Qwen lança o modelo open-weight Qwen-Image-2.1-Turbo: teste local

Autoria: Fahd Mirza · 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 Releases Qwen-Image-2.1-Turbo Open-Weight Model: Test Locally · Canal: Fahd Mirza · 10:30 · Assistir no YouTube

Tópicos: 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, uma versão acelerada do modelo de geração de imagens que produz imagens em oito etapas de denoising e também permite editar imagens. O apresentador avalia cenas complexas com texto legível, iluminação difícil, detalhes culturais e edição de retratos, destacando resultados fortes em cores, texturas e preservação de elementos. Entre as limitações, aponta dificuldades de fotorrealismo em uma edição e problemas em algumas formas e ações incomuns. O vídeo também explica como o prefix KV caching reduz o trabalho repetido e acelera a geração, especialmente na edição de imagens.

Pontos-chave

O modelo gera imagens em oito etapas de denoising e também oferece edição de imagens.
Nos testes, apresenta bons resultados em texto legível, cores, texturas e cenas com muitos detalhes.
Em uma edição de retrato, preserva bem a roupa e as cores, mas não converte completamente a ilustração em uma imagem fotorrealista.
Algumas cenas têm limitações, como uma rede que parece um amontoado de fios e patinadores que parecem caminhar.
O prefix KV caching reutiliza chaves e valores calculados para partes constantes da entrada.
Na geração, apenas a imagem-alvo é recalculada em cada etapa de denoising.
O cache é especialmente útil na edição, porque a imagem de entrada representa a parte mais pesada do contexto.

Capítulos

Início	Capítulo	Resumo
00:01	Apresentação do modelo e primeiros testes	O apresentador introduz a versão Turbo, compara sua velocidade e demonstra geração e edição de imagens.
02:06	Edição de retrato e ajustes de aparência	O teste em um retrato mostra limites de fotorrealismo, mas bons resultados ao mudar a cor da camisa e do cabelo.
04:14	Testes de cenas em diferentes países	O apresentador avalia imagens ambientadas na Nicarágua, em Bangladesh, no Paquistão e no Canadá, destacando acertos e falhas.
08:24	Prefix KV caching e teste final em Gana	O vídeo explica como o cache acelera a geração e conclui com uma cena de caixões fantasia de Gana.

Citações

O que ganhamos e o que sacrificamos em troca dessa velocidade? — 01:04

Em termos de edição, vocês podem ver que ele fez um trabalho maravilhoso. — 03:42

Com apenas oito etapas, o modelo evita muito trabalho repetido, e é por isso que a geração é rápida. — 08:54

É forte em detalhes de texto e cores em apenas oito etapas, mas tem alguns problemas com formas incomuns de objetos. — 09:59

Conceitos e entidades

Qwen-Image-2.1-Turbo (modelo): Modelo acelerado de geração e edição de imagens avaliado no vídeo, projetado para gerar imagens em oito etapas de denoising.
Qwen-Image-2.1 (modelo): Modelo anterior usado como referência para comparar o fotorrealismo com a versão Turbo.
prefix KV caching (conceito): Técnica que calcula uma vez e reutiliza as chaves e os valores das partes constantes da entrada durante a geração.
Gradio (ferramenta): Ferramenta usada para criar uma demonstração simples de interface para o modelo.
Fahd Mirza (pessoa): Apresentador do vídeo e responsável pelos testes demonstrados.

Tradução completa (pt-BR)

00:01 Há algumas semanas, vimos o Google Image 2.1 neste canal e, hoje, temos uma versão turbo dele. É um checkpoint acelerado desse mesmo modelo, feito para gerar imagens em apenas oito etapas de denoising. E este é um exemplo em que você pode ver que dei a ele um prompt para me mostrar um Morgestraich da Fasnacht de Basel, na Suíça, às 4h da manhã: uma procissão iluminada por lanternas, com grupos mascarados de carnaval, sobre

00:33 paralelepípedos molhados. Este prompt testa a legibilidade do texto em uma lanterna, algo bem difícil de renderizar, além de uma iluminação fraca e desafiadora, com fontes luminosas e muitos personagens mascarados detalhados na mesma cena. E o modelo acertou em cheio. Este é o consumo de VRAM do modelo neste momento. Outra coisa legal sobre ele é que não só consegue gerar imagens, como também editá-las. Este mantém a mesma arquitetura de sete bilhões de parâmetros e lida tanto com texto para imagem quanto com edição de imagens no próprio lugar. Então, a pergunta de hoje é simples: o que ganhamos e o que sacrificamos em troca dessa velocidade? Vamos gerar agora nosso teste de edição.

