Qwen-Image 2.1: o modelo open-weight que gera transparência nativa, edita até 10 imagens de uma vez e roda na sua GPU
22 de setembro de 2026. O time Qwen da Alibaba acaba de lançar o Qwen-Image 2.1, um modelo de geração e edição de imagens open-weight que faz algo que nenhum outro modelo aberto faz: gera canal alpha de verdade. Quatro canais, RGBA, saída pronta pra composição, sem nó de remoção de fundo, sem modelo de matting, sem limpeza de borda.
E ele já roda nativo no ComfyUI.
O modelo tem só 7 bilhões de parâmetros no componente visual (32 camadas Single-Stream DiT), cabe em GPU de consumidor, gera em 2K nativo (2048×2048) e aceita até 10 imagens de referência numa única inference. Um checkpoint só faz geração e edição.
O que torna esse modelo diferente
Não é mais um modelo de imagem. O Qwen-Image 2.1 ataca três pontos onde a competição open-source ainda apanha:
1. Transparência nativa (RGBA)
Isso é o verdadeiro diferencial. O VAE do modelo é um autoencoder RGBA de 64 canais com compressão espacial 16×. Ele gera o canal alpha junto com o RGB: sprites, logos, ícones, cutouts de produto saem do sampler prontos pra composição. Nenhum outro modelo aberto relevante faz isso. O prompt é ridiculamente simples:
This is an RGBA image with transparency. A cute cartoon dragon sticker.
The image has alpha channel and the background is transparent.E você recebe um PNG com alpha de verdade, não uma imagem com fundo branco que parece ter alpha.
2. Edição com até 10 imagens de referência
O nó Text Encode Qwen Image 2.1 no ComfyUI vai abrindo inputs de imagem conforme você preenche, até 10. Personagem, produto, placa de fundo, referência de estilo, tudo é lido pelo text encoder (um Qwen3-VL 8B) e injetado na sequência como latents do VAE.
Dá pra fazer group photo com 6 retratos individuais, outfit completo com 5 referências (modelo, roupa, sapato, bolsa, chapéu), ou preservar identidade de pessoa e produto com precisão.
3. Edição local com círculos e máscaras
Você desenha círculos na imagem, passa anotações pintadas ou máscaras separadas, e o modelo edita só aquela região. Remove relógio, muda cor de cabelo, troca roupa, tudo na mesma passada, sem regenerar a imagem inteira.
Arquitetura: Single-Stream DiT com prefix KV cache
O Qwen-Image 2.1 usa uma arquitetura single-stream DiT (Diffusion Transformer) com atenção block-causal. A ideia é simples e eficiente:
- Transformer: 32 camadas, 7B parâmetros, single-stream com block-causal attention
- Text Encoder: Qwen3-VL 8B, um vision-language model que codifica tanto texto quanto imagens de condição numa representação unificada
- VAE: 64 canais RGBA, compressão 16×
- Scheduler: Flow Matching com Euler discrete e dynamic shifting
O truque de performance está na atenção mixed-granularity: texto usa máscara causal token-level, imagens usam máscara bidirecional chunk-level. Isso permite prefix KV cache reuse: as imagens de entrada e instruções de texto são computadas uma vez no primeiro passo de denoising e cacheadas pra todos os passos seguintes. Em edição com múltiplas imagens de condição, isso dá um speedup significativo.
