Qwen Image 2.1 — modelo completo de 7B para pouca VRAM | Instalação local, testes e guia de prompts

Ver no idioma original →

Autoria: AI Factory · 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 - Low VRAM 7B All-in-One Model | Local Install, Tests & Prompt Guide · Canal: AI Factory · 38:26 · Assistir no YouTube

Tópicos: Engenharia de prompts e contexto, Ferramentas de desenvolvimento com IA, Geração de conteúdo com IA, Modelos locais e open source

Resumo

O vídeo apresenta o Qwen Image 2.1, um modelo open source de 7B parâmetros para geração e edição de imagens, com suporte a referências múltiplas e geração nativa de PNGs transparentes em RGBA. O apresentador demonstra a instalação e o uso dos workflows do modelo no ComfyUI, além de mostrar como aprimorar prompts com workflows e uma skill personalizada. Os testes incluem edição com várias imagens de referência, substituição de objetos e roupas com máscaras, restauração de fotos antigas e criação consistente de personagens. O vídeo também aponta limitações, como resultados inferiores com prompts vagos e maior lentidão ao usar muitas referências, e recomendações para equilibrar qualidade e velocidade.

Pontos-chave

• O Qwen Image 2.1 reúne geração de imagens, edição, uso de múltiplas referências e saída transparente em RGBA em um modelo de 7B parâmetros.
• A instalação no ComfyUI exige os modelos e o VAE RGBA específicos, além de uma versão atualizada do ComfyUI.
• Prompts detalhados ou aprimorados tendem a produzir resultados melhores; o vídeo demonstra uma skill personalizada para reescrever prompts.
• A geração nativa de imagens RGBA pode criar assets com fundo transparente sem remoção de fundo posterior.
• O workflow de edição aceita até 10 imagens de referência e pode combinar informações de pessoas, produtos e cenas.
• Máscaras permitem delimitar a área editada, preservando melhor a composição e o restante da imagem original.
• O modelo é demonstrado em tarefas como troca de roupas, restauração de fotos antigas e criação de cenas com personagens consistentes.
• O vídeo recomenda usar resolução de 1 MP para rascunhos e 2 MP para imagens finais; quatro a seis referências podem equilibrar qualidade e velocidade.
• Entre as limitações citadas estão o desempenho fraco com prompts mínimos, a lentidão com muitas referências e pequenos artefatos nas bordas.

Capítulos

Início	Capítulo	Resumo
00:05	Apresentação do Qwen Image 2.1	O vídeo apresenta os recursos do modelo de 7B parâmetros e explica os componentes necessários para executá-lo localmente.
03:13	Instalação no ComfyUI e primeira geração	O apresentador atualiza o ComfyUI, instala os modelos necessários e executa o workflow de texto para imagem.
05:53	Workflows, resolução e aprimoramento de prompts	O vídeo percorre o workflow de geração, compara resoluções e demonstra como expandir prompts com QwenVL.
13:10	Prompts detalhados e skill personalizada	O apresentador explica por que prompts vagos podem limitar os resultados e cria uma skill de reescrita com arquivos oficiais.
17:16	Geração nativa de imagens transparentes	O vídeo demonstra a saída RGBA e mostra exemplos de assets transparentes com materiais e bordas complexos.
20:52	Edição com múltiplas referências	O apresentador combina imagens de referência para criar composições de moda, anúncios de produtos e edições de cena.
28:05	Remoção de fundo e edição com máscaras	O vídeo testa a remoção de fundo e usa máscaras para substituir objetos e roupas preservando o restante da imagem.
32:14	Restauração e consistência de personagens	O modelo é usado para restaurar uma foto antiga, combinar referências de animais e transformar uma ficha de personagem em uma cena.
36:23	Conclusões, limitações e recomendações	O apresentador resume os recursos e as limitações do modelo e recomenda configurações para equilibrar qualidade e velocidade.

Citações

Ele reúne geração de imagens, edição de imagens e geração de camadas transparentes RGBA em uma única arquitetura de modelo. — 01:41

Ele pode gerar imagens RGBA diretamente, sem precisar de remoção de fundo ou pós-processamento. — 17:46

O nó local de edição de imagem do Qwen Image 2.1 no ComfyUI usa por padrão a proporção da primeira imagem carregada. — 25:31

Prompts mínimos têm dificuldade para produzir bons resultados. — 37:56

Conceitos e entidades

• Qwen Image 2.1 (modelo): Modelo open source de 7B parâmetros apresentado para geração e edição de imagens, com suporte a RGBA e múltiplas referências.
• ComfyUI (ferramenta): Interface de workflow usada no vídeo para instalar e executar os modelos e fluxos de trabalho do Qwen Image 2.1.
• Qwen3-VL (modelo): Modelo mencionado como codificador de texto e componente dos workflows apresentados.
• Claude (modelo): Assistente usado para criar uma skill personalizada de aprimoramento de prompts a partir dos arquivos oficiais.
• RGBA (conceito): Formato de imagem com canal alfa para transparência, usado pelo Qwen Image 2.1 para gerar PNGs transparentes.
• Máscara (conceito): Seleção de uma região da imagem que orienta a edição localizada, mantendo o restante da cena mais fiel ao original.
• Qwen Image 2.1 prompt rewriter skill (ferramenta): Skill personalizada demonstrada no vídeo para transformar prompts curtos em descrições mais detalhadas para o Qwen Image 2.1.
• Nano Banana 2.0 (modelo): Modelo fechado citado pelo apresentador em uma comparação com o Qwen Image 2.1.

Tradução completa (pt-BR)

00:05 Fábrica de IA. >> Embora os modelos open source de geração de imagens por IA estejam se proliferando, a maioria sofre com funcionalidades limitadas, como ser restrita a tarefas de texto para imagem, ter dificuldade com a consistência de personagens, não oferecer suporte à transparência ou não lidar bem com várias imagens de referência. Qwen Image 2.1 supera essas limitações. Apesar de ser um modelo open source leve, com apenas 7 bilhões de parâmetros, ele oferece cinco recursos abrangentes: geração de texto para imagem,

00:36 refinamento e edição de imagens, replicação de personagens e produtos com alta fidelidade, fusão de várias imagens de referência e geração nativa de PNGs transparentes. Ele aceita simultaneamente até 10 imagens de referência e gera arquivos de alta definição com um canal de transparência alfa diretamente, eliminando a necessidade de remover o fundo no pós-processamento ou usar plugins auxiliares. Em testes comparativos oficiais, Qwen Image 2.1 superou o popular modelo fechado Nano Banana 2.0 em vários cenários, estabelecendo

01:09 a si mesmo como um modelo open source versátil e poderoso, que se destaca em custo-benefício, praticidade e utilidade geral. Neste artigo, apresentamos uma análise prática abrangente do modelo, abordando funções essenciais como fluxos de trabalho básicos, detalhes de resolução, recursos de transparência RGBA, consistência com várias referências e edição local precisa. Também incluímos prompts prontos para usar e dicas práticas para ajudar você a evitar problemas comuns. A principal vantagem do Qwen Image 2.1 é sua integração leve e completa em um único modelo. Com

01:41 um tamanho compacto de 7B parâmetros, ele reúne geração e edição de imagens e geração de camadas transparentes RGBA em uma única arquitetura de modelo. Isso elimina os fluxos de trabalho complicados associados à implantação de vários modelos e permite a execução local em GPUs comuns, voltadas ao consumidor. Ao contrário dos modelos tradicionais de geração de imagens, ele usa uma arquitetura nativa de 4 canais RGBA combinada com um VAE proprietário. O modelo oferece suporte à geração de transparência em seu nível fundamental,

02:12 em vez de depender de algoritmos de recorte no pós-processamento, o que resulta em bordas transparentes e texturas semitransparentes mais naturais e realistas. Para garantir uma execução local sem problemas no ComfyUI, é necessário configurar rigorosamente estes três componentes específicos. Nenhum deles pode ser omitido, e não se deve misturá-los com versões antigas. Modelo principal. Dê preferência à versão leve INT8 Schnell para usar menos VRAM e obter mais velocidade, permitindo a execução até mesmo em hardware de baixo desempenho, ou

02:42 escolha a versão BF-16 em hardware de ponta para obter maior precisão. O codificador de texto precisa ser combinado com a versão INT8 Schnell para corresponder à lógica de codificação do modelo e garantir a interpretação precisa do prompt. VAE dedicado para RGBA. Isso é crucial. Não se pode reutilizar o antigo VAE do Qwen Image. O novo VAE foi desenvolvido especificamente para imagens transparentes de 4 canais e é essencial para gerar PNGs transparentes. Além disso, o ComfyUI precisa ser atualizado

03:13 para a versão mais recente, a fim de oferecer suporte aos recursos específicos do modelo, incluindo o nó de codificação de texto Qwen Image 2.1, a lógica de decodificação de 4 canais e as entradas dinâmicas para várias imagens de referência. Agora, vamos ver como usar o fluxo de trabalho de texto para imagem do Qwen Image 2.1 no ComfyUI. Primeiro, recomendo atualizar o ComfyUI para a versão mais recente. Clique em Update, no canto superior direito. Depois, selecione Update Now. O ComfyUI começará a baixar e instalar automaticamente as atualizações mais recentes.

