Como obter as melhores imagens do Qwen-Image 2.1?

O que é o Qwen-Image 2.1

O Qwen-Image 2.1 é um único checkpoint para duas tarefas: gerar uma imagem a partir de texto e editar uma imagem existente a partir de uma frase e de até dez imagens de referência. A parte de geração é um transformer de difusão de 7 bilhões de parâmetros combinado com um codificador de texto Qwen3-VL 8B, o arquivo que o ComfyUI carrega para ele. É por ter um modelo de linguagem como codificador que ele lê frases inteiras, instruções de composição e palavras entre aspas, em vez de listas de palavras-chave, e nossos testes confirmam isso. Ele também gera imagens com um canal alfa de verdade quando o prompt pede um fundo transparente.

A Qwen apresenta o 2.1 como melhor em texturas, tipografia e iluminação de retratos, e ele trabalha em 2K nativo: 2048 × 2048 no quadrado, 2528 × 1696 em 3:2, 2752 × 1536 em 16:9, sem upscaler. O preço é o tempo. Em uma placa doméstica com 16 GB de memória de vídeo, os pesos int8 dão uma imagem de 1 megapixel em cerca de 40 segundos e uma de 4 megapixels em cerca de quatro minutos e meio com as configurações abaixo.

Antes de tudo: os pesos estão sob a Qwen Research License, só pesquisa e avaliação, e qualquer uso comercial exige uma licença separada da Qwen. O primeiro Qwen-Image, lançado em agosto de 2025, era Apache 2.0; o 2.1 não é.

Como escrever um prompt para o Qwen-Image 2.1

Escreva frases, não tags. O codificador de texto é um modelo de linguagem: ele lê a ordem das palavras, as preposições e as aspas, e leva tudo ao pé da letra. Um “lighthouse cat” vira um gato desenhado em um farol. A estrutura que nos deu os melhores resultados ao longo de cerca de mil imagens é a seguinte, nesta ordem.

• Técnica e assunto primeiro: “An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms”. A técnica definida no início colore tudo o que vem depois.
• Cenário: lugar, época, clima, ou o que enche o ar. “in falling cherry blossoms”, “in the 1980s”, “during a blizzard”.
• Luz com a direção: “lit from the front by soft diffuse light, with gentle shadows”. A direção é respeitada; um simples “dramatic light” não é.
• Enquadramento: “close-up of the subject, looking at the viewer”, plano médio, visto de cima, o assunto minúsculo em uma paisagem imensa.
• Materiais e paleta: “flowing ink lines, flat gold leaf background, muted jade and plum”. É o que o modelo renderiza melhor em 2K.
• Restrições, escritas no prompt: “no lettering, no watermark”, “five fingers on each hand”. Com guidance 1 o prompt negativo é ignorado, então o próprio prompt precisa carregá-las.

O prompt inteiro da ilustração acima, nessa ordem: An art nouveau illustration of Motoko Kusanagi standing in falling cherry blossoms, a halo of circuit traces around her head like a stained glass window. Lit from the front by soft diffuse light, with gentle shadows. Close-up of the subject, looking at the viewer. Rendered with flowing ink lines, flat gold leaf background, muted jade and plum, fine ornamental borders. The atmosphere is calm and melancholic. Natural proportions, the face in focus. No text, no watermark.

Texto funciona quando vem entre aspas e com lugar definido: “a banner above the door reads 'OPEN ALL NIGHT'” sai certo quase sempre, em maiúsculas ou não. O inverso também vale: uma fachada de loja, um diner ou um fliperama sem texto pedido ganham um letreiro inventado, então escreva “no lettering” sempre que a cena tiver uma fachada. Personagens que o modelo não conhece são trocados por um sósia sem aviso: o Marsupilami virou um macaco, enquanto Mothra e Marvin the Martian saíram certos. Todo card Qwen da nossa página de exemplos de prompts segue essa estrutura, com seed, tamanho e configurações.

Configurações que funcionam, medidas

O template oficial do ComfyUI roda com guidance (CFG) 1 e 25 passos, e o model card usa 40 passos. Nós escolhemos um guidance mais alto. No último teste, em 16 de outubro de 2026, com as mesmas seeds, estas configurações deram as imagens mais detalhadas e mais fiéis:

O guidance é a única configuração que não muda a cena: com a mesma seed e o mesmo tamanho, CFG 1 e CFG 3 dão quase a mesma composição, e o que difere é o acabamento. Em CFG 1 a imagem é mais chapada e perde a textura fina: os pontos de um bordado viram tecido, um rosto de desenho animado perde as pupilas e a boca, o metal perde os rebites. Levar o CFG 1 a 30 passos devolve a nitidez, mas não os materiais nem o contraste; 40 passos em 2 megapixels fica limpo, mas continua mais chapado, e leu o prompt com menos confiabilidade. O APG impede o CFG 3 de saturar demais, e o FreSca realça as altas frequências; os dois só agem quando o guidance está acima de 1.

O custo de um guidance acima de 1 é uma segunda passada por passo: o CFG 1 é duas vezes mais rápido. Na nossa placa, são de 120 a 135 segundos contra 255 a 275 para uma imagem de 4 megapixels, e em cada um dos dez pares de teste achamos que a versão lenta valeu a pena.

