Qwen-Image-2.1-Turbo: oito passos de denoising no mesmo gerador de 7B

Linha do tempo

1. 14 de setembro de 2026

   O repositório Qwen-Image-2.1 aparece no Hugging Face. O card descreve um modelo unificado de texto para imagem e edição de imagens, cujo componente de geração visual tem 7B de parâmetros em 32 camadas DiT de fluxo único, com transparência nativa, edição a partir de até 10 imagens de referência e um pipeline do Diffusers chamado QwenImage21Pipeline. Os exemplos pedem 40 passos de inferência.

   Qwen/Qwen-Image-2.1 model card

2. 9 de outubro de 2026

   O repositório Qwen-Image-2.1-Turbo aparece. O card o chama de checkpoint acelerado do Qwen-Image-2.1 com 8 passos de denoising, a mesma arquitetura de 7B, CFG=1 por padrão e prefix KV caching, e diz que exige o Diffusers instalado a partir do código-fonte.

   Qwen/Qwen-Image-2.1-Turbo model card

Primeiro o modelo base, porque o Turbo só faz sentido em comparação com ele

Em 14 de setembro apareceu no Hugging Face um repositório chamado Qwen-Image-2.1, e o card abre com uma frase modesta: a equipe está animada em abrir o código de um modelo unificado de geração de imagens a partir de texto e de edição de imagens da família Qwen. O detalhe que vem a seguir é o que importa para quem precisa rodá-lo. O componente de geração visual tem apenas 7B de parâmetros, formados por 32 camadas DiT de fluxo único, e o card apresenta o lançamento como um equilíbrio entre qualidade, eficiência e versatilidade, sem disputar o título de maior modelo.

O card lista quatro melhorias. Uma arquitetura compacta com atenção de granularidade mista e reaproveitamento de prefix KV cache pretende entregar qualidade de imagem com baixo custo computacional. A transparência nativa permite que o modelo gere imagens comuns ou transparentes (RGBA) a partir de texto, edite camadas transparentes e extraia sujeitos de fotografias num único modelo. A edição aceita até 10 imagens de referência, com edições locais indicadas por círculos, anotações pintadas ou máscaras separadas, e preservação de identidade de pessoas e produtos. Por fim, os autores afirmam melhor tipografia, melhor iluminação de retratos e mais detalhe fino. São afirmações dos autores; o card não traz tabela de benchmark que possamos conferir, e não executamos o modelo.

O código de exemplo é franco sobre o custo de usá-lo. A chamada de texto para imagem pede 40 passos de inferência em 2048×2048, e o card oferece uma dica de memória para orçamentos mais apertados: chamar enable_model_cpu_offload no pipeline. Essa é a linha de base que o Turbo foi feito para melhorar.

Quatro semanas depois: o que «acelerado» significa

Quatro semanas depois, em 9 de outubro, apareceu um segundo repositório: Qwen-Image-2.1-Turbo. O primeiro parágrafo do card é uma única frase densa. É um checkpoint acelerado do Qwen-Image-2.1 para geração de imagens a partir de texto e edição de imagens com 8 passos de denoising, usando a mesma arquitetura de geração visual de 7B, carregável diretamente pelo mesmo QwenImage21Pipeline do Diffusers. Nada na arquitetura mudou. O que mudou foi quantas vezes o modelo é executado para produzir uma imagem.

Para quem ainda não conhece o termo, um modelo de difusão cria uma imagem partindo de ruído e refinando-o repetidamente. Cada refinamento é um passo de denoising, e cada passo é uma passada completa pela rede, de modo que o número de passos é o primeiro fator a decidir quanto tempo uma imagem leva. Os exemplos do card base usam 40. Os do Turbo usam 8. São cinco vezes menos passadas, e por isso a manchete é fácil de escrever. É também por isso que somos cuidadosos: número de passos não é tempo real. Resolução, hardware, o contexto em cache e tudo o que fica fora da rede contribuem, e o card não informa tempos. Trate «mais rápido» como a consequência esperada, não como algo medido.

A segunda mudança é menos óbvia. O card diz que a geração usa CFG=1 por padrão. Classifier-free guidance é a técnica, na formulação usual, de executar o modelo uma vez com o seu prompt e outra sem ele, e depois afastar o resultado da resposta sem prompt. Uma escala de guidance igual a 1 desliga esse empurrão extra, o que é contexto geral e não algo que o card explique, e faz parte do motivo pelo qual modelos destilados de poucos passos costumam ser baratos. O que o card diz é que o checkpoint já vem com o cronograma de amostragem recomendado, que você não configura um scheduler por conta própria, e que o prefix KV caching reaproveita o contexto de texto e de imagens de referência entre os passos de denoising. O raciocínio é simples: o prompt e as imagens de referência não mudam de um passo para o outro, então seus resultados intermediários podem ser calculados uma vez e reutilizados.