03:43 Quando a atualização terminar, reinicie o ComfyUI. Depois de reabri-lo, vá até a barra lateral esquerda e selecione Templates. Em seguida, abra a categoria Image e escolha Qwen Image 2.1 Text to Image. Quando o fluxo de trabalho carregar, você poderá ver uma caixa vermelha no meio. Isso indica que faltam alguns modelos necessários. Clique em View Details e você verá três modelos ausentes listados no painel à direita: Qwen Image 2.1 VAE BF16.safetensors, Qwen3 VL 8B e 8 convert.safetensors.

04:17 [música] Qwen Image 2.1 INT8 convert.safetensors. Esses são os mesmos modelos essenciais que discutimos anteriormente na introdução. Você pode baixá-los individualmente clicando em Download ao lado de cada modelo ou simplesmente clicar em Download All para instalar tudo de uma vez. Tenha em mente que o tamanho total do download é de aproximadamente 16,1 GB. Portanto, o processo pode levar alguns minutos, dependendo da velocidade da sua internet. Na maioria dos casos, o download é concluído em cerca de 7 a 8

04:47 minutos. Depois que todos os modelos forem baixados, reinicie o ComfyUI mais uma vez. Abra o fluxo de trabalho Qwen Image 2.1 Text to Image. Se a caixa de aviso vermelha tiver desaparecido, isso significa que todos os modelos necessários foram instalados com sucesso e que o fluxo de trabalho está pronto para uso. O fluxo de trabalho oficial já inclui um prompt de exemplo. Então, vou usar esse prompt para gerar uma imagem de teste. No seletor de resolução, vamos manter as configurações padrão: proporção 1:1, 1 megapixel, múltiplo de 8, padrão.

05:21 Agora clique em Run. Um dos recursos impressionantes do Qwen Image 2.1 é a velocidade. Na maioria dos casos, a imagem é gerada em apenas 5 a 6 segundos. Como você pode ver, o resultado final é extremamente nítido, com excelente reprodução de detalhes em toda a imagem. A iluminação, as texturas, os materiais e a qualidade geral da imagem demonstram os fortes recursos nativos de renderização do Qwen Image 2.1, tornando-o um dos modelos open source de geração de imagens mais impressionantes disponíveis atualmente. A seguir, vamos

05:53 analisar mais de perto o fluxo de trabalho de texto para imagem do Qwen Image 2.1. Ele é simples, organizado e muito estável. O fluxo de trabalho começa carregando três componentes essenciais: o modelo principal, o codificador de texto e o VAE específico para RGBA. Após a inicialização, uma tela latente em branco é criada, fornecendo o espaço-base onde a imagem será gerada. O nó mais importante deste fluxo de trabalho é o Text Encode Qwen Image 2.1. Ao contrário dos codificadores de texto tradicionais, esse nó consegue

06:25 processar não apenas prompts de texto, mas também uma ou várias imagens de referência. Ele combina descrições textuais e características visuais em um sinal de condicionamento unificado, permitindo que o modelo gere imagens com muito mais precisão. Para a amostragem, as configurações recomendadas são: sampler Euler, scheduler Simple, 25 steps e escala CFG de 1.0. Esses parâmetros oferecem um excelente equilíbrio entre a velocidade de geração e a qualidade da imagem, ao mesmo tempo que

06:55 evitam problemas como nitidez excessiva, superexposição ou artefatos em excesso. Agora, vamos fazer um teste rápido. Quando se trata de criar prompts, a maioria das pessoas costuma usar ChatGPT ou Gemini. No entanto, se você assistiu ao episódio 3 da minha série de tutoriais sobre ComfyUI, talvez se lembre do fluxo de trabalho gerador de prompts QwenVL que criamos anteriormente. Em muitos casos, o QwenVL consegue produzir prompts muito detalhados e costuma oferecer mais flexibilidade para criar imagens do que ChatGPT ou Gemini. Se você ainda não assistiu àquela aula, pode

07:27 encontrá-la no meu canal e montar o fluxo de trabalho por conta própria. Além de expandir prompts, ele também pode gerar prompts diretamente a partir de imagens. Para esta demonstração, vamos clicar com o botão direito e desconectar o nó QwenVL do nó Load Image. Como não precisamos de uma entrada de imagem agora, podemos simplesmente excluir o nó Load Image. Na caixa do prompt, digite uma frase simples: uma garota bonita e um gato fofo. Clique em Run. Em poucos segundos, o QwenVL cria várias versões do prompt. Uma seção

07:57 contém a descrição do tema principal, enquanto o restante é composto por detalhes descritivos complementares. Vou copiar a descrição principal e colá-la no campo de texto. Em seguida, no menu suspenso de prompts predefinidos, selecione Ultra Detailed Description. Isso permite que o QwenVL enriqueça ainda mais o prompt. [música] O prompt resultante fica muito mais detalhado, acrescentando descrições da cena, características dos personagens, atmosfera, [música] e linguagem cinematográfica. Agora, basta copiar o prompt aprimorado e colá-lo no

08:29 fluxo de trabalho do Qwen Image 2.1. Altere a proporção para 16:9 e clique em Run. Em poucos segundos, o Qwen Image 2.1 produz uma imagem fotorrealista cinematográfica de alta qualidade. Os resultados são impressionantes: fios de cabelo extremamente detalhados, olhos de gato expressivos e nítidos, grande profundidade e textura nas esculturas de pedra e efeitos de iluminação ricos e naturais. A imagem gerada tem 1.376 × 768 pixels.

09:02 Se você quiser criar uma versão em resolução mais alta usando exatamente o mesmo prompt, o processo é muito simples. No nó seletor de resolução, altere a quantidade de megapixels de 1 para 2. Em seguida, clique em Run novamente. A melhora é imediatamente perceptível. Os detalhes do cabelo ficam muito mais ricos. Os traços faciais parecem mais nítidos. Os pelos individuais do gato ficam visíveis. Os bordados das roupas ganham textura adicional. O musgo e as superfícies das rochas mostram mais detalhes finos. Pequenas

09:33 partículas de poeira ao sol ficam mais visíveis. Com quase o dobro de informações em pixels, a imagem alcança um nível ainda maior de realismo e detalhe, aproximando-se da qualidade esperada em ilustrações profissionais, capas de livros infantis e arte conceitual cinematográfica. A seguir, vamos experimentar outro exemplo de prompt. Volte ao fluxo de trabalho de prompts do Qwen e digite o seguinte prompt: uma menina fofa de 5 anos, com olhos azuis-safira, sardas, tranças loiras desgrenhadas e um

10:03 prendedor de flor roxa, usando um vestido lilás com babados em um balanço de corda. Fotografada sob uma luz cinematográfica quente, com um fundo colorido em bokeh, com hiper-realismo nos detalhes. Desta vez, selecione Prompt Refine and Expand no menu suspenso de prompts predefinidos. Em seguida, clique em Run. Em poucos segundos, o QwenVL gera uma versão expandida do prompt. O prompt refinado inclui linguagem fotográfica adicional, descrições da iluminação, detalhes do ambiente, atmosfera cinematográfica e

10:34 aprimoramentos de personagem. Copie as seções úteis do prompt gerado e cole-as no workflow do Qwen Image 2.1. Agora, clique em executar. Muito rapidamente, o Qwen Image 2.1 produz um resultado lindo. Nesta etapa, a imagem já demonstra as impressionantes capacidades do modelo para gerar retratos. >> [música] >> A composição usa um enquadramento em close-up, com o sujeito ocupando uma grande parte da imagem. Os detalhes faciais são nítidos e naturais. Os fios de cabelo estão bem definidos. As dobras do tecido estão

11:06 detalhadas, e o fundo apresenta um desfoque agradável de profundidade de campo, que cria uma atmosfera cinematográfica. A imagem é gerada em 1.376 × 768 pixels, o que equivale a 1 megapixel. Em seguida, mantenha exatamente o mesmo prompt e simplesmente altere o valor de megapixels de 1 para 2 no nó seletor de resolução. Depois, clique em executar novamente para criar uma versão quase 2K. Muitos iniciantes presumem que selecionar 2 megapixels simplesmente aumenta o tamanho da imagem.

