Qwen-Image-2.1 gera imagens transparentes e edições com até 10 referências

O problema que a transparência resolve

Imagine uma equipe pequena montando um gerador de adesivos, um jogo com sprites gerados ou uma loja que precisa de recortes de produtos. Há meses ela gera imagens, e todas têm o mesmo problema no fim do pipeline: o fundo. O modelo desenha uma pessoa, um dragão ou um tênis sobre um cenário, e alguém precisa recortar. Essa etapa é um segundo modelo, ou trabalho manual, e falha justamente nos pontos que ficam mais feios, como cabelo, vidro e sombras suaves. É um cenário ilustrativo, não uma afirmação sobre nenhuma empresa real, mas quem já trabalhou num pipeline assim vai reconhecê-lo.

O Qwen-Image-2.1, publicado no Hugging Face em meados de setembro, ataca diretamente essa emenda. Seu card descreve um modelo unificado de geração de imagens a partir de texto e de edição de imagens, com um componente de geração visual de 7B de parâmetros formado por 32 camadas DiT de fluxo único. Das quatro melhorias listadas pelos autores, a segunda é a que muda um pipeline: a transparência nativa. Segundo o card, é possível gerar imagens comuns ou transparentes (RGBA) a partir de texto, editar camadas transparentes e extrair sujeitos de fotografias, tudo num único modelo.

O que o card diz sobre pedir transparência

A frase mais útil da página não é marketing. É um modelo de prompt. O exemplo de imagem transparente do card diz: “This is an RGBA image with transparency. A cute cartoon dragon sticker. The image has alpha channel and the background is transparent.” Ele é descrito como o formato de prompt recomendado para imagens transparentes, e o exemplo pede uma saída de 2048×2048 com 40 passos de inferência. Na prática, isso mostra que o modelo não é ligado por uma flag. Você pede a transparência com palavras, e a frase de abertura do prompt e a declaração final sobre o canal alfa fazem parte do contrato.

É uma escolha de projeto com consequências. Um interruptor guiado por prompt é flexível, porque deixa o mesmo pipeline produzir os dois tipos de imagem, e é frágil como os prompts sempre são: uma equipe que reescreve prompts de usuários, acrescenta sufixos de estilo ou os traduz pode quebrar o pedido de transparência sem perceber. Se for adotar o modelo, trate o modelo de prompt como prefixo e sufixo fixos e teste o que acontece quando o texto do próprio usuário o atropela.

Edição: referências, máscaras e anotações

A segunda metade da proposta é a edição. O card diz que o modelo aceita até 10 imagens de referência, que as edições locais podem ser indicadas por círculos, anotações pintadas ou máscaras separadas, e que a identidade de pessoas e produtos é preservada. A vitrine inclui uma foto de grupo gerada a partir de seis retratos de referência e uma imagem transparente nativa, e o exemplo de edição é propositalmente simples: passar uma imagem de entrada e o prompt “Change the background to a sunset beach”, com 40 passos.

A preservação de identidade é a afirmação que testaríamos com mais rigor, e o card não traz medições a respeito. É fácil dizer que um modelo mantém um rosto ou um produto consistente e difícil conseguir isso com dez entradas, três poses e um fundo diferente. Se o seu caso de uso é imagem de produto, a falha a procurar é pequena: um logotipo que se desvia, um rótulo cuja grafia muda, um padrão de costura levemente errado. São os erros que o cliente nota e que a vitrine não mostra.

O tratamento da entrada também importa para a pergunta prática de onde a edição acontece. O código de edição do card converte a entrada em imagem e a passa junto com o prompt, no mesmo pipeline que cuida da geração. Não há um modelo de edição separado para carregar. Para uma equipe pequena isso é uma simplificação real: um checkpoint, uma classe de pipeline, um orçamento de memória.

Os números ao redor

Alguns números concretos valem ser guardados. As proporções de tela suportadas são listadas como presets: 1:1 em 2048×2048, 4:3 em 2400×1792, 3:4 em 1792×2400, 3:2 em 2528×1696, 2:3 em 1696×2528, 16:9 em 2752×1536 e 9:16 em 1536×2752. São imagens grandes para os padrões dos modelos abertos anteriores, e o card recomenda enable_model_cpu_offload para orçamentos de memória mais apertados. Ele não informa um valor de VRAM, então o plano seguro é testar na placa em que você pretende implantar, em vez de inferir pela contagem de parâmetros. O checkpoint é armazenado em BF16.