Resolução e passos: o que muda a imagem

Duas coisas nos surpreenderam. Mudar o tamanho não redimensiona a imagem: produz outra versão da mesma seed. Passar de 1 megapixel para 2,5 ou 4 sempre nos deu uma imagem diferente; entre 2,5 e 4 megapixels a composição se manteve em oito pares de dez, como na ilustração abaixo, onde só os detalhes mudaram: em 2,5 megapixels as trilhas de circuito saíram do halo e foram para o cabelo. Mudar o número de passos também muda a imagem quando a diferença é grande: 20 e 25 passos dão quase a mesma imagem, 16 passos se afasta. Então não há como pré-visualizar em 1 megapixel e renderizar a mesma imagem maior. Escolha o tamanho primeiro, depois a seed.

Tempos medidos com CFG 3, APG e FreSca, pesos int8, em uma única placa doméstica de 16 GB:

Em 2,5 megapixels o detalhe é um pouco mais suave do que em 4 quando você compara a mesma área a 100%, mas o modelo segue o estilo do prompt pelo menos tão bem, e nos nossos dez pares de teste às vezes melhor: um bordado manteve os pontos visíveis em 2,5 megapixels e virou fotografia em 4. Para uma galeria servida em 1024 pixels, 2,5 megapixels a 20 passos é o ponto ideal. Para impressão, 4 megapixels a 20 passos.

Acelerar: o Turbo oficial, medido

O primeiro LoRA Lightning. O LoRA Qwen-Image-Lightning de 8 passos de 2025 foi treinado no primeiro Qwen-Image, cujas camadas de atenção têm largura 3072. O Qwen-Image 2.1 usa 4096. O ComfyUI imprime um erro por peso de atenção, pula todos e renderiza o modelo puro em 8 passos: nítido o bastante à primeira vista, mas você não está usando o LoRA, e uma imagem de 8 passos de um modelo não destilado não é o que você queria.

O Turbo oficial. A Qwen lançou o Qwen-Image-2.1-Turbo em 9 de outubro de 2026: um checkpoint destilado que roda em 8 passos com CFG 1 e uma sequência fixa de sigmas, distribuído pela Comfy-Org como arquivo int8 e como LoRA para o modelo base, com templates próprios no ComfyUI. Nós o medimos em 17 de outubro nas mesmas dez seeds e tamanhos dos nossos renders em CFG 3, com o grafo exato do template.

Sete vezes mais rápido em 4 megapixels, quatro vezes em 1, e as imagens são limpas: nítidas, bem iluminadas, sem escorregões de anatomia nas nossas dez seeds, texto certo exatamente onde o modelo base acerta. Os objetos do prompt estão lá, às vezes melhor do que com o modelo base: a tartaruga no carro de corrida, que o modelo base tinha deixado de fora em todos os nossos renders, apareceu com o Turbo. O que ele perde é a técnica. O modelo destilado escorrega para o realismo fotográfico, peça o prompt o que pedir: um bordado de crocodilo virou uma fotografia de crocodilo, um desenho a carvão perdeu o grão, um Marvin the Martian em papel recortado virou um boneco de vinil. Os letreiros inventados nas fachadas são os mesmos do modelo base. O LoRA sobre o checkpoint base dá as mesmas imagens que o checkpoint Turbo, só que mais devagar, então o checkpoint é o que vale baixar. Uma seed dá uma imagem diferente da do modelo base, como em qualquer mudança de tamanho, e a licença é a mesma, só pesquisa e avaliação.

Nosso uso: um modo rascunho. Sete vezes mais candidatas por hora para a triagem, e o render final com CFG 3 para tudo o que é pintado, desenhado ou artesanal. Para prompts fotográficos, o resultado do Turbo muitas vezes já é bom como está.

Outras destilações. A LightX2V publicou um LoRA Lightning de 4 passos para o 2.1 em 13 de outubro de 2026, e existe também um LoRA da comunidade de 8 passos, o Turbo8; os dois rodam com CFG 1 como o Turbo oficial. Não os medimos.

O nó de cache de prefixo. O nó QwenImage21Cache do ComfyUI só define o dispositivo e a precisão do cache que o modelo já mantém; nos valores padrão, não muda nada. O modo int8 dele reduz o cache pela metade e ajuda quando a memória aperta em 2K ou na edição com várias imagens de referência. Não vimos nenhuma perda visível com ele.

Menos passos. 16 passos economizam cerca de um quinto do tempo, mas mudam a composição e não ganham nitidez em relação a 20. Se o tempo é a restrição, reduza o tamanho antes dos passos.

Como rodar o Qwen-Image 2.1 localmente

O ComfyUI suporta o modelo nativamente. Três arquivos vão nas pastas de sempre: o modelo de difusão em diffusion_models, o codificador de texto Qwen3-VL em text_encoders, o VAE em vae. As versões int8 publicadas pela Comfy-Org são as certas para uma placa de 16 GB: os pesos bf16 também funcionam, mas transbordam para a memória do sistema e levam de duas a seis vezes mais tempo para imagens idênticas.

O grafo é curto: UNETLoader, CLIPLoader com o tipo qwen_image, VAELoader, o nó TextEncodeQwenImage21, que recebe o prompt e o prompt negativo juntos e devolve os dois conditionings, um latente vazio no tamanho escolhido, depois APG e FreSca no caminho do modelo, um KSampler com CFG 3, euler e o scheduler simple, e VAEDecode. Para uma imagem transparente, envolva o assunto na forma recomendada pelo model card: “This is an RGBA image with transparency. [the subject]. The image has alpha channel and the background is transparent.”, e salve em PNG.

Memória: o modelo int8, o codificador e o VAE cabem em 16 GB em 1 megapixel com folga; nós rodamos 4 megapixels com o cache de prefixo em int8 e nunca ficamos sem memória. A primeira imagem de uma sessão demora mais enquanto os arquivos carregam.