Qwen-Image-2.1-Turbo em um laptop com 8 GB: 10 imagens, de 768 a 2048, com tempos reais

Autoria: Prompt Engineer 48 · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Qwen-Image-2.1-Turbo on an 8GB Laptop: 10 Images, 768 to 2048, Real Timings · Canal: Prompt Engineer 48 · 07:44 · Assistir no YouTube

Tópicos: Ferramentas de desenvolvimento com IA, Geração de conteúdo com IA, Inferência e otimização de modelos, Modelos locais e open source

Resumo

O vídeo testa o Qwen-Image-2.1-Turbo em um laptop com GPU RTX 4060 e 8 GB de VRAM, usando ComfyUI e uma versão GGUF Q4KM do modelo. São geradas 10 imagens em diferentes resoluções, de 768 × 768 a 2048 × 2048, com tempos que vão de cerca de 42 a 148 segundos. Textos grandes, como títulos de pôster e palavras em uma caneca, saem legíveis, mas textos pequenos e números em uma interface de dashboard ficam incorretos. O apresentador também explica os arquivos necessários, a configuração e a licença de pesquisa, que deve ser verificada antes de uso em produtos.

Pontos-chave

O teste foi feito em uma GPU RTX 4060 para laptop com 8 GB de VRAM, usando o arquivo GGUF Q4KM de 4,2 GB.
O modelo é executado com oito etapas de denoising e CFG 1, sem uma segunda passagem negativa.
O fluxo no ComfyUI também requer um encoder de texto W4A8 de 6,3 GB e um VAE BF16 de aproximadamente 0,7 GB.
As imagens de aproximadamente 1 megapixel levaram de 46 a 50 segundos; as próximas de 4 megapixels, de 143 a 148 segundos.
Os tempos para imagens grandes foram semelhantes nas orientações horizontal e vertical.
Títulos e palavras grandes foram renderizados corretamente em alguns exemplos, mas texto pequeno e números de interface ficaram distorcidos ou incorretos.
Uma geração de retrato falhou inicialmente por falta de memória da CPU, mas foi concluída em uma segunda tentativa.
O modelo usa a Qwen Research License; é importante verificar os termos antes de usar as imagens em um produto.

Capítulos

Início	Capítulo	Resumo
00:01	Apresentação e especificações do modelo	O vídeo apresenta o teste no laptop e explica as capacidades, resoluções e licença do modelo.
02:04	Arquivos e configuração no ComfyUI	O apresentador escolhe os arquivos quantizados, explica os componentes necessários e mostra como configurar o fluxo.
03:35	Geração de imagens em diferentes resoluções	São mostrados os exemplos gerados, as resoluções testadas e os tempos de execução.
06:08	Limitações, tempos e licença	O vídeo relata uma falha por falta de memória da CPU, compara a legibilidade dos textos e reforça o cuidado com a licença.

Citações

O texto do pôster saiu escrito corretamente logo na primeira tentativa. — 00:01

Estou usando o Q4KM, que deixa um pouco de espaço nesta placa. — 02:04

Em torno de 1 megapixel, leva de 46 a 50 segundos. — 06:41

Texto grande funciona bem, mas texto pequeno e denso de interface não. — 07:11

Conceitos e entidades

Qwen-Image-2.1-Turbo (modelo): Modelo de geração de imagens de 7 bilhões de parâmetros testado no vídeo.
Unsloth (empresa): Origem do repo com a versão GGUF do Qwen-Image-2.1-Turbo usada no teste.
ComfyUI (ferramenta): Interface usada para configurar e executar o fluxo de geração de imagens.
ComfyUI-GGUF (repo): Custom node de City96 necessário para carregar arquivos GGUF no ComfyUI.
City96 (pessoa): Autor do custom node ComfyUI-GGUF mencionado no vídeo.
GGUF (conceito): Formato do arquivo quantizado do modelo usado para executá-lo dentro das limitações de memória do laptop.
Qwen Research License (conceito): Licença citada para o modelo, que o apresentador recomenda verificar antes de usar as imagens em um produto.
RTX 4060 Laptop GPU (ferramenta): GPU com 8 GB de VRAM usada para realizar os testes.

