Qwen-Image-2.1 vs Bernini-Diffusers-v2: Licencja to cały argument

Dwa systemy obrazowania z otwartymi wagami pojawiły się w odstępie sześciu tygodni w 2026 roku niemal bez rozgłosu, a nie zgadzają się co do jednej rzeczy, która decyduje o tym, czy można na nich zbudować biznes. Qwen-Image-2.1, opublikowany 20 września 2026 roku, jest udostępniany na licencji badawczej — wyłącznie niekomercyjnej, a użycie komercyjne wymaga odrębnego porozumienia. Bernini-Diffusers-v2, opublikowany przez ByteDance 13 sierpnia 2026 roku, jest udostępniany na licencji Apache 2.0, co oznacza, że możesz go wdrożyć. Wydanie sprawiające wrażenie bardziej zaawansowanego jest tym, którego nie możesz sprzedawać, a to o bardziej liberalnej licencji jest tym, które głównie chce tworzyć wideo. Ta inwersja to właśnie to porównanie.

Inwersja licencji

Zacznij od dokumentacji, bo ma ona pierwszeństwo przed wszystkim innym na tej stronie. Żadna luka jakościowa nie zniweluje problemu z licencjonowaniem, a żaden wynik benchmarku nie uratuje produktu, który musi zostać wycofany.

• Licencja — Qwen-Image-2.1 objęty jest Umową Licencyjną Qwen Research z dnia 20 września 2026 r., „WYŁĄCZNIE DO CELÓW NIEKOMERCYJNYCH”, a prawa komercyjne dostępne są wyłącznie na życzenie; Bernini-Diffusers-v2 jest na licencji Apache 2.0.
• Praktyczna konsekwencja — workflow oparty na Qwen-Image-2.1 stanowi zasób do celów ewaluacyjnych lub osobistych; workflow oparty na Bernini-Diffusers-v2 można wdrożyć już dziś, z typowymi wymogami atrybucji Apache i bez konieczności rozmów z dostawcą.
• Kierunek zmian — wcześniejsza linia modeli graficznych Qwen była wydana na licencji Apache 2.0, więc to wydanie oznacza zaostrzenie zasad; ByteDance utrzymuje permisywną licencję Bernini w obu generacjach.

Jeśli przeczytasz tylko jedną sekcję tego artykułu, niech to będzie właśnie ta. Wszystko poniżej to rozstrzygnięcie między dwiema rzeczami, które tak naprawdę nie są równe na tej osi.

Czym każdy system faktycznie jest

Te dwa modele nie są tym samym rodzajem obiektu, a różnica daje o sobie znać w momencie, gdy spojrzysz na to, co zawiera plik do pobrania.

Qwen-Image-2.1 to jeden zunifikowany model. Pojedynczy 7B, 32-warstwowy jednonurtowy transformer dyfuzyjny obsługuje generowanie i edycję na tych samych wagach, warunkowany przez 8B enkoder tekstowy Qwen3-VL, a 64-kanałowy VAE RGBA przy 16× kompresji przestrzennej wykonuje najcięższą robotę przy przezroczystości. Łącznie około 33 GB, przy czym sam DiT zajmuje około 14 GB, a resztę zabiera enkoder tekstowy. W zestawie znajdują się też dwa opcjonalne checkpointy do przepisywania promptów — PE-T2I i PE-I2I, każdy będący dostrojonym Qwen3.5-VL 9B o rozmiarze około 18,8 GB — które przepisują twoją instrukcję na coś precyzyjnego, zanim zobaczy ją model dyfuzyjny.