11:37 No entanto, não é assim que o Qwen Image 2.1 funciona. Em vez de apenas ampliar a imagem existente, o modelo utiliza um espaço latente maior e regenera a cena com informações e detalhes adicionais. A cena parece mais espaçosa. Mais contexto ambiental é incluído. As camadas do fundo ficam mais ricas. A imagem desenvolve uma narrativa visual mais forte. A qualidade dos detalhes também melhora significativamente. As texturas das tranças ficam mais finas. Os reflexos nos olhos parecem mais nítidos. Os tecidos do vestido parecem mais

12:08 realistas. As fibras da corda mostram detalhes adicionais. O realismo geral da imagem e a complexidade visual aumentam de forma perceptível. Para levar o modelo ainda mais longe, você pode pegar o prompt expandido gerado pelo Qwen, inseri-lo novamente no workflow de prompt do Qwen e executar mais uma vez. Rode o refinamento e a expansão do prompt uma segunda vez. Isso cria um prompt ainda mais rico, adicionando mais descrições da cena, linguagem cinematográfica, detalhes de iluminação e indicações visuais. Cole o prompt recém-aprimorado de volta no workflow do Qwen Image 2.1

12:40 e gere outra imagem. A imagem resultante fica ainda mais refinada. Os traços faciais parecem mais delicados. A estrutura geral do rosto parece mais natural. Os olhos ganham profundidade e detalhes adicionais, e surgem mais fios de cabelo finos ao redor das bordas do sujeito. Nesta etapa, a melhoria já não diz respeito apenas à resolução. Ela se torna um aprimoramento da qualidade artística, da narrativa cinematográfica e do impacto visual geral. Com a expansão do prompt, o Qwen Image

13:10 2.1 pode transformar um retrato simples em uma imagem que parece um pôster profissional de filme de conto de fadas ou uma arte conceitual cinematográfica de alto nível. Por que continuo enfatizando a importância de prompts detalhados? Porque o Qwen Image 2.1 é, fundamentalmente, um modelo leve de geração de imagens. Ele tem uma regra importante: evite prompts excessivamente simples ou vagos. Por exemplo, prompts como “mulher bonita”, “cinematográfico” e “alta qualidade” fornecem pouquíssima informação. Ao contrário de alguns modelos maiores,

13:43 o Qwen Image 2.1 não preencherá automaticamente os detalhes que faltam. Por isso, quanto mais precisamente você descrever a cena, melhor será o resultado. Para enfrentar esse desafio, a equipe oficial fornece dois modelos de aprimoramento de prompt: Qwen 3.59B Qwen Image 2.1 PET2I em 8 bits, convertido para SafeTensors, e Qwen 3.59B Qwen Image 2.1 PI2I em 8 bits, convertido para SafeTensors. Eles foram projetados para aprimorar prompts de texto para imagem e prompts de imagem para imagem.

14:13 Você pode implantar esses modelos localmente. O site oficial também fornece workflows prontos para uso no ComfyUI para ambas as versões. O workflow que estou usando aqui é o workflow oficial de texto para imagem com aprimoramento. No meio do workflow, você encontrará uma configuração chamada refine prompt. Por padrão, ela está definida como false. Isso significa que o aprimoramento do prompt está desativado. Quando você a muda para true, a função de aprimoramento do prompt é ativada. Isso é um pouco parecido com o recurso de

14:43 refinamento de prompt encontrado nos workflows de texto para imagem do Crea 2. Quando ativado, o modelo expande automaticamente descrições curtas em prompts de qualidade profissional, melhorando drasticamente a qualidade da imagem. No entanto, para muitos usuários, carregar um modelo 9B adicional apenas para aprimorar prompts pode parecer um pouco pesado, especialmente se você estiver usando um sistema com pouca RAM. Os requisitos extras de recursos podem ser significativos. Além disso, o repositório oficial no GitHub fornece o

15:13 system prompt completo e as diretrizes de escrita de prompts usados pelos modelos de aprimoramento. Você pode seguir esses documentos para criar manualmente seus próprios prompts de alta qualidade. Mas quero compartilhar uma solução bem mais simples. Em um tutorial anterior, mostrei como instalar e usar skills locais para escrever prompts, especialmente para a geração de vídeos com Minimax H3. Se você ainda não assistiu ao meu tutorial completo sobre como instalar localmente as skills do Minimax H3, pode encontrá-lo no meu canal. O mesmo conceito pode ser aplicado ao Qwen Image

15:44 2.1. Em outras palavras, podemos criar uma skill dedicada para reescrever prompts. Primeiro, acesse o repositório oficial no GitHub e baixe os arquivos do aprimorador de prompts. Depois, abra o Claude. No meu caso, estou usando o Claude para desktop, executado localmente no meu computador. Envie um dos arquivos do aprimorador de prompts e peça: “Com base no conteúdo deste aprimorador de prompts, crie uma skill e adicione-a ao meu workspace.” Em poucos instantes, o Claude gera uma skill personalizada totalmente funcional. Essa nova skill

16:14 foi projetada especificamente para o workflow de texto para imagem do Qwen Image 2.1. Depois de criada, você pode baixar a skill ou salvá-la. Eu simplesmente clico em salvar skill e a instalo diretamente no meu workspace local. A partir daí, é muito fácil usá-la. Tudo o que preciso fazer é digitar /Qwen, e a skill aparece na hora: “Qwen Image 2.1 text to image prompt rewriter”. Então, posso inserir um prompt curto, como “retrato em close-up de um bombeiro calejado pela batalha”,

16:45 com olhos azuis penetrantes, pele coberta de fuligem e equipamento robusto. A skill o reescreve automaticamente como um prompt profissional altamente detalhado, usando o modelo oficial de aprimoramento. Ela até recomenda uma proporção de imagem ideal. Isso permite que até iniciantes sem experiência em escrita de prompts criem prompts profissionais para o Qwen Image 2.1 em segundos. Bem legal, não é? Estas duas imagens foram geradas com os prompts aprimorados criados pela skill personalizada que acabamos de montar. Bem

17:16 impressionante, não é? Agora, vamos ver um dos recursos mais distintos e práticos do Qwen Image 2.1: geração nativa de imagens RGBA com 4 canais. Os geradores tradicionais de imagens com IA normalmente produzem apenas imagens RGB padrão. Se você precisa de um elemento visual com fundo transparente, o fluxo de trabalho usual envolve três etapas separadas: gerar a imagem, remover o fundo e refinar as bordas manualmente. Esse processo pode consumir muito tempo e costuma ter dificuldades com

17:46 áreas difíceis, como cabelo, pelos, penas, renda e objetos semitransparentes. O Qwen Image 2.1 adota uma abordagem completamente diferente. No nível do modelo, ele oferece suporte a um canal de transparência alfa, permitindo gerar imagens RGBA diretamente. Como resultado, o modelo pode produzir elementos visuais em PNG com transparência prontos para uso, sem exigir remoção adicional do fundo ou pós-processamento. Esse recurso é especialmente útil para design gráfico, elementos visuais de produtos para e-commerce, [música]

18:17 criação de adesivos, design de UI, composição de vídeo e produção de conteúdo para redes sociais. Para garantir que o modelo gere corretamente elementos visuais com transparência, o prompt deve incluir explicitamente três condições essenciais: especificar a geração de uma imagem RGBA, declarar a inclusão de um canal de transparência alfa e enfatizar que o fundo deve ser totalmente transparente. Quando essas três condições são atendidas, o modelo entende seus requisitos e gera elementos prontos para uso com fundos transparentes. A combinação de prompt RGBA

18:48 usada aqui foi gerada com a skill Qwen Image 2.1 text to image prompt rewriter, criada no Claude. Isso permite que os usuários gerem rapidamente elementos visuais em PNG com transparência e qualidade profissional usando o workflow de texto para imagem do Qwen Image 2.1. O Pingente de Coelho demonstra a capacidade do Qwen Image 2.1 de diferenciar materiais transparentes, superfícies plásticas e componentes metálicos em uma única imagem RGBA. A superfície do coelho apresenta reflexos suaves, refração nas bordas e

19:19 propriedades reflexivas comumente encontradas em chaveiros de acrílico e acessórios de resina. O contorno em ouro rosé exibe reflexos metálicos convincentes e variações nos realces, enquanto a argola superior mantém a aparência de uma peça de metal polido. Ao mesmo tempo, o corpo principal apresenta o acabamento liso e brilhante associado ao esmalte ou ao plástico. O mais impressionante é o efeito de transparência visível ao redor das orelhas, onde a transmissão sutil de luz e a refração nas bordas imitam o comportamento do acrílico real. O Qwen

19:50 Image 2.1 separa e renderiza com sucesso três tipos distintos de materiais — metal, plástico e acrílico transparente — mantendo-os em uma saída RGBA transparente. Isso o torna excepcionalmente útil para design de adesivos, criação de produtos promocionais, elementos visuais para e-commerce, distintivos, ícones e workflows profissionais de design de UI. Esta imagem de cachorro demonstra os recursos nativos de transparência RGBA do Qwen Image 2.1 no tratamento de pelos e materiais semelhantes a cabelo.

20:20 Os workflows tradicionais de IA costumam ter dificuldade com bordas complexas, como pelos, penugem, penas e cabelo, geralmente exigindo a remoção do fundo e o refinamento manual das bordas para evitar artefatos como halos brancos, bordas serrilhadas ou fios interrompidos. Neste exemplo, os pelos ao redor das orelhas, das bochechas e do queixo preservam milhares de fios finos individuais, com transições suaves e semitransparentes. As bordas continuam irregulares e naturais, parecendo muito com as informações do canal alfa produzidas em fotografia profissional. Em

20:52 Além disso, os olhos e o nariz preservam características realistas dos materiais, incluindo reflexos especulares, pontos de brilho e texturas sutis da superfície. Isso demonstra que o Qwen Image 2.1 não está apenas gerando transparência, mas mantendo o comportamento preciso dos materiais e preservando informações de alta qualidade nas bordas do canal alfa. Em seguida, vamos explorar o workflow de edição de imagem do Qwen Image 2.1. Abra o ComfyUI e acesse Templates > Image. Depois, localize Qwen Image 2.1 Image

21:23 Edit. Na primeira vez que carregar o workflow, você verá uma caixa de erro vermelha indicando que o modelo Quen 3.59B Qwen Image 2.1B I2IN in8 convert safeensers está faltando. Clique em “Download All” para baixar os arquivos necessários. Quando o download terminar, reinicie o ComfyUI. Ao reabrir o workflow, o erro relacionado ao modelo desaparece, restando apenas os dois nós de carregamento de imagem, prontos para receber imagens. Nesse ponto, você vai notar que

