作流采用 端到端多模态理解架构：

模块	作用
Qwen-VL-7B（视觉语言大模型）	同时“看懂”原图 + “听懂”你的指令，生成精准编辑意图
Qwen-Image-Edit（FP8 量化 UNet）	高效执行编辑，在保持画质的同时大幅降低显存
自定义节点 **TextEncodeQwenImageEditPlus**	将多模态理解结果注入扩散过程，实现像素级可控

💡 简单说：Qwen-VL 是“大脑”，Qwen-Image-Edit 是“手”——一个负责理解，一个负责执行。

---

🛠️ 使用要求 & 显存建议

• 必需模型（需手动下载）：

  • Qwen-Image-Edit-2509_fp8_e4m3fn.safetensors → models/diffusion_models/

  • qwen_image_vae.safetensors → models/vae/

  • qwen_2.5_vl_7b_fp8_scaled.safetensors → models/text_encoders/

  • LoRA（如 Qwen Edit百变姿势.safetensors）→ models/loras/

• 显存建议：

  • 768×768 分辨率：≥16GB VRAM（RTX 3090 / 4080 可运行）

  • 1024×1024 分辨率：推荐 24GB（RTX 4090 / 3090）

⚠️ 注意：因使用 Qwen-VL-7B，低于 12GB 显存的设备难以运行。可启用 --lowvram 模式尝试降分辨率。

---

ComfyUI workflow下载

请至钉钉文档查看附件《人物多姿势一致性.json》

ComfyUI的日志

从日志中可以看出，此次执行workflow，总共花费了1小时8分钟，这确实很久，这是因为我用的是GPU（NVIDIA Quadro RTX 5000 16GB）不是很高端的，而且一次性批量生成了16张图片，所以时间很长。

got prompt
WARNING: ProcessString.IS_CHANGED() got an unexpected keyword argument 'input_string'
Requested to load WanVAE
loaded completely; 3298.56 MB usable, 242.03 MB loaded, full load: True
Requested to load QwenImageTEModel_
loaded completely; 14190.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Unloaded partially: 5057.24 MB freed, 2852.50 MB remains loaded, 194.25 MB buffer reserved, lowvram patches: 0
loaded completely; 14180.46 MB usable, 7909.74 MB loaded, full load: True
Requested to load QwenImage
loaded partially; 12906.95 MB usable, 11497.74 MB loaded, 7986.21 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 580
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:56<00:00, 29.57s/it]
loaded partially; 12892.95 MB usable, 11488.73 MB loaded, 7995.21 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:59<00:00, 29.95s/it]
loaded partially; 12883.95 MB usable, 11479.74 MB loaded, 8004.21 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:57<00:00, 29.65s/it]
loaded partially; 12856.95 MB usable, 11452.73 MB loaded, 8031.22 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 3
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:58<00:00, 29.82s/it]
loaded partially; 12829.94 MB usable, 11425.73 MB loaded, 8058.22 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:57<00:00, 29.73s/it]
loaded partially; 12802.94 MB usable, 11398.73 MB loaded, 8085.22 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:57<00:00, 29.74s/it]
loaded partially; 12775.94 MB usable, 11371.73 MB loaded, 8112.22 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:59<00:00, 29.91s/it]
loaded partially; 12748.94 MB usable, 11344.72 MB loaded, 8139.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 3
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:58<00:00, 29.77s/it]
loaded partially; 12721.93 MB usable, 11317.72 MB loaded, 8166.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:59<00:00, 29.93s/it]
loaded partially; 12694.93 MB usable, 11290.72 MB loaded, 8193.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:59<00:00, 29.90s/it]
loaded partially; 12667.93 MB usable, 11263.72 MB loaded, 8220.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:59<00:00, 29.90s/it]
loaded partially; 12640.93 MB usable, 11236.71 MB loaded, 8247.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 3
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [04:00<00:00, 30.06s/it]
loaded partially; 12613.92 MB usable, 11209.71 MB loaded, 8274.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:59<00:00, 29.91s/it]
loaded partially; 12586.92 MB usable, 11182.71 MB loaded, 8301.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:58<00:00, 29.82s/it]
loaded partially; 12559.92 MB usable, 11155.71 MB loaded, 8328.23 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 1
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [04:00<00:00, 30.02s/it]
loaded partially; 12532.92 MB usable, 11128.71 MB loaded, 8355.24 MB offloaded, 1404.01 MB buffer reserved, lowvram patches: 3
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 8/8 [03:57<00:00, 29.66s/it]
Requested to load WanVAE
Unloaded partially: 11137.62 MB freed, -8.92 MB remains loaded, 2106.05 MB buffer reserved, lowvram patches: 858
loaded completely; 977.41 MB usable, 242.03 MB loaded, full load: True
Prompt executed in 01:08:45

-8.92 MB remains loaded, 2106.05 MB buffer reserved, lowvram patches: 858
loaded completely; 977.41 MB usable, 242.03 MB loaded, full load: True
Prompt executed in 01:08:45

![梦幻智能logo-01（无水印）.png](https://i-blog.csdnimg.cn/img_convert/45b39512a569d56f3bae37d44f662657.png)