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

快速结论：在 Diffusers 的 QwenImage21Pipeline 里做图像编辑（image editing）时，若把 output_resolution 设为默认的 1024，会出现编辑指令被忽略、输出变成带光环（halo）的过度锐化近似原图；把目标分辨率降到 512/768（部分环境 864/896）通常可正常编辑。优先排查目标 latent 网格尺寸是否越过触发阈值，而不是 CFG、seed 或 KV cache。

适用环境：Issue 已确认：Diffusers main @ 80c7ed2（含 #14804）；transformers 5.14.1 与 5.17.0（结果一致）；CUDA 侧为 RTX 3090 Ti、torch 2.14.0+cu130、bf16；报告者本机为 Apple silicon（MPS）。ComfyUI 原生 Qwen-Image 2.1 路径与 Swift/MLX 重实现也复现同类现象。

最快修复方案：暂无确认的一步修复方案。在定位到根因前，可优先尝试把编辑调用的 output_resolution 降到已确认正常的档位（报告中 512/768 干净；部分环境 864/896 仍正常），并避免把参考图与目标都推到 1024。

注意事项：降低 output_resolution 只是规避，未解决 1024 编辑本身；触发阈值随样本与平台变化（有人 896 失效、有人 864 仍可），不能当作硬边界。true_cfg_scale=4.0、use_kv_cache=False、fp32、更换 transformers 版本均未修复。Issue 中关于“同一 seed 用于 t2i 与 i2i 导致问题”的说法来自评论，尚未见验证证据，仅作为待试方向。

问题场景

使用 QwenImage21Pipeline 基于参考图做指令编辑时触发。典型调用是先用管线生成一张 1024×1024 自然照片，再把该图作为 image 传入、用 prompt 描述编辑（如 “Make the dog wear a red scarf” 或 “Change the background to a sunset beach”），并把 output_resolution 设为 1024（默认）。此时管线不报错、正常跑完，但输出不是预期编辑结果，而是参考图的过度锐化、带光环近似副本；同一调用在 512/768 下编辑正确。纯文生图在 1024²、2048² 正常，问题只出现在带参考图的目标编辑路径上。

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.

Observed at `output_resolution=1024` for two prompts ("Make the dog wear a red scarf", "Change the background to a sunset beach") on a natural photo generated by the pipeline itself, and for a synthetic image; at 320² and 512²/768² the same edits are correct.

原因分析

目前没有已合并的根因结论。Issue 中较有价值的线索是：触发条件看起来与目标图像的 latent 网格尺寸有关，而不是与联合序列长度或参考图网格有关。报告者实测“768² 参考图 + 1024² 目标”仍会退化，说明触发点跟的是目标网格；同时 1024² 的输出几乎与噪声无关（两次不同噪声的 ComfyUI 结果仍有 49.1 dB 一致度，而 768² 正常编辑下两次采样只有 33.2 dB），说明结果被参考图主导而非由采样轨迹决定。另有评论提出触发条件是条件图 latent 网格 max(h, w) >= 56，与报告者观察不完全一致，尚无定论。关于 QwenImage21Rope 的帧位置偏移随网格增大、以及 calculate_shift 只接收目标 token 数是否与训练约定一致，都是 Issue 中提出但未获回答的疑问。可能原因包括：64×64 latent 的编辑目标超出了该模型编辑能力的训练范围，或 RoPE/shift 在大网格下的处理与训练约定不符。可优先尝试的排查方向是缩小目标网格、确认阈值。

环境排查

确认 Diffusers 版本/commit：Issue 为 main @ 80c7ed2（含 #14804），请核对你的版本。
确认 transformers 版本：5.14.1 与 5.17.0 均复现且隐藏状态位一致，排除版本回退可解。
确认 PyTorch/CUDA：CUDA 复现环境为 torch 2.14.0+cu130、RTX 3090 Ti、bf16；MPS 侧亦复现。
确认精度：端到端 fp32 与 bf16 结果一致（43.4 dB PSNR），精度不是变量。
确认 use_kv_cache、true_cfg_scale、seed、num_inference_steps：这些在报告中均不改变 1024 的失败表现。
确认编辑时的目标分辨率与对应 latent 网格边长（VAE 16× 下 1024² 对应 64×64 latent），并记录失效/正常的分界点。

解决步骤

用最小复现脚本固定输入：同一张参考图、同一 prompt、同一步数（如 40 步）、同一 generator/seed，只改变 output_resolution。
分别跑 512、768、896、960、1024，逐一保存输出并肉眼比对：编辑是否生效、是否出现 halo/过度锐化/主体被替换。
记录每个分辨率对应的 latent 边长（分辨率 ÷ 16），标出你环境上的失效阈值。
在阈值以下的 output_resolution 上继续生产性使用；若必须 1024，先按评论建议尝试让 t2i 与 i2i 使用不同 seed，验证是否改善；此点尚未被证实，仅作可优先尝试项。
不要反复调 true_cfg_scale、关闭 use_kv_cache 或切 fp32 来“修”，Issue 证据显示这些无效，避免浪费时间。

验证方法

用同一参考图与 prompt，仅改变 output_resolution 重跑：若在某个分辨率下编辑指令明显生效（出现围巾/背景改变且无明显 halo），且提高到 1024 后再次退回“带光环近似副本”或主体被替换，即可确认命中该问题。注意以编辑语义是否正确为准，而不是看是否报错——该问题全程无报错无警告。