Дело не в языке: как открытые модели для ComfyUI понимают русский промпт

«Пять жёлтых резиновых уточек плавают в ванне». По этой фразе FLUX.2 klein 4B нарисовала в ванне жёлтые палочки, причём дважды, с двумя разными сидами. SD-Turbo выдала вид на город сверху: крыши, жёлтые кроны деревьев и что-то похожее на стадион. По-английски обе модели уточек нарисовали.

Почти все инструкции к ComfyUI исходят из того, что промпт английский. Захотелось понять, можно ли писать по-русски или в граф надо ставить переводчик. Я собрал 12 фраз, на которых модель может споткнуться: баранки, валенки, подстаканник, счёт предметов, кириллица на вывеске. Прогнал их через пять открытых моделей по-русски и по-английски, а потом дал переводить промпты трём дешёвым языковым моделям.

Своей видеокарты на 24 ГБ у меня нет. Локально в ComfyUI, на процессоре, я запускал SD-Turbo. Четыре модели посерьёзнее, FLUX.2 klein 4B, FLUX.2 dev, Qwen-Image 2512 и FLUX.1 schnell, шли через API BotHub, платформы для работы с нейросетями, для блога которой я пишу. Веса там те же открытые, что ставятся в ComfyUI, но шаги и guidance выбирает провайдер. Поэтому сравнивать ниже стоит русский с английским внутри одной модели, а не модели между собой. И это эксперимент на 12 промптах и двух сидах, а не бенчмарк.

Что вышло:

• FLUX.2 dev, Qwen-Image и klein русский понимают, а проваливаются на бытовых словах вроде «баранок», «валенок» и «подстаканника».

• Виноват в этом чаще не язык, а то, что предмет никак не пояснён. Английский без пояснений сработал не лучше русского, а «стакан в металлическом подстаканнике» по-русски нарисовали все три модели во всех попытках.

• SD-Turbo со старым английским энкодером русский почти не поняла: 4% выполненных деталей против 67% по-английски.

• Дешёвая языковая модель в роли переводчика подняла её до 61-63% и стоила около копейки за промпт.

В конце статьи короткий рецепт, как писать русский промпт под каждую модель.

Почему модель может не понять русский промпт?

Потому что текст в картинку превращает не сама диффузионная модель, а текстовый энкодер. Он режет промпт на токены и отдаёт модели их векторы. Если энкодер язык знает плохо, модель получает искажённое или малопонятное ей описание, и настройки сэмплера это не исправят.

У моделей 2022-2024 годов энкодеры английские. OpenAI в карточке CLIP прямо пишет, что модель не обучали и не проверяли ни на одном языке, кроме английского. T5 v1.1, который стоит во FLUX.1 и Stable Diffusion 3.5, обучен на C4, англоязычном веб-корпусе.

Я пропустил свои 12 промптов через токенизаторы, и T5 удивил. Из 66 русских букв, если считать заглавные отдельно, он знает 14, и все строчные: а, в, д, е, и, к, л, м, н, о, р, с, т, у. Остальное, включая любую заглавную, превращается в неизвестный токен <unk>. Фраза про самовар доходит до FLUX.1 вот так:

<unk>амовар на дерев<unk>нном столе, р<unk>дом св<unk>ка <unk>аранок

В русской части теста таких токенов 106 из 484, около 22%. Текст не исчезает целиком, но отдельные слова приходят к модели без половины букв.

CLIP буквы не теряет, но режет русский на мелкие куски: в моём наборе он вышел в 3,35 раза длиннее английского.

В новых моделях вместо классического энкодера стоит большая модель. У FLUX.2 klein это языковая Qwen3 4B, у Qwen-Image мультимодальная Qwen2.5-VL 7B, у FLUX.2 dev мультимодальная Mistral Small 3.1 на 24 млрд параметров. Их токенизаторы русский знают.

Токенизатор только пропускает текст внутрь. Понимает ли модель, что «уточки» это утки, видно уже по картинке.

Как я ловил модели на русском?

Промпты я составил так, чтобы на них было легко споткнуться. Бытовые слова без прямого перевода: самовар, баранки, подстаканник, валенки, пельмени, панельная пятиэтажка. Счёт: три ромашки, пять уточек. Положение: красная кружка слева, зелёный чайник справа. Кириллица в самой картинке: вывеска «Булочная». И для контроля простые сцены вроде собаки в очках на скамейке. В каждом промпте от трёх до пяти деталей, которые можно проверить, всего 46.

