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.

Что такое ComfyUI

ComfyUI это открытый редактор графов для генеративных моделей, лицензия GPL-3.0. Каждый шаг генерации в нём отдельная нода: загрузить модель, закодировать текст, прогнать сэмплер, раскодировать результат, сохранить. Ноды соединяются в граф, его можно сохранить в файл, передать другому человеку или запускать пачкой через HTTP API. На 6 ноября 2026 года последняя версия 0.44.0 от 4 ноября.

При сохранении встроенной нодой ComfyUI записывает в PNG метаданные с графом и параметрами генерации. Такой файл можно перетащить в окно ComfyUI и восстановить граф. Для повторного запуска понадобятся те же модели и кастомные ноды, а если картинку пересохранить в другом редакторе, метаданные могут пропасть.

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.

Токены в 12 промптах по энкодерам

Энкодер	В каких моделях	Токенов в 12 промптах, рус / англ	Неизвестных токенов в русском
CLIP ViT-L/14 и OpenCLIP, словарь у них общий	SD 1.5 и FLUX.1 (ViT-L), SD-Turbo (OpenCLIP ViT-H), SDXL и SD 3.5 (ViT-L + OpenCLIP ViT-bigG)	684 / 204	0
T5 v1.1 XXL	FLUX.1, SD 3.5	484 / 248	106
UMT5-XXL	Wan (видео)	206 / 217	0
Qwen3 и Qwen2.5-VL	FLUX.2 klein, Qwen-Image	283 / 207	0
Mistral Small 3.1	FLUX.2 dev	252 / 213	0

CLIP раскладывает текст на байты UTF-8 и склеивает их по правилам BPE, поэтому неизвестных токенов у него нет, но правила выучены на английском.

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.

Параметры запуска, вопросы судьям и все 12 промптов

SD-Turbo работала локально в ComfyUI 0.41 на процессоре: 512×512, один шаг SDTurboScheduler, сэмплер euler_ancestral, CFG 1. Остальные модели шли через API BotHub с соотношением сторон 1:1, около мегапикселя, у Qwen-Image вышло 1328×1328. Число шагов и guidance в запросе я не передавал, их выбирает провайдер. Идентификаторы моделей в API: flux-2-klein-4b, flux-2-dev, qwen-image-2512, flux-schnell.

Судьи в API: gemini-3.8-flash и claude-sonnet-5.5, температура 0. Подход похож на TIFA, где соответствие картинки промпту оценивают ответами визуальной модели на вопросы. Судьи совпали в 92,8% ответов, моя ручная проверка: 24 картинки, 94 вопроса, одно несогласие. В системном промпте им было сказано отвечать только по тому, что видно на картинке, и вернуть массив «yes» и «no» по числу вопросов. Вопросы я составил вручную, по одному на каждую деталь, одинаковые для всех моделей, обоих языков и обоих сидов. Частичных баллов нет: если на картинке четыре уточки, на вопрос «есть ли уточки» ответ «да», на «ровно ли пять» ответ «нет».

№	Русский промпт	Английская версия	Деталей
01	Самовар на деревянном столе, рядом связка баранок и стеклянный стакан в подстаканнике	A samovar on a wooden table, next to it a string of bagel-shaped baranki and a glass in a metal tea glass holder	4
02	Рыжий кот спит под столом, а на столе стоит синяя ваза с тремя ромашками	A ginger cat sleeping under a table, and on the table a blue vase with three daisies	4
03	Девушка в валенках и пуховом платке стоит у берёзы зимой	A young woman in valenki felt boots and a downy knitted shawl standing by a birch tree in winter	5
04	Красная кружка слева, зелёный чайник справа, на белом фоне	A red mug on the left, a green teapot on the right, on a white background	4
05	Вывеска «Булочная» над входом в кирпичный дом	A sign reading «Булочная» above the entrance of a brick building	3
06	Пять жёлтых резиновых уточек плавают в ванне	Five yellow rubber ducks floating in a bathtub	4
07	Панельная пятиэтажка на закате, во дворе ржавые качели	A Soviet five-storey prefab panel apartment block at sunset, with a rusty swing set in the courtyard	5
08	Собака в очках читает газету на скамейке в парке	A dog wearing glasses reading a newspaper on a park bench	4
09	Ёжик несёт на спине яблоко по осенней тропинке	A hedgehog carrying an apple on its back along an autumn path	3
10	Чёрно-белая фотография трамвая на мокрой улице ночью	A black-and-white photograph of a tram on a wet street at night	4
11	Банка солёных огурцов и тарелка пельменей со сметаной	A jar of pickled cucumbers and a plate of pelmeni dumplings with sour cream	3
12	Космонавт верхом на лошади в поле подсолнухов	An astronaut riding a horse in a field of sunflowers	3

Вопросы судьям в том виде, в каком они уходили в модели. Во втором прогоне 6 ноября вопросы те же.