Tradução completa (pt-BR)

00:01 Certo, neste vídeo vamos executar o Qwen-Image-2.1-Turbo no meu laptop, e você pode ver que o texto do pôster aqui, “Visit Northport Main Coast established 1894”, saiu escrito corretamente logo na primeira tentativa. Vale lembrar que isso está rodando em uma GPU de laptop 4060 com 8 GB de memória, e o arquivo do modelo que estou usando tem apenas 4,2 GB. Naquela caneca está escrito “morning code”, na placa está escrito “ramen”, e vou mostrar a configuração, 10 imagens em 10 resoluções diferentes e onde o resultado começa a falhar.

00:31 Vamos testar. Este é o cartão do modelo no Hugging Face: Qwen/Qwen-Image-2.1-Turbo. É um checkpoint acelerado do Qwen-Image-2.1, um modelo de 7 bilhões de parâmetros, e o que vale notar aqui é a quantidade de etapas. Ele roda em oito etapas de remoção de ruído, com CFG definido como um, então não há uma segunda passagem negativa, o que é um dos principais motivos de ele ser rápido. Agora, se você olhar as resoluções listadas aqui, ele aceita 2048 por 2048 para imagens quadradas, 2752 por 1536

01:03 para 16 por 9 e 1536 por 2752 para 9 por 16. Portanto, estas não são imagens pequenas. Elas chegam a cerca de 4 megapixels. A página também lista categorias como tipografia e design de pôsteres, interface de usuário e layout de informações, geração de imagens RGBA transparentes e edição com uma imagem de referência. Neste vídeo, vou testar apenas texto para imagem. Antes de continuarmos, quero que você veja uma coisa: a licença é o contrato de licença de pesquisa do Qwen, então esta não é Apache, e vou voltar a esse assunto perto do fim.

01:33 Agora, o modelo completo em BF16 tem 14,23 GB, e isso não cabe na minha placa de 8 GB. Então, o que fazemos é acessar este repo da Unsloth: Qwen-Image-2.1-Turbo-GGUF. Se você olhar a lista de arquivos, verá o Q2K com 2,47 GB, depois o Q4KM com 4,2, o Q6K com 6,27, o Q8_0 e o F16 com 14,23. A página recomenda o Q4KM para a maioria das GPUs,

02:04 e diz: “Se você precisar ficar abaixo de 4 GB, escolha o Q3KXL em vez dos arquivos de 2 e 3 bits, porque eles apresentam desvios com oito etapas.” Então, vou usar o Q4KM, que deixa um pouco de espaço livre nesta placa. Vale lembrar que este arquivo contém apenas o denoiser. Você também precisa do codificador de texto e do VAE, então vamos obtê-los. O codificador de texto e o VAE vêm ambos de comfy.tok.org/qwenimage2.1. O VAE é o Qwen-Image-2.1-VAE-BF16,

02:34 com cerca de 0,7 GB. Quanto ao codificador de texto, o arquivo Qwen3-VL BF16 tem 17,5 GB, e meu laptop tem 15 GB de RAM, então esse está fora de questão. Escolhi a versão W4A8, que tem 6,3 GB e é a que cabe nesta máquina. Agora, para carregar um arquivo GGUF no ComfyUI, você precisa do nó personalizado ComfyUI-GGUF, da City96. O que você pode fazer é acessar os nós personalizados, clonar esse repo e instalar o pacote Python GGUF no

03:05 mesmo ambiente usado pelo ComfyUI. Os arquivos vão em três pastas. O GGUF vai em models/diffusion_models. O codificador de texto vai em models/text_encoders. E o VAE vai em models/vae. Depois, no grafo, o carregador se chama UNet loader GGUF, e estou escolhendo Qwen-Image-2.1-Turbo Q4KM. O carregador de CLIP está definido como tipo Qwen-Image, com o codificador W4A8. O sampler é KSampler, com oito

