Qwen-Image-2.1: imágenes transparentes y ediciones con hasta 10 referencias

El problema que resuelve la transparencia

Imagina un equipo pequeño que construye un creador de pegatinas, un juego con sprites generados o una tienda que necesita recortes de producto. Llevan meses generando imágenes y todas tienen el mismo problema al final de la cadena: el fondo. El modelo dibuja una persona, un dragón o unas zapatillas sobre un telón, y alguien tiene que recortarlo. Ese paso es un segundo modelo o un trabajo manual, y falla justo donde peor se ve: pelo, cristal y sombras suaves. Es un escenario ilustrativo, no una afirmación sobre ninguna empresa real, pero cualquiera que haya trabajado en una cadena así lo reconocerá.

Qwen-Image-2.1, publicado en Hugging Face a mediados de septiembre, ataca directamente esa costura. Su ficha describe un modelo unificado de generación de imágenes a partir de texto y de edición de imágenes, con un componente de generación visual de 7B parámetros construido con 32 capas DiT de flujo único. De las cuatro mejoras que citan los autores, la segunda es la que cambia una cadena de producción: la transparencia nativa. Según la ficha, se pueden generar imágenes normales o transparentes (RGBA) a partir de texto, editar capas transparentes y extraer sujetos de fotografías, todo en un solo modelo.

Lo que dice la ficha sobre cómo pedir transparencia

La frase más útil de la página no es marketing. Es una plantilla de prompt. El ejemplo de imagen transparente de la ficha dice: «This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent.» Se describe como el formato de prompt recomendado para imágenes transparentes, y el ejemplo pide una salida de 2048×2048 con 40 pasos de inferencia. En la práctica, eso indica que el modelo no se activa con un parámetro. Pides la transparencia con palabras, y tanto la frase inicial del prompt como su declaración final sobre el canal alfa forman parte del contrato.

Es una decisión de diseño con consecuencias. Un interruptor dirigido por el prompt es flexible, porque permite que el mismo pipeline produzca ambos tipos de imagen, y es frágil como siempre lo son los prompts: un equipo que reescribe los prompts de los usuarios, añade sufijos de estilo o los traduce puede romper la petición de transparencia sin darse cuenta. Si adoptas el modelo, trata la plantilla como un prefijo y un sufijo fijos y prueba qué ocurre cuando la redacción de los usuarios la desplaza.

Edición: referencias, máscaras y anotaciones

La segunda mitad del argumento es la edición. La ficha dice que el modelo admite hasta 10 imágenes de referencia y que las ediciones locales pueden indicarse con círculos, anotaciones pintadas o máscaras separadas, preservando la identidad de personas y productos. Su galería incluye una foto de grupo generada a partir de seis retratos de referencia y una imagen transparente nativa, y el ejemplo de edición es deliberadamente simple: pasar una imagen de entrada y el prompt «Change the background to a sunset beach», a 40 pasos.

La preservación de la identidad es la afirmación que probaríamos con más dureza, y la ficha no da mediciones al respecto. Es fácil decir que un modelo mantiene coherente una cara o un producto y difícil lograrlo con diez entradas, tres poses y un fondo distinto. Si tu caso de uso es la imagen de producto, el fallo que hay que buscar es pequeño: un logotipo que se desvía, una etiqueta cuya ortografía cambia, un patrón de costura ligeramente erróneo. Son los errores que un cliente nota y que una galería no muestra.

El manejo de las entradas también importa para saber dónde ocurre la edición. El código de edición de la ficha convierte la entrada en una imagen y la pasa junto con el prompt, con el mismo pipeline que gestiona la generación. No hay un modelo de edición aparte que cargar. Para un equipo pequeño es una simplificación real: un checkpoint, una clase de pipeline, un presupuesto de memoria.

Las cifras alrededor

Conviene conservar unas cuantas cifras concretas. Las relaciones de aspecto admitidas se listan como ajustes preestablecidos: 1:1 a 2048×2048, 4:3 a 2400×1792, 3:4 a 1792×2400, 3:2 a 2528×1696, 2:3 a 1696×2528, 16:9 a 2752×1536 y 9:16 a 1536×2752. Son imágenes grandes para los estándares de los modelos abiertos anteriores, y la ficha recomienda enable_model_cpu_offload para presupuestos de memoria ajustados. No da una cifra de VRAM, así que lo seguro es probar en la tarjeta en la que pienses desplegar en lugar de deducirlo del número de parámetros. El checkpoint se almacena en BF16.

