Русский промпт в ComfyUI: FLUX.2 и Qwen-Image теряют 4–13 пунктов, а SD-Turbo — почти всё

«Пять жёлтых резиновых уточек плавают в ванне». По этой фразе FLUX.2 klein 4B дважды нарисовала жёлтые палочки, а SD-Turbo выдала вид на город сверху. По-английски обе модели уточек нарисовали без проблем. Большинство инструкций к ComfyUI исходят из того, что промпт английский, и автор разбора решил проверить, так ли это обязательно.

Почему энкодер решает всё

Текст в картинку превращает не диффузионная модель, а текстовый энкодер: он режет промпт на токены и отдаёт модели их векторы. Если язык он знает плохо, ни один параметр сэмплера этого не исправит.

У моделей 2022–2024 годов энкодеры английские. OpenAI прямо пишет, что CLIP не обучали и не проверяли ни на чём, кроме английского. T5 v1.1 из FLUX.1 и SD 3.5 знает всего 14 из 66 русских букв, причём только строчные. Всё остальное, включая любую заглавную, превращается в токен <unk>. «Самовар на деревянном столе» приходит к модели как «<unk>амовар на дерев<unk>нном столе». В русской части теста таких токенов около 22%. CLIP буквы не теряет, но режет русский на мелкие куски, и текст выходит в 3,35 раза длиннее английского.

В новых моделях стоят большие языковые модели: Qwen3 4B у FLUX.2 klein, Qwen2.5-VL 7B у Qwen-Image, Mistral Small 3.1 у FLUX.2 dev. Их токенизаторы русский знают, неизвестных токенов нет.

Что показал тест

Автор составил 12 промптов, на которых легко споткнуться: самовар, баранки, валенки, пельмени, счёт предметов, положение объектов, кириллица на вывеске. Каждый прогнали на двух сидах по-русски и по-английски. Картинки оценивали две мультимодальные модели ответами «да/нет» на вопросы по деталям, их ответы совпали в 92,8% случаев.

Результаты по выполненным деталям, русский против английского:

• FLUX.2 dev: 91% против 95%
• Qwen-Image 2512: 83% против 93%
• FLUX.2 klein 4B: 73% против 86%
• SD-Turbo на процессоре: 4% против 67%

SD-Turbo с английским OpenCLIP по-русски почти ничего не нарисовала: четыре верные детали из 92, и все случайные. Зато простую композицию («красная кружка слева, зелёный чайник справа») русский современным моделям не ломает. Провалы начинаются на реалиях: связку баранок по-русски не нарисовала ни одна модель, а валенки по-русски не вышли ни у кого.

Счёт и кириллица на картинке трудны на обоих языках. Ровно пять уточек стабильно рисовали только FLUX.2 dev и Qwen-Image. Вывеску «Булочная» без ошибок написала только FLUX.2 dev, и то в одной попытке из двух. Qwen-Image выдала «Билочля», klein — «Бузчиние».

Язык или пояснения?

Главная оговорка теста: в четырёх английских промптах автор дописал пояснения вроде «valenki felt boots». Поэтому он прогнал эти четыре промпта ещё раз в двух новых вариантах. Результаты по трём моделям вместе:

• по-русски: 72%
• по-русски с пояснениями: 76%
• по-английски без пояснений: 70%
• по-английски с пояснениями: 81%

Английский без пояснений оказался на уровне обычного русского. Значит, модель спотыкается не о язык, а о слово, за которым нет понятной картинки. Сильнее всего русские пояснения помогли Qwen-Image: 68% → 85%. У FLUX.2 dev прирост скромнее (79% → 82%), а у klein результат даже просел (68% → 62%). Но автор сам предупреждает, что судьи на спорных деталях отвечают нестабильно, поэтому разницу в пару проверок надо считать шумом.

Для SD-Turbo помог переводчик: дешёвая языковая модель подняла её до 61–63% и стоила около копейки за промпт.

Ограничения и что делать

Это эксперимент на 12 промптах и двух сидах, а не бенчмарк. Четыре модели шли через API BotHub (автор пишет для его блога), где шаги и guidance выбирает провайдер, поэтому сравнивать стоит русский с английским внутри одной модели. FLUX.1 schnell сервис сам переводит на английский, так что в выводы о понимании русского её не включили.

Практический вывод:

• Модели с LLM-энкодером (FLUX.2, Qwen-Image) переводчик в графе не требуют, русский им годится.
• Реалии поясняйте: не «подстаканник», а «стакан в металлическом подстаканнике», не «баранки», а «связка хлебных колечек».
• Для моделей на CLIP или T5 (SD 1.5, SDXL, SD 3.5, FLUX.1, SD-Turbo) ставьте перед энкодером LLM-переводчик, это дёшево.
• Кириллицу на вывесках и упаковке надёжнее накладывать потом в редакторе.