Showcase: o que esse modelo entrega na prática
Renderização de texto
Tipografia sempre foi o calcanhar de Aquiles de modelos de imagem. O Qwen-Image 2.1 acerta texto longo, fontes variadas e integração com a cena:
Fidelidade de retrato e produto
Identidade preservada mesmo em reenquadramentos agressivos:
Panorama e storyboard
Dá pra gerar panorama a partir de uma selfie ou storyboard com três ângulos de personagem:
Inference: roda em tudo que você imagina
O lançamento veio com suporte Day 0 em praticamente todos os engines relevantes:
| Engine | Detalhes |
|---|---|
| Diffusers | QwenImage21Pipeline, texto e edição no mesmo pipeline |
| ComfyUI | Suporte nativo, templates T2I e image edit, weights em Comfy-Org |
| vLLM-Omni | Prefix KV caching, CUDA Graph decode, FP8 quantization, TP/Ulysses parallelism |
| SGLang | Prefix caching, Cache-DiT, CUDA graphs, multi-GPU, component offload |
| LightX2V | Aceleração otimizada pra GPUs consumer e datacenter |
Exemplo rápido com Diffusers
from diffusers import QwenImage21Pipeline
import torch
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,
generator=torch.Generator("cuda").manual_seed(42),
).images[0]Memory optimization pra GPUs menores
pipe = QwenImage21Pipeline.from_pretrained(
"Qwen/Qwen-Image-2.1", torch_dtype=torch.bfloat16
)
pipe.enable_model_cpu_offload()Edição com múltiplas referências
images = [Image.open(f"ref_{i}.png") for i in range(3)]
result = pipe(
prompt="These three characters are sitting around a campfire",
image=images,
num_inference_steps=40,
).images[0]Prompt Rewriting: o truque que o Qwen recomenda
Pra extrair o máximo do modelo, o time disponibilizou dois checkpoints de reescrita de prompt baseados no Qwen3.5-VL 9B, um pra T2I e um pra edição:
O rewriter expande prompts curtos em descrições detalhadas e até escolhe o aspect ratio ideal. Roda com vLLM em batch ou transformers local:
python run_vllm.py --task t2i \
--ckpt Qwen/Qwen-Image-2.1-PE-T2I \
--input data/t2i_example.jsonl --output out.jsonlHardware: não é só NVIDIA
AMD Radeon entra no jogo com ROCm + PyTorch + Diffusers. E via FlagOS, o modelo roda em 8 plataformas de chip diferentes com precisão alinhada à implementação oficial e zero mudança de código.
Licença e pesos
- Licença: Qwen Research License (não é Apache 2.0, leia as letras miúdas)
- Pesos no HuggingFace: Qwen/Qwen-Image-2.1
- Pesos compatíveis com ComfyUI: Comfy-Org/Qwen-Image-2.1
- Demo: HuggingFace Space
- Workflows ComfyUI: T2I e Image Edit
O que isso significa
- RGBA nativo muda o jogo pra criadores de conteúdo. Spritesheets, logos, overlays, UI elements, product mockups, tudo que precisa de transparência não depende mais de pipeline separado de background removal. É um passo a menos, uma ferramenta a menos, um modelo a menos.
- Edição multi-imagem com preservação de identidade é o santo graal que estava faltando. 10 imagens de referência numa passada só, com o text encoder entendendo a relação entre elas. Isso não é “inpaint numa região”, é composição semântica. A diferença é brutal pra moda, produto e personagens.
- 7B parâmetros é o sweet spot. Cabe em 16 GB VRAM com offload, gera rápido, não precisa de datacenter. É o tamanho certo pra adoção em massa por criadores independentes.
- O ecossistema Qwen está se tornando um dos mais coesos. O time lança com Day 0 support em Diffusers, ComfyUI, vLLM, SGLang, LightX2V, mais rewriters especializados, mais suporte multi-chip. Não é só “toma os pesos e se vira”, é um ecossistema pensado.
- A competição em imagem open-source esquentou de vez. O Qwen-Image 2.0 de fevereiro já era bom. Esse 2.1 adiciona features que modelos fechados cobram caro pra entregar (transparência, edição multi-referência). E é de graça.
- Falta benchmark quantitativo. O release não inclui tabelas de comparação numérica (ELO, preference rate, FID). Os showcases são impressionantes, mas avaliação qualitativa sem números é propaganda. Quero ver Artificial Analysis ou independentes metendo esse modelo contra Flux Pro, SD3.5 e Ideogram nos benchmarks padrão.
Modelo: Qwen-Image-2.1
Parâmetros: 7B (componente visual), Qwen3-VL 8B (text encoder)
Resolução nativa: 2048×2048, aspect ratios até 16:9
Preço: Gratuito (open-weight, Qwen Research License)
Links: Blog oficial · HuggingFace · Demo · ComfyUI weights