21:54 o prompt de exemplo oficial é extremamente simples: “Troque as roupas do personagem”. Embora funcione, um prompt tão básico não aproveita totalmente os recursos do Qwen Image 2.1. Um dos recursos mais impressionantes desse workflow é a capacidade de aceitar até 10 imagens de referência ao mesmo tempo, permitindo recriar personagens, reconstruir produtos, combinar vários elementos e editar imagens com alta consistência. Ele tem um desempenho excepcional em design de personagens, pôsteres comerciais,

22:24 visualização de produtos e edições que preservam a identidade. Para melhorar a qualidade do prompt, enviei para o Claude o segundo documento de aprimoramento de prompt, baixado do GitHub, e usei o mesmo workflow de antes para criar uma skill dedicada de aprimoramento de prompts para edição de imagens com Qwen. Depois de gerada, a skill pode ser instalada diretamente no workspace local. A partir daí, basta enviar duas imagens de referência e acionar a skill, sem escrever nenhum prompt adicional. Ela analisa as imagens automaticamente e

22:55 gera um prompt de edição profissional e bem detalhado. Em seguida, copio o prompt gerado, colo no workflow de edição de imagem do Qwen Image 2.1 e envio duas imagens de referência. A primeira é um retrato de corpo inteiro de uma modelo. Essa imagem serve como referência da pessoa, permitindo que o Qwen Image 2.1 preserve a pose, as proporções corporais, o penteado, o ângulo da câmera e o ambiente de estúdio da pessoa. A segunda imagem mostra um look completo, incluindo uma camisa amarela, uma saia laranja, uma bolsa,

23:27 um lenço, brincos, óculos de sol e sapatos combinando. Antes de gerar a imagem, defino a resolução de saída como 1080 por 1920, ideal para fotografia de moda vertical de corpo inteiro. Então, basta clicar em “Run”. O resultado final mostra claramente que o Qwen Image 2.1 Image Edit faz muito mais do que simplesmente sobrepor roupas a uma pessoa. Ele compreende e combina as informações das duas imagens de referência de forma inteligente. A primeira imagem fornece a pose, as proporções corporais, o gesto de selfie da pessoa,

23:59 o penteado e o ambiente de estúdio, enquanto a segunda contribui com o look completo e os acessórios. Na imagem gerada, a postura original da pessoa, a pose de selfie e a consistência geral da identidade são preservadas, enquanto a camisa amarela, a saia laranja, a bolsa, o lenço, os brincos, os óculos de sol e os sapatos são transferidos com sucesso para a modelo. O que impressiona particularmente é a qualidade da reprodução dos materiais. A textura de linho da camisa e o caimento natural

24:29 da saia, os detalhes de couro e metal da bolsa e as características do tecido leve do lenço são todos reproduzidos de maneira convincente. Ao mesmo tempo, a iluminação, as sombras e o ambiente de estúdio permanecem totalmente consistentes com a fotografia original, sem artefatos evidentes nas roupas, distorções estruturais ou acessórios flutuantes. O resultado parece uma campanha de moda fotografada por profissionais, e não uma composição gerada por IA. Isso demonstra os fortes recursos do Qwen Image 2.1 na preservação da identidade

25:00 e na combinação de elementos de várias imagens, na prova virtual de roupas e em workflows comerciais de edição de moda. Agora, preparei quatro imagens: um gorila, um chapéu de chef, um avental, uma cozinha comercial e alguns ingredientes. Volto ao Claude, envio todas as imagens de referência e aciono a skill de aprimoramento de prompts para edição de imagens do Qwen. Sem fornecer nenhum prompt adicional, a skill gera automaticamente um prompt detalhado e aprimorado com base nas imagens enviadas. Basta copiar o prompt gerado

25:31 e colá-lo no workflow de edição de imagem do Qwen Image 2.1 e executá-lo para criar uma cena composta. Nas configurações da imagem, eu queria uma composição horizontal. No entanto, depois de gerar a imagem duas vezes, a saída continuou no formato retrato. Isso acontece porque o nó local de edição de imagem do Qwen Image 2.1 no ComfyUI usa, por padrão, a proporção da primeira imagem carregada em Image 1. Outro ponto importante é que a ordem de envio das imagens no workflow precisa corresponder à ordem usada no

26:02 Claude. Como o prompt aprimorado é escrito de acordo com a sequência das imagens analisadas pelo Claude, mudar a ordem no ComfyUI pode levar a resultados inesperados e a uma saída final diferente da desejada. Neste exemplo, uso duas imagens de referência com o workflow de edição de imagem do Qwen Image 2.1 para criar um pôster publicitário de uma bolsa de moda. A primeira imagem é um retrato de uma modelo, que fornece a aparência e a pose da pessoa, o estilo das roupas e a atmosfera do estúdio. A segunda

26:32 imagem mostra uma bolsa roxa com o logotipo AT AIA 24, fornecendo o design do produto, a textura do material, os metais e os detalhes da identidade da marca. A imagem final combina com sucesso as duas referências em uma cena publicitária coesa. Ao observar o resultado, vemos que o Qwen Image 2.1 não só preserva o penteado, o look, a pose sentada da modelo e a iluminação profissional do estúdio, como também transfere com precisão o formato, a cor, a textura e os

27:04 detalhes do logotipo da bolsa para a composição. A bolsa é posicionada naturalmente como o foco principal da imagem, criando um contraste visual marcante com o look da modelo e ajudando o produto a se destacar. É particularmente impressionante a preservação da textura do couro, dos reflexos dos metais, dos brilhos e da consistência das sombras, que fazem a bolsa parecer estar fisicamente presente na cena, em vez de simplesmente colada na imagem. A composição final se parece com um anúncio profissional de revista de moda,

27:34 preservando tanto o reconhecimento do produto quanto uma estética luxuosa e sofisticada. Este exemplo demonstra os fortes recursos do Qwen Image 2.1 em posicionamento de produtos, publicidade de marcas, combinação de várias imagens e criação de conteúdo visual comercial. Em seguida, vamos conferir o workflow oficial de remoção de fundo do Qwen Image 2.1. Esse workflow é muito parecido com o workflow de edição de imagem do Qwen Image 2.1 que vimos antes e também aceita até 10 imagens de referência. O prompt de exemplo oficial é extremamente

28:05 simples: “Remova o fundo e gere uma imagem PNG”. Para esta demonstração, vou usar a imagem de um panda-vermelho e remover o fundo. Depois de ajustar as dimensões da imagem, basta clicar em “Run”. Em segundos, o workflow gera uma imagem PNG limpa contendo apenas o panda-vermelho, sem precisar de outras ferramentas de remoção de fundo ou de pós-processamento. Agora, vamos voltar ao workflow de edição de imagem do Qwen Image 2.1. Desta vez, envio duas imagens. A

28:37 primeira é uma foto de uma menina segurando um lagarto, e a segunda é a imagem PNG transparente do panda-vermelho, gerada pelo workflow de remoção de fundo. Depois, colo o prompt aprimorado que o Claude gerou anteriormente e clico em “Run”. O resultado é bastante impressionante. O Qwen Image 2.1 não só compreende o conteúdo das duas imagens como também realiza uma edição com várias imagens muito convincente. O lagarto que a menina segurava é substituído naturalmente por um panda-vermelho realista. A interação com as mãos, a escala, a direção da iluminação

29:08 e a consistência geral da cena continuam convincentes, fazendo parecer que a menina já estava segurando o panda-vermelho quando a foto foi tirada. Em seguida, vamos explorar como usar o workflow de máscara para fazer modificações mais precisas nas imagens. Se você não conhece as técnicas de mascaramento e inpainting, expliquei tudo em detalhes no episódio 4 da minha série de tutoriais sobre ComfyUI, onde abordo tanto os fundamentos quanto os workflows práticos. Se quiser saber mais sobre o ComfyUI, não deixe de conferir esse tutorial no meu canal.