Bernini-Diffusers-v2 to potok, a nie pojedynczy model. Planer semantyczny Qwen2.5-VL przeprowadza rozumowanie i zapisuje latentny plan semantyczny; renderer dyfuzyjny Wan2.2 wykonuje go. Najważniejszą zmianą w recepturze v2 w porównaniu z pierwszym wydaniem Bernini jest to, że rozgrzewa konektor przez tysiące kroków przed współtrenowaniem, co poprawiło edycję wideo sterowaną referencjami i działanie OpenS2V. Ten podział na dwa etapy to architektoniczny zakład: najpierw plan, potem renderowanie, a wideo można edytować, edytując plan.

• Architektura — Qwen-Image-2.1 to jeden zunifikowany DiT do generowania i edycji; Bernini-Diffusers-v2 to planista Qwen2.5-VL napędzający renderer Wan2.2.
• Modalność — Qwen-Image-2.1 obsługuje wyłącznie obrazy; Bernini-Diffusers-v2 obejmuje t2i, i2i, t2v, v2v, edycję wideo z prowadzeniem referencyjnym oraz r2v, więc obrazy to raczej boczny pokój niż cały dom.
• Przezroczystość — Qwen-Image-2.1 generuje kanał alfa bezpośrednio z próbnika poprzez swoje VAE RGBA; udokumentowane dane wyjściowe Bernini-Diffusers-v2 to wideo RGB i klatki obrazu, bez opisanego równoważnego natywnego trybu alfa.
• Obsługa promptów — Qwen-Image-2.1 dostarcza osobne checkpointy przepisywania 9B, które można odczytać, porównać i nadpisać; planista Bernini-Diffusers-v2 jest częścią potoku, a jego wzmacniacz promptów to opcjonalne wywołanie punktu końcowego zgodnego z OpenAI, a nie dostarczany checkpoint.
• Sprzęt — Qwen-Image-2.1 mieści się na pojedynczym GPU klasy konsumenckiej, przy czym na ograniczonych kartach zalecane jest odciążanie na CPU; udokumentowane środowisko Bernini-Diffusers-v2 to klasa Hopper, H100/H800/H200, z równoległością sekwencyjną na wielu GPU dla większych konfiguracji.

Gdzie porównanie przestaje być użyteczne

Kuszące jest porównywanie tych dwóch pod względem jakości wyników. Takie porównanie nie istnieje, a udawanie, że jest inaczej, byłoby nieuczciwym posunięciem.

Opublikowane dane liczbowe Bernini-Diffusers-v2 to raportowane przez dostawcę metryki wideo i edycji — EditVerse 8,02, OpenVE 3,96, OpenS2V 63,83, VBench 84,46 — oraz twierdzenie o wynikach najwyższej klasy w wewnętrznej, zaślepionej arenie porównań parami z udziałem ludzi ByteDance. To metryki wideo. Nie przeprowadzono żadnego niezależnego testu porównawczego obrazów dla Bernini-Diffusers-v2, brak FID, brak wyniku renderowania tekstu, brak wpisu w rankingu obrazów. Z drugiej strony jedyną liczbą dotyczącą jakości Qwen-Image-2.1 jest wykres Qwen-Image-Bench samego dostawcy, na którym widnieje 60,28 wobec 59,82 dla Nano Banana 2.0 i 59,65 dla GPT Image 1.5 — materiał dostawcy, nieodtworzony, a w momencie pisania tego tekstu model nie figurował w niezależnych rankingach obrazów. Jedynym naprawdę niezależnym punktem danych jest weryfikacja funkcjonalna z prac nad integracją SGLang: przezroczyste wyjście PNG przeszło test, kanał alfa został zachowany w całym zakresie 0–255, PSNR dla RGBA zmierzono na poziomie 60,69 dB w pojedynczej próbce, a konfiguracje FP8 pomyślnie przeszły generowanie przezroczystych plików PNG. Autorzy SGLang jednoznacznie zaznaczają, że to sprawdzenie poprawności, a nie gwarancja jakości.

Więc: dwa otwarte wydania, dwie karty ocen dostawców, brak wspólnego benchmarku i brak strony trzeciej, która przetestowała oba. Każdy, kto mówi ci, że jedno bije drugie pod względem jakości obrazu, powtarza marketing.