01:04 Neste caso, você pode ver que a qualidade é muito boa. Deixe-me fazer a edição. Vou carregar uma imagem do meu sistema local. Pronto, carreguei esta imagem do meu sistema local, que é uma ilustração minha, e você pode

01:35 ver o prompt. Este teste verifica se a edição mantém a identidade, a roupa e as cores enquanto muda o estilo. E você pode ver que também pedi para me levar à Jordânia, para dentro de um cânion em Petra, e transformar esta ilustração em um retrato totalmente fotorrealista. A propósito, sou Fahad Mirza, e dou as boas-vindas a você ao canal. Se quiser ajudar o canal, torne-se membro. O link está no primeiro comentário fixado e

02:06 na página inicial. Além disso, inscreva-se nesta newsletter, que é gratuita, em fahadmirza.substack.com. E você pode ver que esta é minha GPU, que estou usando. Se estiver procurando alugar uma GPU por um preço muito bom, você encontra o link na descrição dos meus vídeos sobre computação. Vamos voltar e conferir este resultado. Agora, você pode ver que ele colocou o cânion no lugar certo. Também incluiu um pouco da arquitetura jordaniana, mas a imagem do lado direito não é tão fotorrealista.

02:38 Se você comparar com a imagem anterior, a imagem original do Coin Image 2.1, lá o fotorrealismo era muito bom. Mas foi aí que este falhou. Ele tentou, especialmente se você observar o cabelo e os olhos, mas, fora isso, ainda é uma ilustração, sem dúvida. Vamos fazer outra alteração. Vou pedir apenas para mudar a cor da camisa para vermelho e a do cabelo para talvez loiro.

03:11 Vamos ver que tipo de imagem ele produz. E isto é só uma coisa simples feita com Gradio, que estou executando. Vou deixar o link para o model card na descrição do vídeo, que tem todas as instruções de instalação. E coloquei uma demo de Gradio em cima dele. Se quiser ver como instalá-lo, basta ir ao meu canal e pesquisar por Coin Image 2.1. As instruções são as mesmas; é só substituir o ID do modelo por este, em vez da versão sem turbo, e tudo deve funcionar. Certo, vamos

03:42 esperar a geração. Aí está. Quanto à edição, você vê que ele fez um trabalho maravilhoso. Muito, muito bom. Manteve a roupa e toda a ilustração. O cabelo ficou ótimo. Além disso, a cor da camisa também ficou ótima. E a tigela e, sabe, todas as rugas, um indício de papada e tudo mais ficaram muito legais. Até as curvas do cabelo estão muito boas. Muito boas.

04:14 As sobrancelhas estão razoáveis. Sim, estou feliz com este resultado. O que você acha? Agora vamos à Nicarágua. Olhe este prompt. Ele mostra uma oficina de artesãos nicaraguenses em Masaya, com uma rede sendo tecida. O teste avalia a textura em close-up dos fios e das mãos, o texto em uma placa e a luz quente entrando pelas janelas. Está muito limpo. A renderização do texto é ótima. As mãos marcadas de quem tece e as

04:44 tranças estão nítidas. E os fios tecidos no tear estão claramente visíveis. O gato, a xícara de café com vapor e as faixas de luz da janela também apareceram. Mas, sabe, a única coisa é que a rede na parede ficou parecendo um feixe de fios pendurado, em vez de uma rede pronta. Ainda assim, acho que não ficou nada mal. O que você acha? Em seguida, vamos a Chittagong, Bangladesh, e acho que esta é uma das melhores imagens geradas que já vi.