03:35 etapas, CFG um, sampler Euler e scheduler simple, exatamente como diz a página da Unsloth. E você pode ver que é no nó de latente vazio que alteramos a resolução de cada imagem. Então, a primeira é um adesivo de 768 por 768: um gato astronauta com contorno branco. Levou cerca de 42 segundos, incluindo o carregamento do modelo na memória pela primeira vez. Depois, um pôster retrô de 1024 por 1024 levou cerca de 50 segundos e, se você olhar o pôster, o título e a linha pequena logo abaixo

04:06 estão legíveis. O prompt para este caso pedia um título grande e em negrito com o texto “Visit North Port” no topo e o texto pequeno “Main Coast established 1894” na parte inferior, ilustração plana em tons quentes de laranja e azul-petróleo. Agora, vamos ver o restante. Em todos os casos, usei a seed 42, oito etapas e o mesmo workflow; só a largura e a altura mudam. A imagem de 1344 por 768 é a maquete de um painel, que levou 46 segundos. Já vou falar dela. O prompt era: uma maquete limpa do painel de um aplicativo para celular na tela de um laptop, com o título “Weekly Report” e um gráfico de barras

04:37 com três cartões de estatísticas mostrando 42, 87 e 15, interface moderna e plana, tema claro. A imagem de 2752 por 1536 é a cabana branca na montanha com uma janela iluminada, que levou cerca de 143 segundos. O prompt foi: paisagem cinematográfica ampla de um vale montanhoso enevoado ao amanhecer, uma pequena cabana com uma janela iluminada, um rio refletindo nuvens cor-de-rosa, ultra detalhada. A imagem de 1536 por 2752 é a rua de Tóquio em formato vertical, que levou 143 segundos; e você pode ver que a placa diz “ramen”, e o guarda-chuva vermelho

05:07 está onde eu pedi. O prompt foi: foto vertical de uma rua chuvosa de Tóquio à noite, iluminada por néon, uma mulher caminhando com um guarda-chuva vermelho, reflexos no asfalto molhado, placas com os dizeres “ramen” e “open”. A imagem de 1792 por 2400 é a caneca preta, que levou 147 segundos, e nela está escrito “morning code”, com vapor saindo dela. E, para a caneca, o prompt foi: foto de produto em estúdio de uma caneca de café preta fosca com as palavras “morning code” impressas nela, vapor subindo, sobre uma mesa de madeira ao lado de um teclado mecânico, luz suave da janela.

05:37 A imagem de 2400 por 1792 é a tigela de ramen, que levou 147 segundos. O prompt para o ramen foi: foto de cima de uma tigela de ramen com ovo cozido macio, nori, cebolinha e óleo de pimenta, sobre uma mesa de ardósia escura, hashis apoiados na tigela, vapor, cores intensas. A imagem de 2528 por 1696 é o pequeno dragão sobre uma pilha de livros em uma biblioteca, que levou 148 segundos. Para o dragão, o prompt foi: ilustração de fantasia de um pequeno dragão dormindo sobre uma pilha de livros dentro de uma enorme biblioteca iluminada por velas, poeira flutuando, estilo pictórico, muitos

06:08 detalhes. A imagem de 1696 por 2528 é o retrato do pescador, que levou 145 segundos. Na verdade, ela falhou na primeira tentativa com um erro de falta de memória da CPU, não da GPU, por causa dos 15 GB de RAM, mas foi gerada quando tentei de novo. O prompt do retrato foi: foto de retrato de um pescador idoso com o rosto marcado pelo tempo e barba branca, casaco amarelado, luz suave e nublada, pouca profundidade de campo, lente de 85 mm, olhos nítidos. E a maior imagem, de 2048 por 2048, é a abelha sobre a lavanda, que levou 144 segundos.