29:40 Em seguida, vamos explorar como combinar o workflow de máscara com o workflow de edição de imagem do Qwen Image 2.1 para fazer edições mais precisas e controláveis. Primeiro, abri meu workflow de máscara, enviei uma imagem e digitei apenas o prompt “pássaro”. Depois de clicar em “Run”, o workflow gerou rapidamente uma máscara que isolou com precisão o pássaro na imagem. Essa máscara define exatamente qual área deve ser modificada, preservando o restante da cena. Então, voltei ao workflow de edição de imagem do Qwen Image 2.1 e

30:11 enviei três imagens: a foto original de um bebê fofo montado em um pássaro, a imagem da máscara gerada e uma imagem de referência de um panda-gigante. Depois de atualizar o prompt e ajustar as dimensões da imagem, cliquei em “Run”. O resultado ficou surpreendentemente encantador. O pássaro original foi substituído com sucesso por um panda-gigante, enquanto o bebê, o fundo, a iluminação e a composição geral permaneceram quase completamente inalterados. Como mencionei antes, o Qwen Image 2.1 tende a seguir a estrutura

30:42 da imagem um, ou seja, apenas a área mascarada é modificada, enquanto o restante da imagem permanece fiel à cena original. Isso permite edições altamente controladas que mantêm a consistência da perspectiva, da iluminação e da atmosfera, substituindo apenas o elemento selecionado. Em seguida, testei um caso de uso mais prático. Usando o mesmo fluxo de trabalho com máscara, gerei uma máscara para a camiseta branca usada pela pessoa na fotografia. Depois, carreguei o retrato original, a máscara da camiseta e uma imagem de referência de uma jaqueta acolchoada laranja

31:13 no fluxo de edição de imagem do Qwen Image 2.1. O resultado gerado demonstra outro ponto forte do Qwen Image 2.1: a substituição realista de roupas. A camiseta branca lisa foi transformada com sucesso em uma jaqueta acolchoada laranja e grossa, enquanto os traços faciais, o penteado, a posição do corpo e das mãos da pessoa foram preservados. O modelo também recriou a estrutura acolchoada da jaqueta, o volume do tecido, os padrões das costuras e as características do material refletivo com

31:44 uma precisão impressionante. Embora uma análise mais atenta revele algumas pequenas imperfeições, como a jaqueta parecer um pouco pequena e a cabeça parecer um pouco maior do que o esperado, o resultado geral continua surpreendentemente convincente. As proporções do corpo, a posição da roupa e a integridade da pose foram bem preservadas, sem grandes distorções ou anatomia deformada. Para aplicações como prévias de moda virtual, design de roupas, visualização para e-commerce e edição criativa de retratos, a qualidade já é bastante

32:14 utilizável. Esses exemplos demonstram claramente a vantagem de combinar a edição baseada em máscaras com o recurso de edição de imagem do Qwen Image 2.1. Ao definir com precisão a área a ser alterada, você obtém um controle minucioso do processo de edição e preserva a estrutura da imagem original, resultando em edições mais precisas, naturais e com aparência profissional. Em seguida, vamos conferir os recursos de restauração de fotos antigas do recurso de edição de imagem do Qwen Image 2.1. Neste exemplo, carreguei uma fotografia antiga

32:45 e usei o fluxo de edição de imagem do Qwen Image 2.1 para restaurá-la e aprimorá-la. Comparando os resultados de antes e depois, fica claro que o Qwen Image 2.1 faz muito mais do que simplesmente aumentar a nitidez ou reduzir o ruído. Em vez disso, ele entende o conteúdo da imagem e reconstrói de forma inteligente os detalhes ausentes, preservando a composição original e o caráter histórico. A foto original mostra muitos sinais de envelhecimento, incluindo amarelamento, contraste desbotado, arranhões, rachaduras, bordas gastas e uma degradação geral da imagem

33:17 . Na versão restaurada, o modelo preserva com sucesso a pose, a composição e a aparência característica da época, removendo a maior parte dos danos visuais. Os traços faciais ficam significativamente mais nítidos. Os padrões de renda do vestido de noiva ficam mais definidos. O véu e o buquê recuperam os detalhes finos, e a textura do terno do noivo parece muito mais realista e completa. O que é particularmente impressionante é que o Qwen Image 2.1 não apaga a autenticidade histórica da fotografia. Em vez disso,

33:49 ele respeita a imagem original, reconstruindo de forma inteligente os detalhes perdidos e aumentando a qualidade geral da imagem. O resultado parece menos uma imagem de IA bastante editada e mais uma digitalização de alta qualidade de um negativo original bem preservado. Esse recurso torna o Qwen Image 2.1 especialmente útil para restaurar fotos históricas, preservar acervos familiares, aprimorar fotos antigas, reparar imagens danificadas, fazer o pré-processamento para colorização de fotos e restaurar digitalmente fotografias de arquivo.

34:21 Este exemplo demonstra que o recurso de edição de imagem do Qwen Image 2.1 é mais do que um editor de imagens comum. Ele funciona como um sistema inteligente de restauração visual, capaz de entender o conteúdo de uma fotografia e reconstruir detalhes ausentes, preservando a autenticidade e o caráter histórico. Por fim, vamos conferir os recursos de fusão de múltiplas imagens e geração de personagens do fluxo de edição de imagem do Qwen Image 2.1. No primeiro teste, usei uma cena de jardim como imagem de base e carreguei

34:51 oito referências diferentes de animais, incluindo um panda-vermelho, um coelho, uma raposa e um filhote de cachorro. O retrato de grupo resultante ficou notavelmente bom. Cada animal mantém sua aparência única, sem mistura de características nem confusão de identidade. Alguns personagens estão em pé, outros estão sentados, e eles são dispostos naturalmente pela cena, com composição e profundidade equilibradas. A iluminação, as cores e a atmosfera do ambiente permanecem consistentes na imagem toda, criando uma cena em alta resolução

35:22 em estilo de livro ilustrado, com uma identidade visual coesa. Este exemplo demonstra a eficácia com que o Qwen Image 2.1 pode processar e combinar até 10 imagens de referência, mantendo a consistência dos personagens e a harmonia da cena. No segundo teste, carreguei uma folha de vistas do personagem, contendo um retrato em close-up e vistas frontal, lateral e traseira do mesmo personagem. Muitos modelos de edição de imagem conseguem usar uma folha de vistas para manter a consistência do personagem, mas o Image 2.1 vai muito além. Em vez de

35:52 gerar outra referência estática do personagem, ele transforma o design em uma cena narrativa totalmente elaborada. A imagem final mostra o personagem de cabelo verde montado em um dragão rosa, atravessando um céu mágico repleto de ilhas flutuantes, arco-íris, nuvens suaves e iluminação cinematográfica acolhedora. O mais impressionante é que o penteado, as cores da roupa, os fones de ouvido, as alças e o design geral do personagem permanecem muito fiéis à referência original de várias vistas, mesmo reinterpretados em uma pose de ação dinâmica.

36:23 O resultado parece menos uma folha de personagem e mais uma ilustração de arte conceitual finalizada para um filme de fantasia ou jogo eletrônico. Isso demonstra um dos maiores pontos fortes do Qwen Image 2.1: a capacidade de entender o design de um personagem e transformá-lo em uma cena narrativa visualmente rica, o que o torna uma excelente ferramenta para criação de personagens, desenvolvimento de jogos, livros infantis e design de conceitos de propriedade intelectual. Com base nos testes de cenários completos, o Qwen Image 2.1 se destaca como um poderoso modelo de geração de imagens open source

36:54 . Com apenas 7B de parâmetros leves, ele oferece desempenho próximo ao de modelos grandes, adequado para obras de arte pessoais, recursos de design, cartazes comerciais, design de personagens e retoque de fotos. Mais do que um simples modelo de texto para imagem, ele é um sistema integrado de criação visual. Gera imagens de alta qualidade a partir de texto e exporta nativamente recursos PNG transparentes em RGBA, sem necessidade de recorte manual. Seu fluxo de edição de imagem aceita até 10 imagens de referência para replicar personagens ou

37:25 produtos de forma consistente. Combinado com o inpainting baseado em máscaras, ele edita regiões selecionadas com precisão, preservando a composição e a atmosfera originais. Todos os recursos principais estão reunidos em um único modelo, eliminando o incômodo de alternar entre modelos diferentes. O modelo leve de 7B, com quantização INT8, funciona sem problemas em hardware de consumo. Ele oferece suporte nativo a saída de alta resolução de até 2K, com detalhes impressionantes, comparáveis aos de muitas alternativas de código fechado. Ainda há limitações.

37:56 Prompts mínimos têm dificuldade para produzir bons resultados. Carregar as 10 imagens de referência completas deixa a inference mais lenta e pode causar pequenas misturas de características. Às vezes, aparecem pequenos artefatos nas bordas do inpainting local. Dicas práticas. Use resolução 1K para testes rápidos de rascunho e 2K para as renderizações finais. Em tarefas com várias referências, quatro a seis referências equilibram qualidade e velocidade. Use prompts específicos para RGBA em recursos transparentes e referências de múltiplas vistas para criar personagens consistentes.

38:26 Quando usado corretamente, o Qwen Image 2.1 dá conta da maioria das tarefas de design pessoal e comercial leve. É uma opção econômica para geração de imagens com IA open source. Em vez de apenas produzir imagens, ele capacita criadores a transformar conceitos rapidamente em arte visual refinada. Se você achou este vídeo útil, curta, inscreva-se e compartilhe. Obrigado por assistir. Até o próximo

Transcrição original

[00:05] AI factory. >> While open- source AI image generation models are proliferating, most suffer from limited functionality, such as being restricted to textto image tasks, struggling with character consistency, lacking support for transparency, or failing to handle multiple reference images effectively. Quinn image 2.1 shatters these limitations. Despite being a lightweight open-source model with only 7 billion parameters, it delivers five comprehensive capabilities. Textto image generation,

[00:36] image refinement and editing, highfidelity character and product replication, multi-reference image fusion, and native transparent PNG generation. It supports the simultaneous input of up to 10 reference images and outputs highdefinition assets with an alpha transparency channel directly, eliminating the need for post-processing background removal or auxiliary plugins. In official comparative tests, Quinn image 2.1 outperformed the popular closed source model Nano Banana 2.0 zero across multiple scenarios, establishing

[01:09] itself as a versatile open-source powerhouse that excels in cost effectiveness, practicality, and general utility. In this article, we provide a comprehensive hands-on analysis of the model, covering core functions such as basic workflows, resolution details, RGBA transparency capabilities, multi-reference consistency, and precise local editing. We also include readytouse prompts and practical tips to help you avoid common pitfalls. The core advantage of Quen Image 2.1 is its lightweight all-in-one integration. With