As instruções de instalação têm a mesma aresta cortante do irmão mais rápido. O card pede torch 2.4.0 ou mais recente, transformers 5.17 ou mais recente, accelerate e pillow, e o Diffusers instalado a partir do repositório de código-fonte. Se você está montando um serviço, isso significa fixar um commit do Diffusers e acompanhar a chegada da mudança numa versão publicada. O checkpoint Turbo, mais rápido, tratado em nossa nota sobre o cronograma de oito passos, tem a mesma dependência.

Quanto à adoção, a página mostra 100 Spaces usando o modelo, um indício aproximado de quantas pessoas o experimentaram, sem informação sobre como funcionou para elas.

Como ler a vitrine

A vitrine do card tem exatamente duas imagens legendadas: geração nativa de imagem transparente e uma foto de grupo gerada a partir de seis retratos de referência. As duas foram escolhidas para demonstrar os recursos principais, que é para o que vitrines servem, e as duas são resultados isolados, não taxas de sucesso. Uma foto de grupo a partir de seis referências é uma demonstração forte de composição com várias referências, porque pede seis identidades no mesmo quadro, mas não diz nada sobre com que frequência o modelo acerta as seis. Trate as imagens como prova de existência de que o recurso funciona pelo menos uma vez, e use o seu próprio conjunto de testes para descobrir com que frequência. Essa distinção entre «consegue» e «costuma fazer» é toda a diferença entre uma demo e uma dependência.

A licença, de novo

O modelo é licenciado sob o Qwen Research License Agreement. Não resumimos o acordo porque não analisamos seus termos para uso comercial, e o conselho prático é o mesmo de qualquer modelo com licença de pesquisa: leia antes de vender qualquer coisa que dependa dele. «Os pesos podem ser baixados» e «você pode entregar isto num produto pago» são afirmações diferentes.

O que testaríamos antes de confiar

Uma lista curta, na ordem de probabilidade de cada item causar dano. Primeiro, bordas: renderize um conjunto de sujeitos com cabelo, pelo, vidro e materiais semitransparentes sobre fundo transparente e veja-os sobre um fundo escuro, um claro e um colorido saturado; as franjas aparecem na hora. Segundo, identidade ao longo das edições: pegue uma foto de produto ou de retrato, aplique cinco edições diferentes e compare os detalhes. Terceiro, robustez do prompt: envolva o modelo de transparência nos tipos de prefixo e sufixo que o seu produto acrescenta e veja se o canal alfa sobrevive. Quarto, memória e tempo no seu hardware real, na resolução real, com e sem CPU offload. Nenhum desses testes está no card, e cada um responde a uma pergunta que o card não responde.

Nossa avaliação

Se você constrói ferramentas de design, alfa nativo mais edição por máscara é a combinação interessante, porque reúne numa só etapa o que antes exigia várias ferramentas. As entradas do diretório mais próximas em espírito são ferramentas que montam uma composição e depois deixam um modelo renderizá-la, como o ArtCraft, e ferramentas de design como o Figma, que ficam a jusante, onde os assets são usados. Ainda assim, um card é uma promessa, não um teste. O checkpoint mais rápido troca passos por velocidade, e o modelo base troca velocidade por fidelidade. Qual dos dois você quer depende de os seus usuários esperarem pela imagem ou escolherem entre muitas.

A linha de modelos de linguagem ao lado deste modelo de imagem é a linha do tempo dos modelos Qwen.

Continue lendo

Todos os artigos, do mais recente ao mais antigo, estão no índice do blog da Front.

• Qwen Image 2.1 Turbo em oito passos: Como o Qwen Image 2.1 Turbo reduz os passos para 8.
• Blender ou Spline: Comparação direta para 3D no navegador.
• Humanizer 12B: as alegações examinadas: O que as fontes sustentam do que se diz sobre o modelo local Humanizer 12B.
• Cronologia do Meta Muse Spark Open: O lançamento do Meta Muse Spark Open, em ordem temporal.
• Linha do tempo dos modelos Qwen: Qwen de Qwen-7B a Qwen3-Coder, com licenças e contexto.

Perguntas frequentes

Fontes

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