Qwen lança Qwen-Image-2.1: um modelo aberto poderoso para geração e edição de imagens
A Qwen apresentou o Qwen-Image-2.1, um modelo aberto com 7 bilhões de parâmetros para geração e edição de imagens que supera o Nano Banana 2.0.
A Qwen lançou mais uma atualização robusta. Apresentamos o Qwen-Image-2.1 — um modelo aberto com 7 bilhões de parâmetros destinado à geração e edição de imagens, que demonstra desempenho superior ao do Nano Banana 2.0.
O modelo suporta até 10 imagens de referência, edição local e transparência nativa. Isso permite que os usuários gerem imagens com fundos transparentes imediatamente e recortem objetos sem a necessidade de máscaras separadas.
Você pode acessar o modelo no Hugging Face: Qwen/Qwen-Image-2.1
Além disso, a comunidade já criou uma versão sem censura: Qwen-Image-2.1-Uncensored-GGUF
Por que isso importa
AnáliseEste lançamento oferece uma alternativa sólida de código aberto para geração de imagens, apresentando recursos avançados como suporte nativo à transparência que simplificam os fluxos de trabalho criativos.
Debater na comunidade
Compartilhe suas dúvidas e insights com desenvolvedores
Relacionado no ecossistema
Guias práticos, terminologia essencial e skills de agentes
GPT Image / DALL-E (Geração de Imagens no ChatGPT)
Ferramenta integrada de geração de conteúdo visual diretamente na interface do ChatGPT. Permite criar ilustrações, concept art, textos em pôsteres e editar localmente fragmentos de imagens.
No Hugging Face foi publicado um modelo Qwen3.5-9B quase totalmente sem censura
O modelo DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED foi ajustado e modificado para recusar muito menos requisições; sua versão Q4 pesa cerca de 5,6 GB.
Thinking Machines lança Inkling 2 Small: modelo MoE de 594B que pode treinar outros modelos
A Thinking Machines apresentou o Inkling 2 Small, um modelo MoE de 594B parâmetros que lidera entre modelos abertos em várias tarefas e demonstrou poder fazer fine-tuning do Qwen3.5-4B de forma autônoma.
Jev e System One AI: guia prático completo sobre o modelo de decisão da TypeSafe
Análise técnica aprofundada do modelo principal Jev: arquitetura System One versus LLM, primitivos Choice/Score/Noul, paralelismo de requisições, matemática da confiança, casos de vídeo, código e visão geral de alternativas open-weight locais (Laya, GLiNER2.5, CLM-8B).