[01:41] a compact 7B parameter size, it unifies image generation, image editing, and RGBA transparent layer generation into a single model architecture. This eliminates the cumbersome workflows associated with deploying multiple models and allows for local execution on standard consumer-grade GPUs. Unlike traditional image generation models, it utilizes a native RGBA 4 channel architecture paired with a proprietary VAE. It supports transparency generation at the model’s foundational level rather

[02:12] than relying on post-processing cutout algorithms, resulting in more natural and realistic transparent edges and semi-transparent textures. To ensure smooth local operation in Comfy UI, you must strictly configure the three specific components. None can be omitted and older versions must not be mixed in. Main model. Prioritize the INT8 soen Verat lightweight version for lower VM usage and faster speeds making it runnable even on lower-end hardware or

[02:42] choose the BF-16 version on high-end hardware for greater precision. Text encoder must be paired with the int8 soen Verat version to match the model’s encoding logic and ensure accurate prompt parsing. Dedicated RGBA VAE. This is crucial. You absolutely cannot reuse the old Quen image VAE. The new VAE is specifically developed for 4channel transparent images and is the key to generating transparent PGs. Additionally, Comfy UI must be updated

[03:13] to the latest version to support the model specific features, including the text encode Quen Image 2.1 encoding node, 4 channel decoding logic, and dynamic ports for multiple reference images. Now, let’s take a look at how to use the Quen image 2.1 textto image workflow in Comfy UI. First, I recommend updating Comfy UI to the latest version. Click update in its right corner. Then, select update now. Comfy UI will begin downloading and installing the latest

[03:43] updates automatically. Once the update is finished, restart Comfy UI. After relaunching, go to the left sidebar and select templates. Then open the image category and choose Quinn image 2.1 text to image. When the workflow loads, you may notice a red box in the middle. This indicates that some required models are missing. Click view details and you’ll see three missing models listed on the right panel. Quen image 2.1 VABF16.Safe tensorers. Quen 3VL8B and 8 convert.Safe

[04:17] tensorers. [music] Quen image 2.1 NT8 convert.Safe tensers. These are the same core models we discussed earlier in the introduction. You can download them individually by clicking download next to each model or simply click download all to install everything at once. Keep in mind that the total download size is approximately 16.1 GB. So the process may take a few minutes depending on your internet speed. In most cases, the download is completed in about 7 to 8

[04:47] minutes. After all models have been downloaded, restart Comfy UI once again. Open the Quen image 2.1 text to image workflow. And if the red warning box has disappeared, that means all required models have been installed successfully and the workflow is ready to use. The official workflow already includes a sample prompt. So I’ll use that prompt to generate a test image. In the resolution selector, we’ll keep the default settings. Aspect ratio 1 one megapixels 1 multiple of eight default.

[05:21] Now click run. One of the impressive features of Quinn image 2.1 is its speed. In most cases, the image is generated in just 5 to 6 seconds. As you can see, the final result is extremely sharp with excellent detail reproduction throughout the image. The lighting, textures, materials, and overall image quality demonstrate the strong native rendering capabilities of Quen Image 2.1, making it one of the most impressive open-source image generation models currently available. Next, let’s

[05:53] take a closer look at the Quinn image 2.1 texttoimage workflow. The workflow is simple, clean, and highly stable. The workflow begins by loading three core components. the main model, the text encoder, the RGBA specific VAE. After initialization, a blank latent canvas is created providing the base space where the image will be generated. The most important node in this workflow is text encode Quinn image 2.1. Unlike traditional text encoders, this node can

[06:25] process not only text prompts, but also single or multiple reference images. It combines textual descriptions and visual features into a unified conditioning signal, allowing the model to generate images with much greater accuracy. For sampling, the recommended settings are sampler, oiler, scheduler, simple steps 25, CFG scale 1.0. These parameters provide an excellent balance between generation speed and image quality while

[06:55] avoiding issues such as oversharpening, overexposure, or excessive artifacts. Now, let’s do a quick test. When it comes to prompt creation, most people usually use Chat GPT or Gemini. However, if you’ve watched episode 3 of my Comfy UI tutorial series, you may remember the QuenvL prompt generator workflow that we built earlier. In many cases, QuenVL can produce highly detailed prompts and often offers more flexibility for image creation than ChachiPT or Gemini. If you haven’t watched that lesson yet, you can

[07:27] find it on my channel and build the workflow yourself. Besides prompt expansion, it can also generate prompts directly from images. For this demonstration, we’ll rightclick and disconnect the Quenvell node from the load image node. Since we don’t need image input right now, we can simply delete the load image node. In the prompt box, enter a simple sentence. A beautiful girl and a cute cat. Click run. Within seconds, Quenv creates several prompt variations. One section

[07:57] contains the main subject description, while the rest consists of supporting descriptive details. I’ll copy the main description and paste it into the text field. Next, from the preset prompt drop-down menu, select ultradetailed description. This allows QuenVL to enrich the prompt even further. [music] The resulting prompt becomes much more detailed, adding scene descriptions, character features, atmosphere, [music] and cinematic language. Now, simply copy the enhanced prompt and paste it into

[08:29] the Quen image 2.1 workflow. Change the aspect ratio to 16x9, then click run. Within a few seconds, Quinn image 2.1 produces a highquality cinematic photorealistic image. The results are impressive. Extremely detailed hair strands, sharp and expressive cat eyes, strong depth and texture on the stone carvings, rich and natural lighting effects. The generated image size is 1,376x768.

[09:02] If you’d like to create a higher resolution version using the exact same prompt. The process is very simple. In the resolution selector node, change megapixels from 1 to two. Then click run again. The improvement is immediately noticeable. Hair details become significantly richer. Facial features appear sharper. Individual cat hairs become visible. Clothing embroidery gains extra texture. Moss and rock surfaces show more fine detail. Tiny

[09:33] dust particles in the sunlight become more apparent. With nearly twice the pixel information, the image reaches an even higher level of realism and detail, approaching the quality expected in professional illustrations, children’s book covers, and cinematic concept art. Next, let’s try another prompt example. Go back to the Quenv prompt workflow and enter the following prompt. Cute 5-year-old girl with sapphire blue eyes, freckles, messy blonde braids, and a

[10:03] purple flower clip wearing a lavender ruffled dress on a rope swing. Captured in warm cinematic light with a colorful bokeh background, hyperdetailed. This time, select prompt refine and expand from the preset prompt drop- down menu. Then click run. Within a few seconds, QuenVL generates an expanded version of the prompt. The refined prompt includes additional photographic language, lighting descriptions, environmental details, cinematic atmosphere, and

[10:34] character enhancements. Copy the useful sections of the generated prompt and paste them into the Quen image 2.1 workflow. Now, click run. Very quickly, Quen image 2.1 produces a beautiful result. At this stage, the image already demonstrates the model’s impressive portrait generation capabilities. >> [music] >> The composition uses a close-up framing style with the subject occupying a large portion of the image. Facial details are sharp and natural. Hair strands are well- definined. Fabric folds are

[11:06] detailed and the background features pleasing depth of field blur that creates a cinematic atmosphere. The image is generated at 1,376x768 megapixels equals 1. Next, keep the exact same prompt and simply change the megapixels value from 1 to two in the resolution selector node. Then click run again to create a near 2K version. Many beginners assume that megapixels equals 2 simply makes the image larger.

[11:37] However, that’s not how Quen image 2.1 works. Instead of merely upscaling the existing image, the model utilizes a larger latent space and regenerates the scene with additional information and detail. The scene feels more spacious. More environmental context is included. Background layers become richer. The image develops stronger visual storytelling. Detail quality also improves significantly. Hair braid textures become finer. Eye highlights appear sharper. Dress fabrics look more

[12:08] realistic. Rope fibers show additional detail. Overall image realism and visual complexity increase noticeably. To push the model even further, you can take the expanded prompt generated by Quenvell and feed it back into the Quenvell prompt workflow once again. Run prompt refine and expand a second time. This creates an even richer prompt, adding more scene descriptions, cinematic language, lighting details, and visual cues. Paste the newly enhanced prompt back into the Quen image 2.1 workflow

[12:40] and generate another image. The resulting image becomes even more refined. Facial features appear more delicate. The overall facial structure looks more natural. The eyes gain additional depth and detail and more rimlet hair strands appear around the edges of the subject. At this stage, the improvement is no longer just about resolution. It becomes an enhancement of artistic quality, cinematic storytelling, and overall visual impact. Through prompt expansion, Quinn image

[13:10] 2.1 can transform a simple portrait into an image that feels like a professional fairy tale movie poster or a high-end cinematic concept artwork. Why do I keep emphasizing the importance of detailed prompts? Because Quinn image 2.1 is fundamentally a lightweight image generation model. It comes with one important rule. Avoid overly simplistic or vague prompts. For example, prompts like beautiful woman, cinematic, and high quality provide very little information. Unlike some larger models,

[13:43] Quinn image 2.1 will not automatically fill in missing details. As a result, the more precisely you describe the scene, the better the output becomes. To address this challenge, the official team provides two prompt enhancer models. Quinn 3.59B Quinn image 2.1 PET2i in 8 convert safe tensorers and Quinn 3.59B Quinn image 2.1PI2i in 8 convert safe tensorers. These are designed for text to image prompt enhancement and imageto image prompt