06:41 E, para a abelha: foto macro em close-up de uma abelha sobre uma flor de lavanda roxa, gotas de água, contraluz da hora dourada, nitidez extrema, bokeh suave. Portanto, o padrão é simples: perto de 1 megapixel, leva de 46 a 50 segundos, e perto de 4 megapixels, leva cerca de 143 a 148 segundos; não fez diferença se a imagem era larga ou alta. Agora, aqui está o que não ficou perfeito. No painel, pedi três cartões de estatísticas com os números 42, 87 e 15. O título “Weekly Report” saiu certo, mas, se você ampliar

07:11 aqui, o texto pequeno abaixo está ilegível, e os números nos cartões não são os que pedi. Então, texto grande, como o título de um pôster ou o texto de uma caneca, funciona bem, mas texto pequeno e denso de interface, em 1344 por 768, não. E este é um arquivo Q4 com oito etapas, então talvez um Q6 ou Q8 se saísse melhor, mas não testei essas versões nesta placa. Mais uma coisa: a licença é a licença de pesquisa do Qwen, então confira os termos antes de usar estas imagens em um produto. Neste vídeo, vimos como executar o Qwen-Image-2.1-Turbo em um laptop de 8 GB

07:44 com o GGUF Q4KM da Unsloth no ComfyUI, gerando 10 imagens de 768 até 2048. Se tiver interesse, você também pode testar isso no seu próprio sistema e me contar como foi. Vejo você em outro vídeo. Confira o próximo vídeo.

Transcrição original

[00:01] All right, in this video we are going to run Q and image 2.1 turbo on my laptop and you can see that the poster text here, “Visit Northport Main Coast established 1894” came out spelled correctly on the first try. Now, mind you that this is running on a 4060 laptop GPU with 8 GB of memory and the model file I’m using is only 4.2 GB. That mug says morning code, that sign says ramen and I’m going to show you the setup 10 images at 10 different resolutions and where it falls apart.

[00:31] Let’s go ahead and test this out. So, this is the model card on hugging face Q and / Q and image 2.1 turbo. It’s an accelerated checkpoint of Q and image 2.1 a 7 billion parameter model and the thing to notice here is the step count. It runs in eight denoising steps with CFG set to one, so there’s no second negative pass, which is a big part of why it’s quick. Now, if you look at the resolutions listed here, it supports 2048 by 2048 for square, 2752 by 1536

[01:03] for 16 by 9 and 1536 by 2752 for 9 by 16. So, these are not small images. They go up to roughly 4 megapixels. The page also lists categories like typography and poster design, UI and information layout, transparent RGBA generation and editing with a reference image. I’m only testing text to image in this video. One thing I want you to see before we go ahead, the license here is the Q and research license agreement, so this one is not Apache and I’ll come back to that

[01:33] near the end. Now, the full model in BF16 is 14.23 GB and that will not fit on my 8 GB card. So, what we do is go to this repo from Unsloth Q and image 2.1 turbo GGUF. If you look at the file list, you can see Q2K at 2.47 GB, then Q4KM at 4.2, Q6K at 6.27, Q80 at and F16 at 14.23. The page recommends Q4KM for most GPUs,

[02:04] and it says, “If you have to go under 4 GB, take Q3KXL instead of the 2-bit and 3-bit files because those drift at eight steps.” So, I’m going with Q4KM, which leaves some room on this card. Mind you, this file is only the denoiser. You also need the text encoder and the VAE, so let’s get those. The text encoder and VAE both come from comfy.tok.org/qwenimage2.1. The VAE is Qwen image 2.1 VAE BF16,

[02:34] about .7 GB. For the text encoder, the BF16 Qwen 3 VL file is 17 and 1/2 GB, and my laptop has 15 GB of RAM, so that one is out. I picked the W4A8 version, which is 6.3 GB, and that’s the one that fits on this machine. Now, to load a GGUF file in ComfyUI, you need the ComfyUI GGUF custom node by City96. What you can do is go to custom nodes, clone that repo, and install the GGUF Python package into

