Alibaba lança Qwen-Image-2.1, modelo aberto de 7B para gerar e editar imagens

A Alibaba condensou o Qwen-Image de um modelo de 20 bilhões de parâmetros para um único checkpoint de 7 bilhões — cerca de um terço do tamanho — sem abrir mão de gerar e editar imagens na mesma arquitetura. O Qwen-Image-2.1, lançado nesta segunda-feira (21) pelo time Qwen, unifica geração de texto para imagem e edição em um só modelo, cobrindo edição multi-referência, edição local e saída transparente em RGBA.

De 20B para 7B: o que mudou

O Qwen-Image original chegou em agosto de 2025 como um modelo de 20B sob licença Apache 2.0, com a edição em um checkpoint separado (Qwen-Image-Edit). O Qwen-Image-2.1 junta as duas funções em um modelo menor, que o time Qwen descreve como o mais equilibrado e econômico da família. Um detalhe importante para planejamento de capacidade: os 7B cobrem apenas o transformer de difusão — o pipeline ainda carrega um encoder de texto Qwen3-VL de 8B.

Arquitetura: quatro componentes

O repositório oficial lista quatro blocos:

• Transformer: 32 camadas, 7B de parâmetros, design single-stream com atenção block-causal.
• Encoder de texto: Qwen3-VL de 8B, que codifica instruções e imagens de condição em uma única representação.
• VAE: autoencoder RGBA de 64 canais, com compressão espacial de 16x e transparência nativa.
• Scheduler: Flow Matching com discretização de Euler e deslocamento dinâmico.

O ganho de velocidade vem da máscara de atenção, que o Qwen chama de atenção de granularidade mista: tokens de texto usam máscara causal por token, enquanto tokens de imagem usam máscara bidirecional por bloco dentro de cada imagem. Como o prefixo de condição fica antes do ruído latente, o modelo nunca precisa recalculá-lo — as chaves e valores são computados uma única vez e reutilizados em todas as etapas de denoising. É por isso que o ganho cresce com o número de imagens de referência.

O que o modelo faz

• Transparência nativa: gera imagens RGBA a partir de texto, edita camadas transparentes e extrai sujeitos de fotos.
• Edição multi-referência: aceita até 10 imagens de referência — os exemplos do README incluem uma foto de grupo montada a partir de 6 retratos.
• Controle local: edições podem mirar regiões usando círculos, anotações pintadas ou máscaras separadas, preservando identidade de pessoas e produtos.
• 2K nativo: resolução padrão de 2048×2048, com 7 proporções suportadas até 2752×1536.

Benchmark e como executar

No Qwen-Image-Bench, o benchmark interno do Qwen, o modelo 2.1 marca 60,28 pontos — acima do Nano Banana 2.0 (59,82) e de todos os modelos abertos listados, mas abaixo de seis modelos fechados, liderados pelo GPT Image 2.5 Sunburst (67,01). Vale notar que é um benchmark próprio da empresa.

Para rodar, basta PyTorch 2.4+, transformers 5.17+, Diffusers e pillow:

import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
).to("cuda")

image = pipe(
    prompt="A neon shop sign that reads \"QWEN IMAGE 2.1\", rainy night",
    num_inference_steps=40,
).images[0]
image.save("t2i.png")

O mesmo pipeline cuida da edição quando você passa image= com uma ou mais referências. Em GPUs menores, pipe.enable_model_cpu_offload() reduz a pressão de memória.

Disponibilidade e licença

O suporte de dia zero cobre Diffusers, ComfyUI, vLLM-Omni, SGLang e LightX2V. Para pesquisa e avaliação, o uso é liberado; o deploy comercial exige uma licença separada da Qwen — um ponto de atenção para empresas que pretendem colocar o modelo em produção.