Каждый промпт шёл с сидами 11 и 22 на обоих языках. Оценивал не я, а две мультимодальные модели, Gemini 3.8 Flash и Claude Sonnet 5.5: они получали картинку и вопросы «да или нет» без самого промпта, и деталь засчитывалась, только если «да» ответили обе. Я вручную перепроверил 24 случайные картинки и не согласился с ними один раз из 94.

К английским версиям есть оговорка, и она главная во всём тесте. В четырёх промптах из двенадцати я дописал к реалиям пояснения: «valenki felt boots», «pelmeni dumplings», «bagel-shaped baranki», «Soviet prefab panel apartment block». Вышло, что сравнивались сразу две вещи, язык и подробность описания. Разделить их помог второй прогон, о нём ниже.

SD-Turbo в этой компании выглядит странно, модель старая и маленькая. Взял я её из-за энкодера: словарь у OpenCLIP тот же, что у энкодеров SDXL и SD 3.5, и на нём видно, чем кончается английский энкодер на русском тексте. К тому же она идёт даже на процессоре.

Насколько хуже модели понимают русский промпт?

Для SD-Turbo катастрофически, для FLUX.2 и Qwen-Image на 4-13 пунктов. Замер 19 октября 2026 года. На каждую модель и язык приходится 24 картинки (12 промптов × 2 сида) и 92 проверки деталей (46 деталей × 2 сида). Проценты в таблице считаются от 92 проверок, картинки без ошибок от 24.

К таблице две оговорки, без них цифры легко прочитать неправильно. FLUX.1 schnell получала русский промпт уже переведённым: BotHub для этой модели сам переводит промпт на английский, и отключить это нельзя. Поэтому её строка показывает работу связки «перевод плюс модель», а не понимание русского, и в выводы о русском я её не беру. Вторая оговорка про английские версии: в четырёх промптах из двенадцати в них были пояснения к реалиям, а в русских нет. На этих четырёх промптах разрыв между языками завышен, отдельный прогон про это ниже.

SD-Turbo по-русски не нарисовала почти ничего из заказанного. Её 4% это четыре детали из 92, и все четыре случайные: дважды снег в зимней сцене, один раз рыжий кот и один раз мокрая улица. По русским фразам она рисует что-то вообще «про Россию»: особняки, дворы, виды города сверху.

С FLUX.2 и Qwen-Image интереснее. Композицию русский им не ломает: красную кружку слева от зелёного чайника все три модели нарисовали во всех попытках. На простых фразах FLUX.2 dev потеряла по-русски одну деталь из 58. Qwen-Image потеряла четыре, дважды на числе уточек и дважды на трёх ромашках, а klein все пять своих потерь собрала на уточках.

Разрыв набегает на реалиях. Связку баранок по-русски не нарисовала ни одна модель, Qwen-Image нарисовала вместо неё связку то ли верёвки, то ли хвороста. Стакан в подстаканнике по-русски получился только у FLUX.2 dev. Валенки по-русски не вышли ни у кого, а по-английски только у FLUX.2 dev, остальные обули девушку в угги или вовсе не показали ног.

На восьми промптах, где английская версия была без пояснений, разрыв у FLUX.2 dev почти нулевой, 97% против 98%. Почти весь он сидит в четырёх промптах с реалиями, где английский получил подсказку.

Счёт тяжело даётся на обоих языках: ровно пять уточек даже по-английски стабильно рисовали только FLUX.2 dev и Qwen-Image.

Хуже всего с кириллицей на самой картинке. Вывеску «Булочная» без ошибок написала только FLUX.2 dev, в одной попытке из двух на каждом языке. Qwen-Image написала «Билочля», klein «Бузчиние». Одной надписи для общего вывода мало, но если нужен текст на вывеске или упаковке, надёжнее наложить его потом в редакторе.

Дело в языке или в пояснениях?

В основном в пояснениях. 6 ноября я прогнал четыре промпта с реалиями ещё раз в двух новых вариантах. Русский с теми же пояснениями, что были в английском: «связка баранок, маленьких хлебных колечек». И английский без пояснений, как перевёл бы словарь: «a bunch of bagels», «a girl in valenki». Модели и сиды те же. На каждую модель и вариант промпта приходится 8 картинок (4 промпта × 2 сида) и 34 проверки (17 деталей × 2 сида): проценты в клетках считаются от 34, в колонке «Все три» от 102. Все 96 картинок оценены в одном прогоне.

