Qwen Image 2.1
Qwen-Image-2.1, um modelo de difusão texto-para-imagem de weights abertos com 7 bilhões de parâmetros da equipe Qwen da Alibaba, está chamando atenção pela geração local de imagens de alta qualidade, forte renderização de texto (incluindo CJK) e recursos como transparência nativa, funcionando com boa velocidade mesmo em hardware de consumo. Os comentários o comparam favoravelmente a lançamentos anteriores da Qwen e a alguns modelos abertos concorrentes, ao mesmo tempo em que observam limitações na aderência aos prompts, artefatos e certos modos de falha. Um grande ponto de discórdia é sua licença restritiva de “uso apenas para pesquisa”, que proíbe uso comercial e destaca uma mudança mais ampla de termos permissivos de código aberto para modelos “weights-available” com aplicabilidade ambígua.
Capacidades gerais e comparações
- Muitos ficam impressionados com o fato de um modelo de difusão de 7B conseguir produzir imagens de alta qualidade, texto coerente (incluindo CJK) e rodar localmente.
- Vários dizem que a geração local de imagens agora parece estar à frente da geração local de código: as imagens são rápidas e “boas o suficiente”, enquanto os pequenos LLMs para programação parecem fracos e frágeis.
- Outros argumentam que a qualidade percebida depende da habilidade do usuário: programadores se impressionam com imagens, artistas com código.
Rodando localmente e ferramentas
- Stack comum: ComfyUI, Diffusers, vLLM‑Omni, SGLang, LightX2V e, especialmente,
stable-diffusion.cpp/sd.cpp, que já oferece suporte ao Qwen Image 2.1. - Usuários relatam geração apenas em CPU em cerca de 3 minutos para 512×512 e cerca de 5 segundos em uma RTX 4090 a 1MP.
- Relatório de VRAM em quantização Q8: ~15,6 GB no total (encoders de texto, modelo de difusão, VAE), ocupando na prática GPUs de 16 GB.
- Alguns reclamam do inferno de dependências do Python e preferem binários em C/C++;
stable-diffusion.cppé destacado como uma opção enxuta.
Gráficos vetoriais e fluxos de trabalho
- Um fluxo de trabalho detalhado usa difusão → VTracer → limpeza manual (Inkscape), além de um app para Mac que automatiza quantização de paleta, upscale, remoção de fundo e truques de tracing.
- Há desejo por saída SVG/vetor nativa de modelos de difusão; os LLMs atuais são descritos como ruins para arte em SVG.
Controvérsia sobre licença e “abertura”
- Ao contrário dos modelos Qwen anteriores sob licença Apache, o Qwen-Image-2.1 usa uma licença de pesquisa/não comercial com termos comerciais pagos.
- Alguns aceitam isso como uma monetização razoável; outros chamam de “freeware”, “weights-available” ou uma “armadilha de licença” e enfatizam que não é código aberto.
- Vários argumentam que a fiscalização é, na prática, baixa, especialmente para uso local privado/comercial, e questionam por que os usuários deveriam respeitar licenças dadas as licenças opacas dos dados de treinamento.
- Outros alertam que empresas sérias precisam tratar a licença como vinculativa e evitar implantação comercial sem licença.
Notas técnicas e benchmarks
- Em comparação com o Qwen-Image 1.0 anterior, o 2.1 é descrito como menor (7B vs 20B), mais rápido, multimodal e significativamente melhor em um benchmark de 15 tarefas de um usuário (7/15 vs 4/15).
- Pontos fortes citados: transparência nativa (RGBA), renderização de texto pequeno, qualidade de texto CJK.
- Alguns suspeitam de artefatos de dados sintéticos perceptíveis e de um VAE ainda imperfeito (padrões de pontos, artefatos em tons médios).
Limitações, modos de falha e viés
- Há relatos de fraca aderência ao prompt para layouts complexos/texto em 3D; alguns dizem que prompts em chinês funcionam melhor.
- Rostos podem ficar inconsistentes ao compor várias referências.
- Alguns veem viés racial: pessoas geradas tendem a parecer asiáticas mesmo a partir de referências não asiáticas.
- Ainda é ruim para sprites animados suavemente e certas tarefas especializadas.