1. Is there a samovar (a metal Russian tea urn)? Is there a wooden table? Is there a string or bunch of small ring-shaped bread rolls (baranki)? Is there a drinking glass in a metal glass holder (podstakannik)?

2. Is there a ginger (orange) cat? Is the cat under the table (not on it)? Is there a blue vase on the table? Are there exactly three daisies in the vase?

3. Is there a young woman? Is she wearing valenki (thick felt boots)? Is she wearing a knitted shawl or headscarf? Is there a birch tree (white bark with black marks)? Is it winter with snow?

4. Is there a red mug? Is there a green teapot or kettle? Is the mug to the left of the teapot? Is the background white?

5. Is there a sign above an entrance? Is the building made of brick? Does the sign read exactly «Булочная» in Cyrillic letters, with no misspelling?

6. Are there rubber ducks? Are the ducks yellow? Are there exactly five ducks? Are they in a bathtub with water?

7. Is there a prefabricated concrete panel apartment building? Does the building have exactly five floors? Is it sunset? Is there a swing set in the yard? Does the swing look rusty?

8. Is there a dog? Is the dog wearing glasses? Is the dog holding or reading a newspaper? Is the dog on a park bench?

9. Is there a hedgehog? Is there an apple on the hedgehog’s back? Is it an autumn path with fallen leaves?

10. Is there a tram (streetcar)? Is the image black and white? Is the street wet with reflections? Is it night?

11. Is there a glass jar of pickled cucumbers? Is there a plate of dumplings (pelmeni)? Is there sour cream on or next to the dumplings?

12. Is there an astronaut in a spacesuit? Is the astronaut riding a horse? Is it a field of sunflowers?

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.

Системный промпт переводчика

Translate the Russian image description into a concise English prompt for an image generator such as Stable Diffusion. Keep every object, count, colour and position from the original. Replace culture-specific Russian words with a short visual description. Keep any text in quotation marks exactly as written, in its original language. Output only the prompt.

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 ^[1]: 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 уже случалось с кастомными нодами

В октябре 2025 года в Comfy Registry появились пакеты upscaler-4k и lonemilk-upscalernew-4k с вредоносным кодом. Сканер реестра поймал их 21 октября, к этому моменту их скачали 790 раз. В апреле 2026 года Aviatrix описала ботнет, который атаковал больше тысячи открытых в интернет установок ComfyUI и майнил на них Monero и Conflux. По данным Aviatrix, атакующие пользовались ошибками конфигурации, которые позволяли выполнить код через кастомные ноды.

В самом ComfyUI-Manager за последний год закрыли две уязвимости, обе с оценкой CVSS 7,5. CVE-2025-67303: Manager хранил настройки в папке, доступной через веб без проверки доступа, исправлено в версии 3.38. CVE-2026-22777: через параметры HTTP-запроса можно было дописать в config.ini лишние настройки, это опасно при открытом удалённом доступе, исправлено в 3.39.2 и 4.0.5. Если Manager старше, его стоит обновить, а ноды ставить популярные и смотреть на автора.

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 ^[2] 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.

Сколько весят файлы моделей

Размеры файлов, которые ComfyUI предлагает скачать из своих репозиториев на Hugging Face.

Модель	Диффузионная часть	Текстовый энкодер
SD-Turbo	5,21 ГБ одним файлом вместе с энкодером	OpenCLIP ViT-H, внутри файла
Stable Diffusion 3.5 Large	14,93 ГБ (fp8)	CLIP-L 0,25 ГБ, CLIP-G 1,39 ГБ, T5-XXL 4,89 ГБ (fp8)
FLUX.1	зависит от версии	CLIP-L 0,25 ГБ, T5-XXL 4,89 ГБ (fp8) или 9,79 ГБ (fp16)
FLUX.2 klein 4B	7,75 ГБ	Qwen3 4B, 8,04 ГБ или 3,85 ГБ (fp4)
Qwen-Image 2512	20,43 ГБ (fp8) или 40,86 ГБ	Qwen2.5-VL 7B, 9,38 ГБ (fp8)
FLUX.2 dev	35,46 ГБ (fp8)	Mistral Small 3.1 24B, 18,03 ГБ (fp8) или 12,28 ГБ (fp4)

Размер файла на диске не равен объёму видеопамяти. Энкодер и диффузионная часть работают по очереди, ComfyUI умеет выгружать одно, пока работает другое, и подгружать веса частями. Цена этого скорость.

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?