API Qwen Image 2.1: geração unificada de imagens e edição com várias referências

Os criadores têm muitas vezes de alternar entre modelos distintos para sintetizar imagens a partir de texto e para modificar imagens, o que aumenta a complexidade da integração e a latência. O Qwen Image 2.1 reúne a criação visual e a edição iterativa num único checkpoint leve de 7B. Gera imagens nativas em 2K ou edita imagens existentes com a mesma fidelidade, em nove proporções, com uma única chamada à API.

As composições visuais complexas e as provas virtuais de roupa têm frequentemente dificuldade com a deriva das personagens e a degradação das texturas quando condicionadas por várias entradas. O Qwen Image 2.1 suporta até 10 imagens de referência, bem como edição por regiões através de marcadores circulares, anotações a pincel ou máscaras dedicadas. Mantém uma fidelidade de identidade rigorosa em rostos humanos, peças de moda e produtos de marca ao longo das edições.

A elevada contagem de parâmetros dos modelos de difusão com mais de 20B exige muita VRAM e torna lentos os ciclos de iteração em pipelines de produção. O Qwen Image 2.1 tem um DiT de fluxo único compacto, com 32 camadas e apenas 7 mil milhões de parâmetros visuais, reforçado pela reutilização da cache KV de prefixo ao longo de 40 passos de remoção de ruído. Obtém velocidades de inferência bastante superiores e custos de implementação mais baixos, sem comprometer a fidelidade visual.