05:16 O prompt mostra um estaleiro de desmonte de navios em Sitakunda, perto de Chittagong, ao pôr do sol. Ele testa a escala monumental, a textura de metal enferrujado e o texto legível no casco de um navio. Se você olhar a imagem, a escala e o clima ficaram muito bons. O navio se ergue sobre os trabalhadores. O gradiente de ferrugem e as faíscas na base parecem bem convincentes, e o céu ao pôr do sol, a fumaça, os reflexos do veleiro vermelho na poça de maré e o cachorro no canto também apareceram

05:48 na imagem. E o texto no casco está legível, mas aparece duas vezes, como você pode ver, o que está bem. Acho que não está em nenhum dos lados. Mas está bem. Tudo certo. Os trabalhadores também estão razoáveis. Acho que a atmosfera toda, a sinergia, ficou muito boa. Então, acho que vou ficar com o resultado. Bem legal. E olhe este. Eu diria que é outra obra-prima. O prompt à

06:18 esquerda mostra um vilarejo com um pomar de macieiras no vale de Swat, no Paquistão, durante o outono. Ele testa rostos e mãos em detalhes de perto, a profundidade das montanhas em camadas e o texto em um caminhão pintado à mão. O texto no caminhão, “Swat ka Shahzada”, está escrito corretamente, e a borda floral ornamentada parece bem autêntica. O rosto e a barba do agricultor, assim como o boné no estilo Pakol, têm muitos detalhes, e a mão que passa a xícara ficou bem definida. As camadas de montanhas, os picos rosados, o riacho,

06:49 as folhas de outono e a casa com varanda de madeira me parecem todos muito bons. Mas também há alguns pontos fracos. Por exemplo, os galhos das macieiras são quase todos folhagem, com apenas algumas maçãs visíveis, mas ainda assim acho que, por ser uma imagem lateral, vamos ficar com ela. Fora isso, acho que ficou muito legal. Ele retratou a cultura muito bem. E aqui está outra boa imagem. Estamos em Ottawa, no Canadá. É uma pista de patinação em um canal

07:20 numa noite de inverno. Ela testa as texturas da neve e do gelo, fontes luminosas e, mais uma vez, o texto na placa. E, de novo, o texto está muito bom. Fica bem integrado à luz do poste. Depois há uma torre com relógio em Parliament Hill, o gelo azul-turquesa luminoso, o vapor vindo do balcão do vendedor e a iluminação em tons frios de azul contrastando com o âmbar quente. Tudo está muito legal. Os rostos da família também parecem naturais. Não é preciso olhar de perto, e a xícara de chocolate quente também está nítida.

07:52 Há alguns pontos fracos, eu diria. Por exemplo, a maioria dos patinadores está andando no meio da multidão, em vez de realmente patinar ou deslizar. E acho que a torre também não se parece com o Château Laurier que vi quando estive em Ottawa há cerca de dez anos. Parece mais uma torre gótica. É bonita, sem dúvida, mas acho que não se parece em nada com a verdadeira. Vamos fazer um último teste. Vou

08:24 levá-los a Gana, na África. Vou executá-lo e queria mostrar uma coisa enquanto ele trabalha. Olhem esta imagem. Este diagrama explica o truque por trás da velocidade, chamado cache de KV de prefixo. O modelo divide o trabalho em duas partes. O prefixo do sistema, a imagem de entrada opcional e as instruções de edição não mudam enquanto a imagem está sendo gerada. Por isso, suas chaves e valores são calculados uma vez e reutilizados.

08:54 Os blocos azuis identificados como “calcular uma vez, reutilizar KV” mostram que só a imagem de destino, representada pelo bloco verde, é recalculada a cada etapa de denoising. Assim, com apenas oito etapas, o modelo evita muito trabalho repetido, e é por isso que a geração é rápida. Especialmente na edição, em que a imagem de entrada é o contexto mais pesado. Certo, pronto. E você pode ver que isso ficou bem legal, com tanta coisa acontecendo neste pequeno