Цифры по исходным вариантам немного не совпадают с октябрьскими, хотя картинки по тем же сидам вышли те же: судьи даже при температуре 0 на спорных деталях отвечают по-разному от прогона к прогону. Поэтому варианты я сравниваю только внутри этой таблицы, а разницу в пару проверок на модель считаю шумом.

Английский без пояснений оказался на уровне обычного русского, 70% против 72%. Часть потерь тут от слова girl, по нему модели рисовали девочку. Если этот вопрос убрать, английский без пояснений опережает русский на три детали из 96, 73% против 70%, а английский с пояснениями даёт 80%. На этих четырёх промптах язык отвечает за меньшую часть разрыва.

Сильнее всего пояснения по-русски помогли Qwen-Image: с 68% до 85%, это шесть проверок из 34, и она обошла даже английский с пояснениями. У FLUX.2 dev плюс одна проверка, у klein минус две, оба сдвига в пределах шума. Стакан в подстаканнике с пояснением нарисовали все три модели в обеих попытках, без пояснения две попытки из шести. С панельной пятиэтажкой то же: шесть из шести против трёх.

Баранки и валенки не спасает ничего. В любом из четырёх вариантов они выходят максимум в двух попытках из шести, вместо валенок модели рисуют угги или обычные зимние сапоги.

Нужен ли переводчик в графе и какую модель на него ставить?

Для SD-Turbo в моём тесте нужен обязательно. Для FLUX.2 и Qwen-Image он полезен, если в промпте есть бытовые русские слова. Ставится переводчик перед нодой кодирования текста: кастомная нода отправляет промпт в языковую модель по OpenAI-совместимому API и подаёт английскую версию на вход CLIPTextEncode. ComfyUI не выполняет ноду повторно, пока её входы не менялись, так что перевод оплачивается один раз, а сиды и параметры сэмплера можно крутить сколько угодно.

Я взял три недорогие модели: DeepSeek V4.1 Flash, GPT-5.4 nano и Claude Haiku 5.5. Системный промпт у всех один, температура 0. Каждый перевод потом ушёл в SD-Turbo с теми же двумя сидами, так что счёт тот же, что в главной таблице: 92 проверки деталей и 24 картинки на вариант.

Все три переводчика подняли SD-Turbo почти до уровня ручного перевода и разошлись между собой на две детали из 92, так что выбирать стоит по скорости и цене. GPT-5.4 nano быстрее и дешевле всех, но OpenAI объявила, что 1 апреля 2027 года уберёт её из API, так что для нового графа она не лучший выбор. DeepSeek V4.1 Flash перед ответом рассуждает: медиана 17 секунд, самый долгий перевод 57, и при картинке за 22 секунды это заметно.

Интереснее, как они ошибаются. GPT-5.4 nano в двух промптах из двенадцати дописала от себя «cinematic lighting, highly detailed, centered composition», хотя системный промпт просил только перевод. DeepSeek заменил «самовар» на «traditional metal tea urn» и потерял само название. Описание верное, но модель, которая знает слово samovar, по такому тексту рисует обычный металлический чайник.

С «девушкой» отдельная история. Все три переводчика написали girl, и это не совсем ошибка: по-английски girl часто значит ребёнка, а русская «девушка» обычно взрослая. SD-Turbo разницы не заметила, а FLUX.2 klein и Qwen-Image по такому переводу нарисовали девочку.

Потом я проверил, нужен ли переводчик моделям, которые понимают русский сами, и прогнал переводы DeepSeek через klein и Qwen-Image. У klein доля деталей выросла с 73% до 84%, почти до английского с пояснениями (86%): вернулись уточки, баранки и подстаканник. У Qwen-Image рост меньше, с 83% до 85% при 93% у ручного перевода. Баранки, подстаканник и ровно три ромашки появились, но девушка стала девочкой.

Выходит, перед сильной моделью переводчик надо доучить: в системном промпте просить «young woman», а не girl, оставлять название предмета рядом с описанием и запретить украшения вроде «cinematic lighting».

Любая кастомная нода, включая переводчик, это код на Python с правами вашего пользователя. С ключом API отдельная ловушка: если вписать его прямо в поле ноды, он станет частью графа, а встроенная нода сохранения записывает граф в метаданные каждой PNG. Запись метаданных отключается флагом –disable-metadata, но проще держать ключ в переменной окружения, моя нода берёт его оттуда. Сам ComfyUI я оставляю слушать только 127.0.0.1.

