ComfyUI Extension: ComfyUI-Qwen-VL-API

<h1 align="center">QWen-VL in ComfyUI</h1>

项目介绍 | Info

• 将阿里 QWen-VL 双模型（Plus & Max）通过 API 调用引入到 ComfyUI 中，初测下来 QWen-VL 是目前开源世界最好的视觉模型

• 目前 QWen-VL API 免费开放（🆕刚收到阿里的通知：3.18开始正式收费！收费标准见下图），你可以在这里申请一个自己的 API Key：QWen-VL API 申请

  

• 版本：V1.0 支持单/多轮对话双模式、支持读取本地图像

视频演示

https://github.com/ZHO-ZHO-ZHO/ComfyUI-Qwen-VL-API/assets/140084057/430d4ea1-6484-46e2-85bf-ad7cf95dda95

详细说明 | Features

• QWen-VL 目前提供 2 种模型：

<!--- - QWen-VL-Plus: 通义千问大规模视觉语言模型增强版。大幅提升细节识别能力和文字识别能力，支持超百万像素分辨率和任意长宽比规格的图像。在广泛的视觉任务上提供卓越的性能。 - QWen-VL-Max: 通义千问超大规模视觉语言模型。相比增强版，再次提升视觉推理能力和指令遵循能力，提供更高的视觉感知和认知水平。在更多复杂任务上提供最佳的性能。 --->

| 模型 | 说明 | |--------------|---------------------------| | QWen-VL-Plus | 通义千问大规模视觉语言模型增强版。大幅提升细节识别能力和文字识别能力，支持超百万像素分辨率和任意长宽比规格的图像。在广泛的视觉任务上提供卓越的性能。| | QWen-VL-Max | 通义千问超大规模视觉语言模型。相比增强版，再次提升视觉推理能力和指令遵循能力，提供更高的视觉感知和认知水平。在更多复杂任务上提供最佳的性能。 |

• 节点（均采用隐式 API KEY）:

  • ㊙️QWenVL_Zho：同时支持两种模型，接受本地图像作为输入（图像仅临时储存用完会自动清除）

  • ㊙️QWenVL_Chat_Zho：同时支持两种模型，支持上下文窗口，接受本地图像作为输入（图像储存在 /custom nodes/ComfyUI-Qwen-VL-API/qw 文件夹中，可手动清理）

• 节点示例 & 与 Gemini-Pro-Vision 对比（描述更准更详细，且支持上下文多轮对话，Gemini-Pro-Vision 仅支持单轮对话）：

  

  

• 上下文多轮对话：

  

参数说明 | Parameters

• image：接入本地图像
• prompt：提示词
• model_name：模型选择，QWen-VL-Plus 或 QWen-VL-Max
• seed：随机种子

使用方法 | How to use

• 首先需要申请一个自己的 QWen-VL_API_Key：QWen-VL API 申请

• 将你的 QWen-VL_API_Key 添加到 config.json 文件中，运行时会自动加载

• 输出节点可配合像ComfyUI-Gemini中 ✨DisplayText_Zho 一样的任何接受文本的节点

安装 | Install

• 推荐使用管理器 ComfyUI Manager 安装（ON THE WAY）

• 手动安装：

  1. cd custom_nodes
  2. https://github.com/ZHO-ZHO-ZHO/ComfyUI-Qwen-VL-API.git
  3. cd custom_nodes/ComfyUI-Qwen-VL-API
  4. pip install -r requirements.txt
  5. 重启 ComfyUI

工作流 | Workflow

V1.0 工作流

Qwen-VL V1.0【Zho】

更新日志 | Changelog

20240130

• V1.0版：支持单/多轮对话双模式、支持读取本地图像

• 创建项目

Stars

关于我 | About me

📬 联系我：

• 邮箱：[email protected]
• QQ 群：839821928

🔗 社交媒体：

• 个人页：-Zho-
• Bilibili：我的B站主页
• X（Twitter）：我的Twitter
• 小红书：我的小红书主页

💡 支持我：

• B站：B站充电
• 爱发电：为我充电

Credits

QWen-VL