09:27 uma espécie de enquadramento. O texto está legível. As penas brilhantes do galo estão lá. O avental está razoável. O tecido Kente de Gana e as latas de tinta estão todos nítidos. As cores também são vibrantes. Mas, de novo, dá para ver que poderia ser melhor. Quer dizer, todos parecem estar meio que pulando uns em cima dos outros. Os detalhes e as cores estão razoáveis, mas acho que poderia ter ficado melhor. E, a propósito, estes são caixões de fantasia. É um conceito muito

09:59 interessante. Se quiser ler mais sobre isso, talvez seja só pesquisar. É um tema muito, muito interessante. Enfim, acho que o Qwen-Image-2.1-Turbo é forte em detalhes do texto e cores, com apenas oito etapas, mas tem alguns problemas com formas incomuns de objetos. Então, obrigado por assistir. Me diga o que você acha. E, novamente, se quiser ajudar, torne-se membro. É só ir à página inicial e, de lá, clicar neste link. Obrigado por todo o

10:30 apoio.

Transcrição original

[00:01] A couple of weeks ago, we looked at Google Image 2.1 on this channel, and today there is a turbo version of it. Which is an accelerated checkpoint of that same model built to generate images in just eight denoising steps. And this is one example where you can see that I have given it a prompt to show me a Basel Fasnacht Morgestraich in Switzerland at 4:00 a.m., a lantern-lit procession of masked carnival cliques on

[00:33] wet cobblestone. This prompt is testing readable text on a lantern, which is quite hard to render, plus difficult low light with glowing sources and many detailed masked characters in one scene, and the model has thrown out of the park. This is a VRAM consumption of this model at the moment. Now, another cool thing about this model is that not only it can generate images, it can also edit them. This one keeps the same seven seven

[01:04] billion architecture and handles both text to image and image editing in place. So, the question for today is simple. What do we get and what do we give up for that speed? Let’s generate our editing test now. For this one, you can see that the quality is quite good. Let me do the editing one. Let me upload an image from my local system. So, I have uploaded this image from my local system, which is an illustrated rendering of my own image, and you can

[01:35] see the prompt. So, this one is testing whether the edit keeps identity, outfit, and colors while changing the style. And you can see that I have also asked it to just take me to Jordan, just inside some canyon at Petra, and also just convert this illustration into a full-blown photorealistic portrait. By the way, this is Fahad Mirza and I welcome you to the channel. If you want to help out the channel, please become a member. The link is in first pinned comment and

[02:06] at the home page. Also, please subscribe to this newsletter, which is free at fahadmirza.substack.com. And you can see that this is my GPU, which I’m using. If you’re looking to rent a GPU on very good price, you can find the link to my computing videos description. Let’s go back and check this one out. Now, you can see that it has put the canyon right. It has also given some of the Jordanian architecture, but the right-hand side

[02:38] image is not that photorealistic. If you compare it to the previous or the actual coin image 2.1, over there, it was quite good in terms of photorealism. But, this is where it failed. It has tried, especially if you look at the hair and eyes, but other than that, you know, it is still an illustration without any doubt. Let’s do another change. I’ll just ask it to change the shirt color to red and hair color to maybe blonde.

[03:11] Let’s see what sort of uh image it produces. And this is just a simple Gradio stuff, which I’m running. I will drop the link to their model card in video’s description, which has all the installation instruction. And I have just put in a Gradio demo on top of it. If you really want to see how to get it installed, just go to my channel, search with this coin image 2.1. It’s the same instruction, just replace the model ID, this one, with that, without turbo, and you should be good to go. Okay, let’s

[03:42] wait for it to get generated. There you go. So, in terms of editing, you see, it has done wonderfully well. Really, really good. It has maintained the outfit and all the illustration. The hair looks great. Plus the shirt color also looks great. And the bowl and the uh you know, all the creases that you know, a hint of jowl and everything looks really cool. Even if you look at the curves of the hair, they are pretty good. Pretty good.

[04:14] The eyebrows are okay. Yeah, I’m happy with this result. What do you think? And now let’s go to Nicaragua. Look at this prompt. It is showing a Nicaraguan artisan workshop in Masaya with a hammock being woven. And it is testing close-up texture on thread and hands text on a sign and warm indoor light through the windows. So, it is very clean. The text rendering is great. The weaver’s lined hands and

[04:44] braids are sharp. And the woven threads on the loom are clearly visible. The cat, the coffee cup with steam, and the window light stripes all made it in. Um but you know, the only thing is that the hammock on the wall came out as a hanging thread bundle rather than a finished hammock, but still I think not bad at all. What do you think? Next we are going to Chittagong, Bangladesh and I think this is one of the best image generated I have seen.