Что пошло не так по ходу теста?

Кроме самих результатов, по дороге всплыло несколько вещей, о которых в инструкциях не пишут.

Сначала выяснилось, что сервис переводит за меня. FLUX.1 schnell в BotHub получает русский промпт уже переведённым на английский, и отключить это нельзя. Такая пометка в списке моделей API стоит у 16 моделей из 54, это FLUX.1 и Stable Diffusion 3 и 3.5, а у FLUX.2 и Qwen-Image её нет. Перевод добавил к цене в среднем 25%.

Подвох вылез на вывеске. Schnell во всех четырёх запусках написала «Bakery», в том числе по английскому промпту, где слово «Булочная» стояло в кавычках: сервис перевёл и его, и списал за такой запрос цену с переводом. Так что кириллицу на картинке от моделей с этой пометкой через сервис, похоже, не получить.

Со вторым прогоном вышла другая история. Мне нужен был английский «как перевёл бы словарь», и я сунулся в Google Translate. В режиме Advanced он выдал «baranki (ring-shaped bread rolls)», то есть сам дописал ровно то пояснение, которое я хотел убрать. Такие версии пришлось писать руками.

И последнее: 8 ГБ памяти это не рабочая конфигурация. На сервере с двумя ядрами и 8 ГБ ComfyUI дважды убила система, на 13-й картинке и когда я запустил рядом браузер для скриншотов. Дальше помог флаг –cache-classic, но SD-Turbo из-за этих падений не попала во второй прогон.

Сколько стоит повторить это у себя?

Дешевле всего через API: от 0,18 ₽ за картинку у FLUX.2 klein. Своя карта под FLUX.2 dev это 24 ГБ видеопамяти, а почасовая аренда начинается от 67 ₽ в час.

Без видеокарты у меня SD-Turbo рисовала картинку 512×512 примерно за 22 секунды, ComfyUI держал в памяти около 6 ГБ. Для FLUX.2 и Qwen-Image нужна видеокарта. Под FLUX.2 dev ComfyUI настоятельно рекомендует от 24 ГБ для высокого разрешения, fp8-версия снижает требования примерно на 40%. Для klein 4B Black Forest Labs называет 13 ГБ, документация ComfyUI 8,4 ГБ.

Карту можно арендовать почасово: у immers.cloud в ноябре 2026 года RTX 3090 стоит от 66,76 ₽ в час, RTX 4090 от 82,76 ₽, RTX 5090 от 130,76 ₽. Есть и Comfy Cloud, тот же ComfyUI в браузере, от $20 в месяц, но оплата там идёт через Stripe, а для доступа к их API в некоторых регионах, по словам самой Comfy, понадобится прокси.

Через API BotHub картинка около мегапикселя 19 октября обходилась мне так:

Диапазон зависит от тарифа BotHub. Весь октябрьский прогон через API вместе с переводами и судьями списал около 676 ₽ на тарифе Elite, на Basic вышло бы около 1 076 ₽. Перевод промпта на этом фоне почти ничего не стоит: от 0,6 до 1,5 копейки на Elite.

Как писать русский промпт под каждую модель?

• FLUX.2 dev и Qwen-Image: пишите по-русски и коротко поясняйте бытовые слова прямо в промпте, «баранки, маленькие хлебные колечки», «стакан в металлическом подстаканнике». В тесте это дало примерно столько же, сколько английский с пояснениями. Баранки и валенки не спасает и это.

• FLUX.2 klein 4B: пояснения по-русски не помогли, лучше отдавать ей перевод, с ним она поднялась с 73% до 84%. Для домашней карты это самый доступный вариант из теста: Apache 2.0, 7,75 ГБ без энкодера, комфортно от 16 ГБ видеопамяти, 12 ГБ на грани.

• SD 1.5, SDXL, SD 3.5, FLUX.1 и LoRA на них: переводчик в граф перед кодированием текста. Это вывод из разбора энкодеров и провала SD-Turbo, а не замер на каждой модели. Хватит самой дешёвой языковой модели с доученным системным промптом.

• Текст на вывеске или упаковке лучше наложить потом в редакторе: «Булочную» без ошибок написала только FLUX.2 dev, и то в половине попыток.

Двенадцать ловушек это немного, и список хочется пополнить. Если вы пишете промпты в ComfyUI по-русски, на каких словах ломались ваши модели?