Qwen-Image-2.1 gera sprites com um canal alfa real, sob uma licença que proíbe o uso comercial

A equipe Qwen da Alibaba disponibilizou o Qwen-Image-2.1 no Hugging Face e no ModelScope em 20 de setembro, sem apresentação e praticamente sem uma publicação no blog. É um único modelo para geração de imagens a partir de texto e edição de imagens, com 7 bilhões de parâmetros em seu componente de geração visual. O recurso que o torna interessante para jogos é a capacidade de gerar imagens com um canal alfa real. Peça um adesivo, um objeto de cena ou o recorte de um personagem e você receberá uma imagem RGBA, não um objeto sobre um fundo branco que depois precisa ser recortado. Página do modelo, GitHub.

Duas saídas RGBA dos exemplos do lançamento, colocadas sobre um padrão quadriculado. Imagens: equipe Qwen, Alibaba.

O que ele faz

O modelo realiza três tarefas que antes exigiam três ferramentas. Ele gera imagens comuns ou transparentes a partir de texto. Também faz edições, usando até dez imagens de referência para manter um personagem ou produto consistente entre diferentes cenas, além de edições locais especificadas ao circular uma região, pintar sobre ela ou fornecer uma máscara. E ainda faz extrações: forneça uma foto e peça o objeto principal como uma camada transparente, e ele retornará o recorte com o canal alfa já incluído.

A saída nativa é 2K. O formato quadrado padrão tem 2048 por 2048 pixels, e a predefinição 16:9 tem 2752 por 1536, gerados diretamente nesse tamanho em vez de ampliados. A equipe Qwen atribui o baixo custo de inferência nessa resolução a um esquema de atenção de granularidade mista e à reutilização do cache KV de prefixo. O ComfyUI adicionou suporte no primeiro dia e afirma que o modelo cabe com folga em placas de vídeo de uso doméstico, enquanto o The Decoder relata sua execução em uma RTX 3090. Para obter uma saída transparente, a recomendação de prompt é direta: diga ao modelo em texto simples que se trata de uma imagem RGBA com canal alfa e fundo transparente, e ele obedece. Blog do ComfyUI, The Decoder.

O benchmark e o devido desconto

O único gráfico do README classifica 30 modelos de imagem de acordo com a pontuação geral criada pela própria equipe Qwen. O Qwen-Image-2.1 ocupa o sétimo lugar, com 60,28 pontos, atrás do GPT Image 2.5, GPT Image 2, Grok Imagine 2.0, Image 3 Pro fechado da Qwen, Muse Image da Meta e MAI Image 2.5 Pro da Microsoft, e à frente do Nano Banana 2.0 e de todos os Seedream. A verdadeira mensagem do gráfico está na segunda linha: os modelos fechados acima dele não divulgam a quantidade de parâmetros, e os modelos abertos abaixo dele são muito maiores. FLUX 2 Max e Pro têm 32 bilhões, Qwen-Image-2512 tem 20 bilhões e Hunyuan Image 3.0 tem 80 bilhões. A alegação é que um modelo de 7 bilhões de parâmetros supera todos eles.

É um benchmark do fornecedor, avaliado pelo próprio fornecedor e baseado em uma escala criada por ele, então deve ser interpretado com a cautela habitual. O que podemos afirmar com base nos exemplos é que a renderização de texto e a composição com várias referências parecem tão boas quanto o gráfico sugere, e que a transparência é real: as bordas alfa nas amostras do lançamento são limpas, em vez de apresentarem um halo de pixels quase brancos.

O gráfico do README: pontuação na parte superior, quantidade de parâmetros abaixo e cadeados nos modelos que não divulgam essa informação. Imagem: equipe Qwen, Alibaba.

Leia a licença antes de criar algo com ele

O primeiro Qwen-Image, lançado em agosto de 2025, usava a licença Apache 2.0. Este é distribuído sob o Contrato de Licença de Pesquisa Qwen, datado do mesmo dia do lançamento, que permite o uso somente para fins não comerciais e direciona usuários comerciais a uma licença separada, obtida por negociação. Pesos abertos? Sim. Aberto para o pipeline de assets do seu jogo? Não, a menos que o jogo seja um projeto por hobby ou que você obtenha a outra licença.

Isso importa mais para este modelo do que para a maioria, porque seu melhor recurso é voltado à produção. Sprites transparentes, ícones e recortes são elementos que você inclui no produto final, não apenas coisas com as quais faz experimentos. Um estúdio que integrar o modelo ao seu pipeline confiando apenas no download do Hugging Face e descobrir a licença no momento do lançamento terá um problema.

Por que isso é relevante para nós

Sprites e arte de interface são as imagens que nossos criadores mais pedem, e o canal alfa é justamente onde todos os modelos de imagem generalistas os decepcionaram. Nossa ferramenta de imagens usa o Flux, que gera um objeto sobre um fundo, e a remoção de fundo subsequente é a etapa que produz bordas com franjas e perda de detalhes em cabelos, fogo e vidro. Um modelo que gera o alfa desde o início elimina essa etapa, e as amostras do lançamento sugerem que ele faz isso bem.

Não podemos hospedar este modelo para você. A licença impede sua execução como serviço pago, e uma licença de pesquisa que proíbe o uso comercial também impede que as saídas sejam usadas em um jogo que você pretende vender. Portanto, a recomendação honesta é a mesma de todos os lançamentos de modelos que cobrimos: a técnica vai se disseminar, e é muito provável que o próximo modelo de imagem aberto com uma licença permissiva também ofereça RGBA nativo, porque a Qwen acabou de demonstrar que isso funciona com 7 bilhões de parâmetros. Até lá, nosso guia de sprites e tilesets apresenta fontes que você pode usar em produtos lançados hoje, e o guia de licenças de assets para jogos explica por que “pesos abertos” e “uso gratuito” não significam a mesma coisa.

Referências

• Hugging Face: página do modelo Qwen/Qwen-Image-2.1
• GitHub: QwenLM/Qwen-Image-2.1
• Blog da Qwen: Qwen-Image-2.1
• ComfyUI: Qwen-Image-2.1 no ComfyUI, geração e edição com pesos abertos e transparência
• The Decoder: Qwen-Image-2.1 da Alibaba, com pesos abertos, afirma superar modelos fechados com 7 bilhões de parâmetros