Qwen Image 2.1
Qwen-Image-2.1, un modelo de difusión texto-a-imagen con pesos abiertos de 7B parámetros del equipo Qwen de Alibaba, está llamando la atención por su generación local de imágenes de alta calidad, su sólido renderizado de texto (incluido CJK) y funciones como la transparencia nativa, todo ello con una velocidad razonable incluso en hardware de consumo. Los comentaristas lo comparan favorablemente con versiones anteriores de Qwen y con algunos modelos abiertos competidores, aunque señalan limitaciones en la adherencia al prompt, artefactos y ciertos modos de fallo. Un punto importante de controversia es su restrictiva licencia de “solo investigación”, que prohíbe el uso comercial y pone de relieve un cambio más amplio desde términos permisivos de código abierto hacia modelos de “pesos disponibles” con aplicabilidad ambigua.
Capacidades generales y comparaciones
- A muchos les impresiona que un modelo de difusión de 7B pueda producir imágenes de alta calidad, texto coherente (incluido CJK) y ejecutarse localmente.
- Varios dicen que la generación local de imágenes ahora se siente por delante de la generación local de código: las imágenes son rápidas y “suficientemente buenas”, mientras que los LLM pequeños para programar se sienten débiles y frágiles.
- Otros argumentan que la calidad percibida depende de la habilidad del usuario: a los programadores les sorprenden las imágenes, a los artistas el código.
Ejecución local y herramientas
- Pila común: ComfyUI, Diffusers, vLLM-Omni, SGLang, LightX2V y, especialmente,
stable-diffusion.cpp/sd.cpp, que ya admite Qwen Image 2.1. - Los usuarios informan generación solo con CPU en ~3 minutos para 512×512, y ~5 segundos en una RTX 4090 a 1MP.
- Informe de VRAM con cuantización Q8: ~15,6 GB en total (codificadores de texto, modelo de difusión, VAE), llenando de hecho GPUs de 16 GB.
- Algunos se quejan del infierno de dependencias de Python y prefieren binarios C/C++;
stable-diffusion.cppse destaca como una opción ligera.
Gráficos vectoriales y flujos de trabajo
- Un flujo de trabajo detallado usa difusión → VTracer → limpieza manual (Inkscape), además de una app para Mac que automatiza la cuantización de paleta, el escalado, la eliminación de fondo y trucos de trazado.
- Deseo de salida nativa SVG/vectorial desde modelos de difusión; se describe a los LLM actuales como malos para el arte SVG.
Controversia sobre la licencia y la “apertura”
- A diferencia de modelos Qwen anteriores con licencia Apache, Qwen-Image-2.1 usa una licencia de investigación/no comercial con términos comerciales de pago.
- Algunos lo aceptan como una monetización razonable; otros lo llaman “freeware”, “weights-available” o una “trampa de licencia” y subrayan que no es código abierto.
- Varios argumentan que la aplicación real de la licencia es baja en la práctica, especialmente para uso local privado/comercial, y cuestionan por qué los usuarios deberían respetar licencias dado el licenciamiento opaco de los datos de entrenamiento.
- Otros advierten que las empresas serias deben tratar la licencia como vinculante y evitar el despliegue comercial sin licencia.
Notas técnicas y benchmarks
- En comparación con Qwen-Image 1.0 anterior, se dice que 2.1 es más pequeño (7B frente a 20B), más rápido, multimodal y significativamente mejor en un benchmark de 15 tareas de un usuario (7/15 frente a 4/15).
- Puntos fuertes citados: transparencia nativa (RGBA), renderizado de texto pequeño, calidad de texto CJK.
- Algunos sospechan artefactos notables de datos sintéticos y un VAE todavía imperfecto (patrones de puntos, artefactos en tonos medios).
Limitaciones, fallos y sesgos
- Hay informes de débil adherencia al prompt para diseños complejos/texto 3D; algunos dicen que los prompts en chino funcionan mejor.
- Los rostros pueden ser incoherentes al componer múltiples referencias.
- Algunos ven sesgo racial: las personas generadas tienden a parecer asiáticas incluso a partir de referencias no asiáticas.
- Sigue siendo deficiente para sprites animados fluidos y ciertas tareas especializadas.