Las instrucciones de instalación tienen el mismo filo cortante que su hermano más rápido. La ficha pide torch 2.4.0 o posterior, transformers 5.17 o posterior, accelerate y pillow, y Diffusers instalado desde su repositorio fuente. Si construyes un servicio, eso significa fijar un commit de Diffusers y vigilar que el cambio llegue a una versión publicada. El checkpoint Turbo, más rápido, tratado en nuestra nota sobre su calendario de ocho pasos, tiene la misma dependencia.

En cuanto a la adopción, la página muestra 100 Spaces que usan el modelo, una señal aproximada de cuánta gente lo ha probado, sin información sobre lo bien que les funcionó.

Cómo leer la galería

La galería de la ficha tiene exactamente dos imágenes con pie: la generación de imagen transparente nativa y una foto de grupo generada a partir de seis retratos de referencia. Ambas se eligen para demostrar las funciones estrella, que es para lo que sirven las galerías, y ambas son resultados aislados, no tasas de éxito. Una foto de grupo a partir de seis referencias es una demostración sólida de composición con varias referencias, porque exige seis identidades en un mismo encuadre, pero no dice nada sobre con qué frecuencia el modelo acierta las seis. Toma las imágenes como prueba de existencia de que la función funciona al menos una vez, y usa tu propio conjunto de pruebas para saber con qué frecuencia. Esa distinción entre «puede» y «suele» es toda la diferencia entre una demostración y una dependencia.

La licencia, otra vez

El modelo se publica bajo la Qwen Research License Agreement. No hemos resumido el acuerdo porque no hemos analizado sus términos para uso comercial, y el consejo práctico es el mismo que para cualquier modelo con licencia de investigación: léelo antes de vender nada que dependa de él. «Los pesos se pueden descargar» y «puedes incluirlo en un producto de pago» son afirmaciones distintas.

Qué probaríamos antes de fiarnos

Una lista corta, por orden de probabilidad de hacer daño. Primero, los bordes: renderiza un conjunto de sujetos con pelo, pelaje, cristal y materiales semitransparentes sobre fondo transparente y míralos sobre un fondo oscuro, uno claro y uno de color saturado; los halos se ven de inmediato. Segundo, la identidad entre ediciones: toma una foto de producto o de retrato, aplica cinco ediciones distintas y compara los detalles. Tercero, la robustez del prompt: envuelve la plantilla de transparencia en los prefijos y sufijos que añade tu producto y comprueba si el canal alfa sobrevive. Cuarto, memoria y tiempo en tu hardware real a tu resolución real, con y sin CPU offload. Ninguna de estas pruebas está en la ficha, y cada una responde a una pregunta que la ficha no puede.

Nuestra opinión

Si construyes herramientas de diseño, el alfa nativo junto con la edición por máscara es la combinación interesante, porque reduce a uno un paso que exigía varias herramientas. Las fichas del directorio más cercanas en espíritu son herramientas que montan una composición y dejan que un modelo la renderice, como ArtCraft, y herramientas de diseño como Figma, situadas aguas abajo, donde se usan los recursos. Aun así, una ficha es una promesa, no una prueba. El checkpoint más rápido cambia pasos por velocidad, y el modelo base cambia velocidad por fidelidad. Cuál prefieras depende de si tus usuarios esperan la imagen o eligen entre muchas.

La línea de modelos de lenguaje junto a este modelo de imagen es la cronología de modelos Qwen.

Sigue leyendo

Todos los artículos, del más reciente al más antiguo, están en el índice del blog de Front.

• Qwen Image 2.1 Turbo en ocho pasos: Cómo Qwen Image 2.1 Turbo reduce los pasos a 8.
• Blender o Spline: Comparación directa para 3D en el navegador.
• Humanizer 12B: las afirmaciones, examinadas: Qué respaldan las fuentes de lo que se dice del modelo local Humanizer 12B.
• Cronología de Meta Muse Spark Open: La publicación de Meta Muse Spark Open, en orden temporal.
• Cronología de modelos Qwen: Qwen de Qwen-7B a Qwen3-Coder, con licencias y contexto.

Preguntas frecuentes

Fuentes

• Qwen/Qwen-Image-2.1 model card
• Qwen/Qwen-Image-2.1-Turbo model card