[03:05] the same environment ComfyUI uses. And the files go in three folders. The GGUF goes in models/diffusion_models. The text encoder goes in models/text_encoders. And the VAE goes in models/vae. Then, in the graph, the loader is called UNet loader GGUF, and I’m choosing Qwen image 2.1 turbo Q4KM. The clip loader is set to type Qwen image with the W4A8 encoder. The sampler is KSampler with eight

[03:35] steps, CFG one, sampler Euler, and scheduler simple, exactly what the Onslaught page says. And you can see that the empty latent node is where we change the resolution for each image. So, the first one is a 768 by 768 sticker, a cat astronaut with a white outline. It took about 42 seconds and that includes loading the model into memory the first time. Then a 1024 by 1024 retro poster took about 50 seconds and if you look at the poster, the headline and the small line underneath

[04:06] are both readable. The prompt for this one asked for big bold title text visit North Port at the top and small text main coast established 1894 at the bottom flat illustration warm orange and teal. Now, let’s go through the rest. Everything here is seed 42 eight steps same workflow only the width and height change. 1344 by 768 is the dashboard mock-up 46 seconds. I’ll get to this one in a minute. The prompt was a clean mobile app dashboard mock-up on a laptop screen titled weekly report with a bar

[04:37] chart three stat cards reading 42 87 and 15 modern flat UI light theme. 2752 by 1536 the white mountain cabin with a glowing window about 143 seconds. That one was a wide cinematic landscape of a misty mountain valley at dawn a small cabin with a glowing window a river reflecting pink clouds ultra detailed. 1536 by 2752 the tall Tokyo street 143 seconds and you can see that the sign says ramen and the red umbrella

[05:07] is where I asked for it. The prompt there tall vertical photo of a rainy neon street in Tokyo at night a woman with a red umbrella walking reflections on wet asphalt signs reading ramen and open. 1792 by 2400 the black mug 147 seconds and it says morning code with a steam coming off it. And for the mug studio product photo of a matte black coffee mug with the words morning code printed on it steam rising on a wooden desk next to a mechanical keyboard soft window light.

[05:37] 2400 by 1792 the ramen bowl 147 seconds. The ramen prompt overhead photo of a bowl of ramen with a soft egg nori scallions and chili oil on a dark slate table, chopsticks resting on the bowl, steam, rich color. 2528 by 1696, the small dragon on a pile of books in a library, 148 seconds. For the dragon, a fantasy illustration of a small dragon sleeping on a pile of books inside a huge candlelit library, floating dust, painterly style, rich

[06:08] detail. 1696 by 2528, the fisherman portrait, 145 seconds. This one actually failed the first time with a CPU out of memory error, not a GPU one because of that 15 GB of RAM, and it went through when I ran it again. The portrait prompt, portrait photograph of an elderly fisherman with a weathered face and white beard, yellowing coat, soft overcast light, shallow depth of field, 85 mm lens, sharp eyes. And the biggest one, 2048 by 2048, the honeybee on lavender, 144 seconds.

[06:41] And the bee, close-up macro photograph of a honeybee on a purple lavender flower, water droplets, golden hour backlight, extremely sharp, creamy bokeh. So, the pattern is simple, around 1 megapixel it’s 46 to 50 seconds, and anywhere up near 4 megapixels, it’s about 143 to 148 seconds, and it didn’t matter whether it was wide or tall. Now, here’s where it’s not perfect. On the dashboard, I asked for three stat cards reading 42, 87, and 15. The title weekly report came out right, but if you zoom

[07:11] in here, the small text under it is garbled, and the numbers on the cards are not the ones I asked for. So, large text, like a poster headline or a mug, works well, but dense small UI text at 1344 by 768 does not. And this is a Q4 file at eight steps, so a Q6 or Q8 may do better, but I didn’t test those on this card. One more thing, the license is Kwen research license, so check that before you use these images in a product. So, in this video, we have seen how we can run Kwen and 2.1 turbo on an 8 GB laptop

[07:44] with the onslaught Q4 KMG GUF in comfy UI with 10 images from 768 up to 2048. If you’re interested, you can go ahead and try this out on your own system as well and let me know how it goes. I’ll see you in another one. Check out the next video.