[14:13] enhancement. You can deploy these models locally. The official website also provides readyto-use Comfy UI workflows for both versions. The workflow I’m using here is the official enhanced textto image workflow. In the middle of the workflow, you’ll find a setting called refine prompt. By default, it is set to false. This means the prompt enhancement feature is disabled when you switch it to true. The prompt enhancement function becomes active. This is somewhat similar to the prompt

[14:43] refinement feature found in Crea 2 textto image workflows. Once enabled, the model automatically expands short descriptions into professional quality prompts, dramatically improving image quality. However, for many users, loading an additional 9B model solely for prompt enhancement may feel a bit heavy, especially if you’re using a system with limited RAM. The extra resource requirements can become significant. In addition, the official GitHub repository provides the complete

[15:13] system prompt and prompt writing guidelines used by the enhancer models. You can follow these documents to build your own highquality prompts manually. But I’d like to share a much simpler solution. In a previous tutorial, I showed how to install and use local skills for prompt writing, especially for Minax H3 video generation. If you haven’t watched my install minimax h3 skills locally full H3 skills tutorial, you can find it on my channel. The same concept can be applied to Quen image

[15:44] 2.1. In other words, we can build a dedicated prompt rewriter skill. First, visit the official GitHub repository and download the prompt enhancer files. Then, open Claude. In my case, I’m using Claude desktop running locally on my computer. Upload one of the prompt enhancer files and ask. Based on this prompt enhancer content, create a skill and add it to my workspace. Within a few moments, Claude generates a fully functional custom skill. This new skill

[16:14] is specifically designed for the Quinn image 2.1 textto image workflow. Once it’s created, you can either download the skill or save the skill. I simply click save skill and install it directly into my local workspace. From then on, using it becomes incredibly easy. All I have to do is type / Quinn and the following skill instantly appears. Quen image 2.1 text to image prompt rewriter. I can then enter a short prompt such as close-up portrait of a battleworn

[16:45] firefighter with piercing blue gay eyes, sootcovered skin, and rugged gear. The skill automatically rewrites it into a highly detailed professional prompt using the official enhancement template. It even recommends an ideal image aspect ratio. This allows even beginners with no prompt writing experience to generate professional quality Quinn image 2.1 prompts in seconds. Pretty cool, isn’t it? These two images were generated using the enhanced prompts created by the custom skill we just built. Pretty

[17:16] impressive, right? Now, let’s look at one of the most distinctive and practical features of Quen Image 2.1. Native RGBA 4 channel image generation. Traditional AI image generators typically produce only standard RGB images. If you need a transparent background asset, the usual workflow involves three separate steps. Generate the image. Remove the background. Refine the edges manually. This process can be timeconuming and often struggles with

[17:46] difficult areas such as hair, fur, feathers, lace, and semi-transparent objects. Quen image 2.1 takes a completely different approach. At the model level, it supports an alpha transparency channel, allowing it to generate RGBA images directly. As a result, the model can output readytouse transparent PNG assets without requiring additional background removal or post-processing. This capability is especially useful for graphic design, e-commerce [music] product assets,

[18:17] sticker creation, UI design, video compositing, social media content production. To ensure the model accurately generates assets with transparency, the prompt must explicitly include three key conditions. Specifying the generation of an RGBA image, declaring the inclusion of an alpha transparency channel, and emphasizing a fully transparent background. Once these three conditions are met, the model understands your requirements and generates readyto-use assets with transparent backgrounds. The RGBA prompt

[18:48] combination used here was generated using the Quen image 2.1 textto image prompt rewriter skill built on Claude. This enables users to quickly generate professional-grade transparent PNG assets via the Quen image 2.1 textto image workflow. Rabbit Charm showcases Quinn image 2.1’s ability to differentiate between transparent materials, plastic surfaces, and metallic components within a single RGBA image. The rabbit’s surface exhibits soft highlights, edge refraction, and

[19:19] reflective properties commonly found in acrylic keychains and resin accessories. The rose gold outline displays convincing metallic reflections and highlight variations, while the top hanging ring retains the appearance of polished metal hardware. At the same time, the main body presents the smooth, glossy finish associated with enamel or plastic materials. Most impressive is the transparency effect visible around the ears, where subtle light transmission and edge refraction mimic the behavior of real acrylic. Quinn

[19:50] image 2.1 successfully separates and renders three distinct material types, metal, plastic, and transparent acrylic, while preserving them within a transparent RGBA output. This makes it exceptionally useful for sticker design, merchandise creation, e-commerce assets, badges, icons, and professional UI design workflows. This dog image demonstrates Quinn image 2.1’s native RGBA transparency capabilities for handling fur and hairlike materials.

[20:20] Traditional AI workflows often struggle with complex edges such as fur, fluff, feathers, and hair, typically requiring background removal and manual edge cleanup to avoid artifacts like white halos, jagged edges, or broken strands. In this example, the fur around the ears, cheeks, and chin retains thousands of fine individual strands with smooth semi-transparent transitions. The edges remain irregular and natural, closely resembling the alpha channel information produced in professional photography. In

[20:52] addition, the eyes and nose preserve realistic material characteristics, including specular reflections, highlight points, and subtle surface textures. This demonstrates that Quinn image 2.1 is not merely generating transparency, but is maintaining accurate material behavior while preserving highquality alpha edge information. Next, let’s explore the Quinn image 2.1 image edit workflow. Open Comfy UI and navigate to templates image. Then locate Quinn image 2.1 image

[21:23] edit. The first time you load the workflow, you’ll see a red error box indicating that the Quen 3.59B Quinn image 2.1B I2IN in8 convert safeensers model is missing. Click download all to download the required files. And once the download is complete, restart Comfy UI after reopening the workflow, the model related error disappears, leaving only the two load image nodes ready for image input. At this point, you’ll notice that

[21:54] the official example prompt is extremely simple. Replace costumes for the character. While functional, such a basic prompt does not fully leverage the capabilities of Quinn image 2.1. One of the most impressive features of this workflow is its ability to accept up to 10 reference images simultaneously, enabling character recreation, product reconstruction, multi-feature fusion, and high consistency image editing. It performs exceptionally well for character design, commercial posters,

[22:24] product visualization, and identity preserving edits. To enhance prompt quality, I uploaded the second prompt enhancer document downloaded from GitHub into Claude and used the same workflow as before to create a dedicated Quinn imageedit prompt enhancer skill. Once generated, the skill can be installed directly into the local workspace. From that point on, I simply upload two reference images and invoke the skill without writing any additional prompt. It automatically analyzes the images and

[22:55] generates a highly detailed professional editing prompt. I then copy the generated prompt, paste it into the Quen image 2.1 image edit workflow and upload two reference images. The first image is a full body portrait of a model. This image serves as the subject reference, allowing Quinn image 2.1 to preserve the person’s pose, body proportions, hairstyle, camera angle, and studio environment. The second image contains a complete fashion outfit including a yellow shirt, orange skirt, handbag,

[23:27] scarf, earrings, sunglasses, and matching shoes. Before generating, I set the output resolution to 1080 by 1920, which is ideal for full body vertical fashion photography. Then I simply click run. The final result clearly shows that Quinn image 2.1 image edit does far more than simply overlay clothing onto a person. It intelligently understands and combines information from both reference images. The first image provides the subject’s pose, body proportions, selfie

[23:59] gesture, hairstyle, and studio environment, while the second image contributes the complete outfit styling and accessories. In the generated image, the original subject’s posture, selfie pose, and overall identity consistency are preserved, while the yellow shirt, orange skirt, handbag, scarf, earrings, sunglasses, and shoes are successfully transferred onto the model. What is particularly impressive is the quality of the material reproduction. The linen texture of the shirt, the natural drape

[24:29] of the skirt, the leather and metal details of the handbag, and the [music] lightweight fabric characteristics of the scarf are all rendered convincingly. At the same time, the lighting, shadows, and studio environment remain fully consistent with the original photograph with no obvious clothing artifacts, structural distortions, or floating accessories. The result looks like a professionally photographed fashion campaign rather than an AI generated composite. demonstrating Quinn image 2.1’s strong capabilities in identity

[25:00] preservation, multi-image feature fusion, virtual tryon, and commercial fashion editing workflows. Now, I’ve prepared four images, a gorilla, a chef’s hat, an apron, a commercial kitchen, and some ingredients. I go back to Claude, upload all the reference images, and then invoke the Quen image edit prompt enhancer skill. Without providing any additional prompt, the skill automatically generates a detailed enhanced prompt based on the uploaded images. Simply copy the generated

[25:31] prompt, paste it into the Quen image 2.1 image edit workflow and run it to create a combined scene. [music] In the image settings, I wanted a landscape composition. However, after generating the image twice, the output still appeared in portrait format. This is because the local Quinn image 2.1 image edit node in Comfy UI defaults to using the aspect ratio of the first image loaded into image or one. Another important thing to note is that the image upload order inside the workflow must match the upload order used in

[26:02] Claude. Since the enhanced prompt is written according to the sequence of images analyzed by Claude, changing the order inside Comfy UI may lead to unexpected results and a final output that differs from what you intended. In this example, I use two reference images with the Quen image 2.1 image edit workflow to create a fashion handbag advertisement poster. The first image is a fashion model portrait, providing the subject’s appearance, pose, clothing style, and studio atmosphere. The second