[05:16] Um the prompt is showing a Sitakunda ship breaking yard near Chittagong at sunset. It tests massive scale, rusted metal texture, and readable text on a ship hull. If you look at the image, the scale and mood landed well. The ship towers over the workers. The rust gradient and the sparks at the base look quite convincing and the sunset sky, smoke, red sail sailboat reflections in the tidal pool, and the dog in the corner all made it

[05:48] in. And the text is readable on the hull, but it appears twice as you can see, which is fine. Not I think on either side. Um it is fine. That is fine. Um the workers are also okay. Um I think it is the whole atmosphere, the synergy is landed quite well. So, I think I will take it as is. Pretty cool. And look at this one. This is another masterpiece, I would say. The prompt on

[06:18] the left shows Swat Valley apple orchard village in Pakistan in autumn. It tests faces and hands in close detail, layered mountain depth and text on a hand-painted truck. The truck text Swat ka Shahzada is spelled correctly and the ornate floral border looks quite authentic. The farmer’s face, beard, and Pakol-style cap are all detailed and the hand passing the cup is quite clean. The mountain layers, pink peaks, stream

[06:49] autumn leaves, and wooden balcony house um they all look quite good to me. But there are a few weak spots as well. Like the apple branches are mostly foliage with only a few visible, but still um I think because it’s a side one, so we will take it as is. But other than that, I think it is pretty cool. Uh it has you know, depicted the culture very well. And here is another good one. We are in Ottawa, Canada. It’s a canal skateway on

[07:20] a winter night. It is testing snow and ice texture, glowing light sources, and text on the signboard again. And again, the text is really good. Sits nicely in the lamplight. Then there is a Parliament Hill clock tower, the glowing turquoise ice beer, the steam from the vendor’s counter, and the cold blue versus warm amber lighting all is looking really cool. The family faces are also natural. You don’t have to look closely and the cup of hot chocolate is clear, too.

[07:52] Um there are few, you know, spots you know, weak spots I would say. Like the skaters are mostly walking in the crowd instead of actually skating or gliding, I would say. And I think the tower also doesn’t look like the Chateau Laurier which I saw when I was in Ottawa about 10 years ago. It is more like a Gothic tower. Looks cool, no doubt about that, but I think doesn’t look like anything like the actual one. Let’s do one final test. I’m just going

[08:24] to take you to Ghana, Africa. I’ll just run it and I wanted to show you something while it works through it. Have a look at this one. So, this diagram explains the trick behind the speed called prefix KV caching. The model splits its work into two parts. The system prefix, the optional input image and the edit instructions never change while the image is being generated. So, their keys and values are computed once and reused.

[08:54] The blue blocks labeled compute once reused KV only the target image, the green block, is recomputed at each denoising step. So, with just eight steps the model skips a lot of repeated work and that is why generation is fast. Especially for editing where the input image is the heaviest context. Okay, so there you go and you can see that this looks pretty cool and so much happening in this small

[09:27] sort of frame. Text is readable. Rooster’s glossy feathers are there. Apron is okay. The Kente cloth from Ghana and the paint cans are all sharp. Colors are vivid, too. But again, um you can see that you know, it could be better. Like, I mean, they’re all sort of jumping at each other. Um the detail and colors are okay, but I think it could have been better, I would say. And this is, you know, fantasy coffins, by the way. It’s a very

[09:59] interesting concept. If you want to read more about it, uh maybe just go and have a search at it. It’s very, very interesting topic out there. Anyway. So, I think, uh Ganime 2.1 Turbo, I think it’s a strong text detail and color in just eight steps with some trouble on unusual object shapes. So, thanks for watching. Let me know what do you think. And again, if you want to help out, please become a member. Just go to the home page and then from there, just click on this link. Thank you for all the

[10:30] support.