Comfyui_Qwen3-VL-Instruct

这是由 ComfyUI 实现的 Qwen3-VL-Instruct，支持基于文本、视频、单张图片以及多张图片的查询，用于生成描述或回答。

---

基本工作流

• 基于文本的查询：用户可以提交文本查询来请求信息或生成描述。例如，用户可以输入“生命的意义是什么？”这样的描述。

• 视频查询：当用户上传视频时，系统可以分析视频内容，为每一帧生成详细描述，或对整个视频进行总结。例如，“为给定的视频生成字幕。”

• 单张图片查询：此工作流支持为单张图片生成描述。用户可以上传一张照片，并询问“这张图片展示了什么？”系统将返回类似“一头雄壮的狮群正在草原上休息”的描述。

• 多张图片查询：对于多张图片，系统可以提供整体描述或串联这些图片的故事性叙述。例如，“根据以下一系列图片创作一个故事：第一张是一对情侣在海滩，第二张是婚礼现场，最后一张是婴儿的洗礼仪式。”

[!IMPORTANT] 使用该工作流的重要说明

• 请确保您的 ComfyUI 环境中已安装“Display Text 节点”。如果遇到该节点缺失的问题，您可以在 ComfyUI_MiniCPM-V-4_5 仓库 中找到它。安装此附加插件后，“Display Text 节点”即可正常使用。

安装

• 通过 ComfyUI Manager 安装（搜索 Qwen3）

• 将本仓库下载或通过 Git 克隆到 ComfyUI\custom_nodes\ 目录下，并运行：

pip install -r requirements.txt

模型下载

当运行工作流时，如果在 ComfyUI\models\prompt_generator\ 目录中未找到所需模型，系统将自动下载这些模型。

ComfyUI_Qwen3-VL-Instruct 快速上手指南

本指南帮助中国开发者快速在 ComfyUI 中部署并使用 Qwen3-VL-Instruct 模型，支持文本、单图、多图及视频的理解与问答。

环境准备

• 系统要求：Windows / Linux / macOS
• 前置依赖：
  • 已安装 ComfyUI 基础环境
  • Python 3.8+ 环境
  • 推荐安装 ComfyUI Manager 以便管理节点
  • 重要提示：工作流依赖 Display Text 节点。若缺失，请安装 ComfyUI_MiniCPM-V-4_5 插件以获取该节点。

安装步骤

你可以通过以下两种方式之一进行安装：

方式一：通过 ComfyUI Manager 安装（推荐）

1. 打开 ComfyUI Manager。
2. 在搜索框中输入 Qwen3。
3. 找到 ComfyUI_Qwen3-VL-Instruct 并点击安装。

方式二：手动克隆安装

1. 进入 ComfyUI 的自定义节点目录：

   cd ComfyUI/custom_nodes/
   

2. 克隆本仓库：

   git clone https://github.com/QwenLM/ComfyUI_Qwen3-VL-Instruct.git
   

   💡 国内加速建议：如果克隆速度慢，可使用镜像源：

   git clone https://gitee.com/mirrors/ComfyUI_Qwen3-VL-Instruct.git
   

   （注：若官方无 Gitee 镜像，请自行配置 git proxy 或使用上述通用镜像策略）

3. 安装依赖：

   cd ComfyUI_Qwen3-VL-Instruct
   pip install -r requirements.txt
   

   💡 国内加速建议：使用清华或阿里镜像源加速 pip 安装：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

基本使用

安装完成后重启 ComfyUI，模型将在首次运行时自动下载至 ComfyUI/models/prompt_generator/ 目录。

最简单的使用示例：单图问答

1. 加载预设工作流：examples/Chat_with_single_image_workflow.png（在 ComfyUI 中通过 "Load" 导入）。
2. 在图像输入节点上传一张图片（例如：狮子照片）。
3. 在文本输入节点填写问题，例如：What does this image show?
4. 点击 "Queue Prompt" 运行。
5. 结果将通过 Display Text 节点显示，例如：A majestic lion pride relaxing on the savannah.

支持的其他模式

• 文本问答：直接输入文本问题（如 "What is the meaning of life?"）。
• 视频理解：上传视频文件，生成帧描述或整体摘要。
• 多图叙事：上传多张图片，让模型生成连贯故事或综合描述。

只需切换对应的工作流模板并替换输入内容即可。