ComfyUI Qwen3.5-VL Node

A custom implementation of the Qwen 3.5 Vision-Language model for the ComfyUI framework. This extension allows for text, image, and video inference using Qwen 3.5 architectures.

Architecture and Dependency Management

The Qwen 3.5 models require transformers==5.2.0. Updating the global transformers library within the ComfyUI environment typically causes version conflicts with other custom nodes relying on transformers 4.x.

To resolve this, this node implements a vendoring approach with dynamic module switching. Dependencies (transformers, huggingface_hub, tokenizers) are installed in an isolated local directory (vendor/). A context manager temporarily patches sys.modules during initialization and inference, ensuring the 5.x execution context remains completely separated from the global ComfyUI environment.

Features

• Support for Qwen 3.5 model sizes (0.8B, 2B, 4B, 9B).
• Multi-modal inference (Text, Single Image, Video/Image Batch).
• Hardware optimization: 4-bit quantization support (BitsAndBytesConfig), torch.compile compatibility, and configurable attention modes (sdpa, flash_attention_2, eager).
• Automated dependency fetching on initial startup.

Installation

1. Navigate to your ComfyUI custom nodes directory:

cd ComfyUI/custom_nodes

2. Clone this repository:

git clone https://github.com/bananasss00/ComfyUI-Qwen3.5-VL.git

3. Start ComfyUI. The extension will automatically download the required isolated dependencies into the vendor directory on the first run.

Note: Initial startup may take longer than usual while the dependencies are being fetched.

Usage

The node will appear in the ComfyUI menu under the Qwen3.5 category.

1. Connect an image or video output to the image_or_video input (optional).
2. Specify the model_size and your prompt.
3. Configure performance parameters (e.g., use_4bit, attention_mode).

Models will be downloaded automatically from the Hugging Face Hub to ComfyUI/models/qwen35 upon first execution.

---

ComfyUI Qwen3.5-VL Node (RU)

Кастомная нода для интеграции Vision-Language модели Qwen 3.5 в среду ComfyUI. Дополнение обеспечивает поддержку инференса текста, изображений и видео.

Архитектура и управление зависимостями

Для работы моделей Qwen 3.5 требуется библиотека transformers==5.2.0. Обновление transformers в глобальном окружении ComfyUI приводит к конфликту версий с другими нодами, требующими ветку 4.x.

Для решения этой проблемы применяется метод vendoring (изоляция зависимостей) с динамическим переключением модулей. Требуемые пакеты устанавливаются в локальную директорию (vendor/). Контекстный менеджер временно подменяет sys.modules во время инициализации и генерации, гарантируя полную изоляцию контекста выполнения 5.x от глобального окружения ComfyUI.

Характеристики

• Поддержка параметров Qwen 3.5 (0.8B, 2B, 4B, 9B).
• Мультимодальный инференс (Текст, Изображение, Батчи изображений/Видео).
• Аппаратные оптимизации: поддержка 4-битного квантования, совместимость с torch.compile, выбор режимов внимания (sdpa, flash_attention_2, eager).
• Автоматическая загрузка изолированных зависимостей при первом запуске.

Установка

1. Перейдите в директорию пользовательских нод ComfyUI:

cd ComfyUI/custom_nodes

2. Клонируйте репозиторий:

git clone https://github.com/bananasss00/ComfyUI-Qwen3.5-VL.git

3. Запустите ComfyUI. Дополнение автоматически скачает необходимые зависимости в директорию vendor при первой инициализации.

Примечание: Первый запуск может занять больше времени из-за процесса установки пакетов.

Использование

Нода доступна в меню ComfyUI в категории Qwen3.5.

1. Подключите изображение или видео к входу image_or_video (опционально).
2. Задайте model_size и текстовый промпт.
3. Настройте параметры производительности (use_4bit, attention_mode).

Веса моделей загружаются автоматически из Hugging Face Hub в директорию ComfyUI/models/qwen35 при первом выполнении.