QwenImage21Pipeline: image editing ignores the instruction and returns a haloed near-copy at output_resolution=1024 (default); 512/768 edit

快速结论：QwenImage21Pipeline 在默认 output_resolution=1024 做图像编辑时，常见“返回带光晕、过锐、接近原图的复制品”或“替换主体”的现象；优先怀疑目标 latent 边长跨过了某个阈值（如 56/64），而非配置或精度问题。可优先尝试把编辑输出分辨率降到 960 或 768 验证。

适用环境：Issue 中确认覆盖 diffusers main @80c7ed2、transformers 5.14.1 与 5.17.0、bf16 与 fp32；报错方在 Apple silicon（MPS），另有贡献者在 CUDA（RTX 3090 Ti）、torch 2.14.0+cu130 上复现；另在 ComfyUI 原生路径与一个 Swift/MLX 移植实现上复现。Python 版本、CUDA 驱动版本未在 Issue 中给出。

最快修复方案：暂无确认的一步修复方案。Issue 中唯一明确验证过的处理思路是把编辑时的 output_resolution 临时降到 960 或 768（报告方称 960 在该 fixture 上正常，@peterc 称 864 正常），并在降低分辨率后确认编辑结果是否恢复正常。

注意事项：降分辨率只是规避手段，不是根因修复，且不同平台/图像的阈值不同（报告方 1024 失败、896/960 正常；@peterc 896 失败、864 正常），不能保证所有输入都适用。换种子、改 true_cfg_scale、关闭 use_kv_cache、切换 fp32 或 transformers 版本均被证实无效或仅部分缓解。Issue 结束于讨论，未给出最终上游修复结论。

问题场景

用户在 diffusers 中使用 QwenImage21Pipeline 做参考图编辑（image editing / i2i），即传入一张图片作为 condition，再给编辑指令 prompt，例如“Make the dog wear a red scarf”或“Change the background to a sunset beach”。当 output_resolution 保持默认 1024 时，输出不再是干净编辑，而是带明显光晕、过锐、过饱和、接近原图的复制品；部分平台表现为主体被整体替换（例如“换背景”把狗弄丢，或把狗变成猫）。同一调用在 512 或 768 下输出正确。同一次安装下纯文生图（text-to-image）在 1024² 和 2048² 均正常。

报错原文

QwenImage21Pipeline: image editing ignores the instruction and returns a haloed near-copy at output_resolution=1024 (default); 512/768 edit correctly

No errors or warnings are emitted; the pipeline completes normally in every configuration.

原因分析

Issue 讨论到最后并未给出已确认的根因，以下为讨论中提出的可能原因：触发条件看起来与“目标输出网格的 latent 边长”相关，而不是与联合序列长度、CFG、种子、KV cache 或精度相关。报告方发现 768² 参考图 + 1024² 目标仍会退化，说明触发因素是目标网格而非 condition 网格；@peterc 则观察到 condition 图 latent 网格 max(h, w) >= 56 时失败，与报告方结论不一致。报告方还提到一个现象：1024² 下结果几乎与噪声无关，输出主要由参考图主导。讨论中另有一个未经证实的推测，认为可能与 vision tower 在 48×48 patch 网格（即 768×768）上的训练分布有关。由于这些都停留在讨论层面，均应视为可能原因。

环境排查

确认 diffusers 版本（Issue 中为 main @80c7ed2，含 #14804）。
确认 transformers 版本（Issue 中测试了 5.14.1 与 5.17.0，两者隐藏状态一致）。
确认 torch_dtype（bf16 与 fp32 均在 Issue 中测试）。
确认运行后端与设备：MPS 或 CUDA；CUDA 侧额外给出 torch 2.14.0+cu130、RTX 3090 Ti，可作为对照。
确认 output_resolution 取值，以及是否使用 use_kv_cache、true_cfg_scale、negative_prompt、generator 种子等参数，便于逐项排除。
确认失败样本与成功样本的输入图像尺寸和内容，因为边界阈值被认为与 fixture 相关。

解决步骤

先用同一张参考图、同一 prompt、同一种子，分别跑 output_resolution=512、768、1024，确认问题是否只在 1024（或某个更高值）出现。
若 1024 复现，先把 output_resolution 降到 960 或 768（Issue 中报告方称 960 干净、@peterc 称 864 干净），验证编辑指令是否被正确执行。
逐项排除非分辨率因素：use_kv_cache=False、true_cfg_scale=4.0 配空白 negative prompt、端到端 fp32、切换 transformers 5.14.1/5.17.0。Issue 表明这些不会改变 1024 下的结果，或仅部分出现红色色带而光晕仍在。
如果降分辨率后正常，可先以低分辨率作为临时默认，并把复现条件（设备、diffusers 提交、输入图、prompt、种子、latent 边长）整理后反馈到上游。
若必须使用 1024 输出，目前 Issue 中未给出可用的规避手段，只能等待上游结论。

验证方法

用同一张参考图和同一 prompt、同一种子，对比 output_resolution=1024 与 960/768 的输出：若低分辨率下编辑指令被正确执行（例如狗戴上红围巾、背景变成日落海滩），且没有光晕、过锐或主体被替换，说明该规避方式在当前 fixture 上有效。另外可对比同一分辨率下不同种子的输出差异，Issue 中提到 1024² 时结果几乎与噪声无关，可作为一个辅助观察点。