A parte que vai te pegar: a configuração

Quem já fixou a versão de uma biblioteca conhece a frase do card do Turbo que mais importa. O checkpoint exige uma versão do Diffusers com suporte a sigmas de amostragem configurados pelo pipeline, adicionado no pull request 14950 do Diffusers, o que significa instalar o Diffusers a partir do repositório de código-fonte, e não de uma versão publicada. Ele também pede transformers 5.17.0 ou mais recente, além de accelerate e pillow, e uma build do PyTorch compatível com CUDA. Na prática, uma implantação baseada no Turbo depende de uma mudança que pode ainda não estar no pacote que o seu sistema de build baixa por padrão. Fixe o commit.

As instruções de amostragem trazem uma segunda armadilha. O cronograma salvo de 8 passos é carregado automaticamente, e o card diz que definir apenas num_inference_steps não o substitui. Se quiser experimentar, é preciso passar um argumento sigmas explícito na chamada, e o card admite com franqueza que outros cronogramas não foram avaliados para este checkpoint. Em outras palavras, a receita de 8 passos é o caminho suportado, e sair dele fica por sua conta. Quem está acostumado a aumentar o número de passos em busca de qualidade vai ver que esse botão não se comporta como esperado.

Os dois exemplos práticos do card mostram o que os autores consideram uso típico. O exemplo de texto para imagem pede um pôster educativo em orientação retrato, em 1696×2528, descrito por um prompt muito longo que dita o layout, as cores e cada linha de texto, incluindo uma equação de química escrita por extenso. É um teste de estresse deliberado da tipografia. O exemplo de edição parte de um esboço de um iate a motor e pede uma fotografia fotorrealista em 2048×2048, com o prompt especificando cor do casco, cor da chaminé, vigias e condições do mar. O card também lista as proporções de tela suportadas, de 1:1 em 2048×2048 a 9:16 em 1536×2752, e uma vitrine agrupada por fotografia de retrato, poses e movimento humanos, geração de imagem transparente, tipografia e design de pôster, transformação de imagem única, composição com várias referências e composição de interiores com quatro imagens.

A licença é a parte que merece leitura

No rodapé dos dois cards está a linha que decide se isso é um brinquedo ou um componente: o modelo é licenciado sob o Qwen Research License Agreement. Não é uma licença de código aberto no estilo OSI, então «pesos abertos» é uma descrição correta e «livre para entregar num produto» não é algo a presumir. Se você está construindo algo comercial, leia o próprio acordo, porque não resumimos seus termos aqui e não vamos adivinhá-los.

O sinal de adoção aparece nas páginas. O Hugging Face lista 31 Spaces usando o checkpoint Turbo, contra 100 do modelo base, o que mostra que as pessoas têm testado, mas não o quanto funciona bem. O card do Turbo também convida a enviar feedback por um formulário oficial que conecta os usuários à equipe de pesquisa do Qwen Image, e pede que compartilhem prompts, imagens e fluxos de trabalho. Isso diz bastante sobre a maturidade: a equipe ainda está coletando casos de falha.

Como testaríamos, se tivéssemos uma GPU livre

A forma honesta de avaliar um checkpoint destilado é manter todo o resto parado. Pegue vinte prompts que importam para você, incluindo pelo menos um com texto embutido e um com fundo transparente, se precisar disso, fixe as seeds e renderize cada um no modelo base com 40 passos e no Turbo com 8. Meça o tempo dos dois na sua própria placa, na resolução que você realmente vai usar. Depois olhe os pares atrás da falha que importa para o seu produto, seja letreiro embaralhado, identidade que se perde nas edições ou franjas nas bordas transparentes. O card não alega paridade, e você também não deve presumi-la.

Nossa avaliação

O Turbo é interessante para uso interativo, em que uma pessoa itera nos prompts e espera cada resultado. Gerar muitos rascunhos rapidamente e renderizar os escolhidos no modelo base é um fluxo de trabalho sensato, que os dois checkpoints foram feitos para sustentar. Se você construir ferramentas em cima dele, a dependência de uma mudança ainda não publicada do Diffusers é o que mais provavelmente vai quebrar, e a licença de pesquisa é o que mais provavelmente vai barrar um lançamento. Nenhum dos dois é motivo para ignorar o modelo. Ambos são motivos para ler a seção de configuração antes da vitrine. O texto complementar sobre o que o modelo base acrescenta, transparência e edição, cobre a outra metade da história.

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: transparência e edições: Os recursos do Qwen Image 2.1 para imagens transparentes e edição.
• Ling 3.1 Flash: o que é preciso para rodá-lo: O hardware necessário para rodar o Ling 3.1 Flash.
• Cronologia do Reflection Beam 501B: O lançamento dos pesos do Reflection Beam 501B, em ordem temporal.
• Como escolher uma alternativa ao Blender: O guia geral para escolher uma ferramenta 3D.
• Linha do tempo dos modelos Qwen: Qwen de Qwen-7B a Qwen3-Coder, com licenças e contexto.

Perguntas frequentes

Registro de alterações

• 17 de outubro de 2026 — Primeira publicação.

Fontes

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