[26:32] image is a purple handbag featuring the AT AIA 24 logo supplying the product design, material texture, metallic hardware, and brand identity details. The final image successfully combines both references into a cohesive commercial advertising scene. Looking at the result, Quinn image 2.1 not only preserves the model’s hairstyle, outfit, seated pose, and professional studio lighting, but also accurately transfers the handbag’s shape, color, texture, and

[27:04] logo details into the composition. The handbag is naturally positioned as the focal point of the image while creating a strong visual contrast against the model’s outfit, helping the product stand out. Particularly impressive is the preservation of leather texture, metallic hardware reflections, highlights, and shadow consistency, making the bag appear physically present within the scene rather than simply pasted into the image. The final composition resembles a professional fashion magazine advertisement,

[27:34] maintaining both product recognition and a premium luxury aesthetic. This example demonstrates Quinn image 2.1 strong capabilities in product placement, brand advertising, multi-image fusion, and commercial visual content creation. Next, let’s take a look at the official Quinn image 2.1 background removal workflow. [music] This workflow is very similar to the Quen image 2.1 image edit workflow discussed earlier and also supports up to 10 reference images. The official example prompt is extremely

[28:05] simple. Remove the background and output a PNG image. For this demonstration, I’ll use a red panda image and remove its background. After adjusting the image dimensions, simply click run. Within seconds, the workflow generates a clean PNG image containing only the red panda without requiring any additional background removal tools or post-processing. Now, let’s return to the Quen image 2.1 image edit workflow. This time, I upload two images. The

[28:37] first is a photo of a young girl holding a lizard, and the second is the transparent PNG of the red panda generated by the background removal workflow. Then I paste the enhanced prompt that Claude previously generated and click run. The result is quite impressive. Quen image 2.1 not only understands the content of both images, but also performs a highly convincing multi-image edit. The original lizard in the girl’s hands is naturally replaced with a lielike red panda. The hand interaction, scale, lighting direction,

[29:08] and overall scene consistency remain believable, making it appear as if the girl was originally holding the red panda when the photo was taken. Next, let’s explore how to use the mask workflow for more precise image modifications. If you’re not familiar with masking and in painting techniques, I covered them in detail in episode 4 of my Comfy UI tutorial series, where I explain both the fundamentals and practical workflows. If you’d like to learn more about Comfy UI, be sure to check out that tutorial on my channel.

[29:40] Next, let’s explore how to combine the mask workflow with the Quinn image 2.1 image edit workflow for more precise and controllable editing. First, I opened my mask workflow, uploaded an image, and simply entered the prompt bird. After clicking run, the workflow quickly generated a mask that accurately isolated the bird in the image. This mask defines exactly which area should be modified while preserving the rest of the scene. I then returned to the Quen image 2.1 image edit workflow and

[30:11] uploaded three images. The original photo of a cute baby riding on a bird, [music] the generated mask image, and a reference image of a giant panda. After updating the prompt and adjusting the image dimensions, I clicked run. The result was surprisingly charming. The original bird was successfully replaced by a giant panda, while the baby background, lighting, and overall composition remained almost completely unchanged. As mentioned earlier, Quinn image 2.1 tends to follow the structure

[30:42] of image one, meaning that only the masked area is modified while the rest of the image stays faithful to the original scene. This allows highly controlled edits that maintain consistency in perspective, lighting, and atmosphere while replacing only the selected subject. Next, I tested a more practical use case. Using the same mask workflow, I generated a mask for the white t-shirt worn by the subject in the photograph. I then loaded the original portrait, the t-shirt mask, and a reference image of an orange puffer

[31:13] jacket into the Quinn image 2.1 image edit workflow. The generated result demonstrates another strength of Quen image 2.1 realistic clothing replacement. The plain white t-shirt was successfully transformed into a thick orange puffer jacket, while the subject’s facial features, hairstyle, body position, and hand placement were all preserved. The model also recreated the jacket’s quilted construction, fabric volume, stitching patterns, and reflective material characteristics with

[31:44] impressive accuracy. Although a close inspection reveals some minor imperfections, such as the jacket appearing slightly undersized and the head looking a bit larger than expected, the overall result remains surprisingly convincing. The body proportions, garment placement, and pose integrity are well-maintained with no major distortions or broken anatomy. For applications such as virtual fashion previews, apparel design, e-commerce visualization, and creative portrait editing, the quality is already highly

[32:14] usable. These examples clearly demonstrate the advantage of combining mask-based editing with Quen image 2.1 image edit. By precisely defining the area to be changed, you gain fine-grained control over the editing process while preserving the original image structure, resulting in more accurate, natural, and professionallook edits. Next, let’s take a look at the old photo restoration capabilities of Quen Image 2.1 image edit. For this example, I uploaded a vintage photograph

[32:45] and used the Quinn image 2.1 image edit workflow to restore and enhance it. Comparing the before and after results, it’s clear that Quen image 2.1 is doing far more than simple sharpening or noise reduction. Instead, it understands the content of the image and intelligently reconstructs missing details while preserving the original composition and historical character. The original photo shows many signs of age, including yellowing, faded contrast, scratches, cracks, worn borders, and general image

[33:17] degradation. In the restored version, the model successfully preserves the original pose, composition, and period specific appearance while removing most of the visual damage. Facial features become significantly clearer. The lace patterns of the wedding dress are more defined. The veil and bouquet regain their fine details, and the texture of the groom’s suit appears far more realistic and complete. What is particularly impressive is that Quen image 2.1 does not erase the historical authenticity of the photograph. Instead,

[33:49] it respects the original image while intelligently reconstructing lost details and increasing overall image quality. The result feels less like a heavily edited AI image and more like a highquality rescan from a wellpreserved original negative. This capability makes Quen image 2.1 especially useful for historical photo restoration, family archive preservation, vintage photo enhancement, damaged image repair, pre-processing for photo colorization, digital restoration of archival

[34:21] photographs. This example demonstrates that Quen image 2.1 image edit is more than a standard image editor. It acts as an intelligent visual restoration system capable of understanding the content of a photograph and reconstructing missing details while maintaining authenticity and historical character. Finally, let’s take a look at the multi-image fusion and character generation capabilities of the Quen image 2.1 image edit workflow. For the first test, I used a garden scene as the base image and uploaded

[34:51] eight different animal references, including a red panda, rabbit, fox, and puppy. The resulting group portrait is remarkably successful. Each animal retains its own unique appearance without feature blending or identity confusion. Some characters are standing, others are sitting, and they are naturally arranged throughout the scene with balanced composition and depth. The lighting, colors, and environmental atmosphere remain consistent across the entire image, creating a highresolution

[35:22] storybook style scene with a cohesive visual identity. This example demonstrates how effectively Quen image 2.1 can process and combine up to 10 reference images while maintaining character consistency and scene harmony. For the second test, I uploaded a character turnaround sheet containing a close-up portrait along with front, side, and back views of the same character. Many image editing models can use a turnaround sheet to preserve character consistency, but when image 2.1 goes much further. Instead of

[35:52] generating another static character reference, it transforms the design into a fully realized story scene. The final image shows the green-haired character riding a pink dragon through a magical sky filled with floating islands, rainbows, soft clouds, and warm cinematic lighting. Most impressively, the character’s hairstyle, outfit colors, headphones, straps, and overall design remain highly faithful to the original for view reference while being reinterpreted in a dynamic action pose.

[36:23] The result feels less like a character sheet and more like a finished concept art illustration from a fantasy film or video game. This demonstrates one of Quen image 2.1’s greatest strengths, the ability to understand a character design and transform it into a visually rich narrative scene, making it an excellent tool for character creation, game development, children’s books, and IP concept design. Based on full scenario testing, Quinn image 2.1 stands out as a powerful all-in-one open-source image

[36:54] generation model. With only 7B lightweight parameters, it delivers near large model performance suitable for personal artwork, design assets, commercial posters, character design, and photo retouching. More than a simple textto-image model, it is an integrated visual creation system. It generates highquality images from text, natively exports RGBA transparent PNG assets without manual matting. Its image edit workflow accepts up to 10 reference images for consistent character or

[37:25] product replication. Combined with mask based in painting, it precisely edits selected regions while preserving the original composition and atmosphere. All core features are unified in one model, removing the hassle of switching between different models. The lightweight 7B model with INT8 quantization runs smoothly on consumer hardware. It natively supports up to 2K highresolution output with impressive details comparable to many closed source alternatives. Limitations remain.

[37:56] Minimal prompts struggle to produce great results. Loading the full 10 reference images slows inference and may cause minor feature crosscontamination. Tiny edge artifacts occasionally appear in local in painting. Practical tips. Use 1K resolution for fast draft trials and 2K for final renders. For multi-reference tasks, four to six references balance quality and speed. Use RGBA specific prompts for transparent assets and multiv- view

[38:26] references for consistent character creation. When used properly, Quinn image 2.1 handles most personal and light commercial design tasks. It is a cost-effective pick in open-source AI image generation. Instead of merely producing pictures, it empowers creators to turn concepts into polished visual art quickly. If you found this video helpful, please like, subscribe, and share. Thanks for watching. See you in the next