Tongyi Wanxiang Qwen-Image 2.1 em código aberto: como um pequeno modelo de 7B coloca imagens transparentes e edição com 10 imagens em uma GPU de consumidor

Em 20 de setembro, a equipe Qwen da Alibaba disponibilizou o Qwen-Image 2.1 em uma plataforma de código aberto. Assim que a notícia saiu, os vídeos de pacotes integrados no Bilibili aumentaram no mesmo dia, e a maioria dos títulos trazia a mesma frase: roda com apenas 6 GB de VRAM no mínimo. Para uma área de geração de imagens por texto que costumava ser rotulada como "faminta por GPU", esse número já é notícia por si só.

Muitos, à primeira vista, vão tratá-lo como a nova geração após o Qwen-Image 3.0. Na verdade, não é. A Qwen divulgou o Qwen-Image 3.0 em julho deste ano, alegando suporte a prompts ultra longos de 4500 tokens, mas aquilo era apenas uma prévia, sem pesos e sem benchmarks. O 2.1 é o sucessor legítimo da linha de código aberto 2.0; a parte de geração visual continua sendo um Single-Stream DiT de 32 camadas, com 7B de parâmetros, mantendo a mesma arquitetura leve do 2.0 lançado em fevereiro.

O que realmente surpreende são as funções, não os parâmetros. Vistas em conjunto, estas três atualizações apontam para a mesma direção: fazer as ferramentas de geração de imagens entrarem de fato no fluxo de produção, em vez de pararem na fase de "demo impressionante".

A primeira é a imagem transparente nativa. Antes, para gerar um PNG com canal alfa, era preciso depender de um modelo separado; a Qwen lançou em dezembro do ano passado o Qwen-Image-Layered especificamente para isso. O 2.1 incorporou a capacidade de imagens transparentes ao modelo unificado: com um único prompt, dá para alternar entre imagem comum e RGBA, e até editar diretamente camadas transparentes — mudar a expressão mantendo o fundo transparente, ou recortar o sujeito de uma foto para usar como material. Para quem faz imagens de e-commerce e assets de UI, isso elimina bastante vaivém.

A segunda é que as imagens de referência passaram de algumas para 10. Na época do 2.0, a edição com várias imagens ainda se limitava a poucas entradas; o 2.1 consegue combinar diretamente seis retratos diferentes em uma foto de grupo, ou montar um look completo com uma imagem de modelo, uma de roupa, uma de sapato, uma de bolsa e uma de chapéu. Na implementação, usa um mecanismo de atenção de granularidade mista: o texto segue uma máscara causal em nível de token, a geração de imagem segue uma máscara em nível de chunk, e ainda há reutilização de KV cache, fazendo com que imagens de referência e instruções sejam calculadas uma vez e reutilizadas repetidamente. Em outras palavras, é usar engenharia para conter o problema de "quanto mais imagens, mais lento".

A terceira é o refinamento da edição local. Agora dá para desenhar círculos, rabiscar anotações ou enviar uma imagem de máscara separada, limitando a instrução de modificação a uma pequena área sem mexer no resto da imagem. A cobertura de tarefas também se expandiu para panoramas, infográficos e storyboards.

Mas desta vez o código aberto vem com uma condição incomum no passado. O Qwen-Image 2.1 usa a Qwen Research License, que permite apenas pesquisa e avaliação; uso comercial exige negociação de uma licença paga à parte. Isso é diferente da rota Apache 2.0 seguida pela maioria dos projetos recentes de código aberto da Alibaba, e também marca distância de modelos de pesos abertos totalmente permissivos como Z-Image e Ideogram 4.0. Para equipes que querem usá-lo em trabalhos comerciais e produtos, a licença é algo que merece ser verificado antes mesmo do requisito de GPU.

A reação da comunidade chinesa se concentrou na questão de "conseguir rodar". Uma leva de criadores no Bilibili está fazendo pacotes integrados de um clique, com foco em extrair e usar, mínimo de 6 GB de VRAM, suporte a geração em lote e edição de imagens, e nos comentários muitos o comparam com ferramentas pagas. Esse sentimento tem um contexto: nos últimos dois anos, os modelos de geração de imagem com melhores resultados ficaram majoritariamente atrás de APIs e muros de assinatura, e os que rodavam localmente costumavam ficar um nível abaixo. O Qwen-Image 2.1 caiu justamente nesse cruzamento — pequeno, aberto e com resultados comparados aos de concorrentes fechados —, então a frase "esmaga ferramentas pagas" ganhou terreno para se espalhar, mesmo que ela precise de reticências.

De forma mais objetiva, o valor do Qwen-Image 2.1 não está em "esmagar" ninguém, mas em colocar imagens transparentes, edição com várias imagens e controle local — coisas que designers fazem todos os dias — dentro de um modelo pequeno que roda em uma GPU de consumidor. Na hora da entrega, o que ainda falta para uma imagem gerada por IA ser utilizável? Personagens precisam ser recortados, materiais precisam ter textos alterados, o posicionamento de produtos precisa ser ajustado, e as letras da embalagem e o formato da garrafa não podem mudar junto. O 2.1 mira exatamente nessa "última milha". Se ele realmente substitui parte das ferramentas pagas depende do que as pessoas fazem com ele, não do que diz o título.

Ao menos pelo calor da comunidade de código aberto, a resposta tende ao otimismo. Um pequeno modelo de 7B, mais uma GPU de 6 GB, fez "rodar localmente um modelo de geração de imagem utilizável" deixar de ser uma dor de cabeça para virar extrair e clicar duas vezes. O impacto disso para todo o setor pode ser mais duradouro do que qualquer benchmark isolado.