Filozofia edycji: przepisz prompt albo przepisz plan

Oba modele próbują rozwiązać ten sam zasadniczy problem — instrukcja użytkownika jest niejasna, a model dyfuzyjny dosłowny — i rozwiązują go w przeciwnych miejscach.

Qwen-Image-2.1 rozwiązuje to językowo. Checkpoint PE-I2I przyjmuje twoją instrukcję edycji oraz jeden lub więcej obrazów wejściowych i przepisuje ją na precyzyjną dyrektywę przed generowaniem. Ponieważ jest to wydany checkpoint z dołączonym system_prompt.txt, możesz dokładnie przeczytać, co ma robić — w tym regułę, że wyrenderowany tekst w danych wyjściowych powinien odpowiadać dominującemu językowi tekstu już obecnego na obrazie wejściowym, zamiast być wymuszanym na język angielski. To zachowanie podlegające inspekcji. Możesz je nadpisać.

Bernini-Diffusers-v2 rozwiązuje to w strukturze. Planner tworzy semantyczny plan, który renderer następnie wykonuje, a ciekawą właściwością tego układu jest to, że plan jest czymś, co można edytować. W pracy z wideo — gdzie cały sens często polega na zmianie jednego elementu w całej sekwencji bez ponownego generowania ujęcia — planowanie oddzielnie od renderowania ma właściwy kształt. W przypadku pojedynczego, nieruchomego obrazu to dodatkowy ruchomy element.

• Granularność edycji — Qwen-Image-2.1 obsługuje edycje lokalne za pomocą okręgu, namalowanej adnotacji lub osobnej maski, a także edycję warstwy przezroczystej i wyodrębnianie obiektu ze zdjęć RGB; udokumentowane mocne strony edycyjne Bernini-Diffusers-v2 to edycja wideo sterowana referencjami oraz przekształcanie obiektu w wideo, a nie lokalna naprawa nieruchomych obrazów.
• Dane wejściowe referencyjne — Qwen-Image-2.1 przyjmuje do 10 obrazów referencyjnych, choć recenzent z wczesnego dostępu zgłosił, że spójność wielu referencji pogarsza się od około trzech obrazów wzwyż; obsługa referencji w Bernini-Diffusers-v2 jest udokumentowana w kontekście sekwencji wideo.
• Możliwość inspekcji — logika przepisywania w Qwen-Image-2.1 to czytelny prompt systemowy w repozytorium; etap planowania w Bernini-Diffusers-v2 to wagi modelu.

No source text was provided to translate — the message contains only the translation instructions and no content. Please send the text you'd like translated into Polish (with its {{n}}...{{/n}} span markers, if any), and I'll return it with every marker preserved.

Reguła decyzyjna wynika z licencji, a nie z karty specyfikacji.

Jeśli wynik ma trafić do czegoś, co sprzedajesz — pracy dla klienta, produktu, płatnego pipeline’u — Bernini-Diffusers-v2 jest jedynym z tych dwóch, którego możesz użyć bez rozmowy, i powinieneś zaplanować budżet na sprzęt klasy Hopper, aby uruchomić go zgodnie z dokumentacją. Jeśli prowadzisz badania, ocenę lub pracę osobistą, Qwen-Image-2.1 daje ci bardziej poddający się inspekcji system z natywną obsługą alfa, kosztem licencji, którą w końcu będziesz musiał renegocjować albo się z nią rozstać.

Istnieje trzecia opcja, której nie obejmuje żadna z tych dwóch, i warto ją nazwać wprost: hostowane modele obrazowe, w których nigdy nie dotykasz pliku licencji ani GPU. OrcaRouter kieruje ponad 200 modeli za jednym punktem końcowym zgodnym z OpenAI, w cenie katalogowej dostawcy i bez marży, z automatycznym przełączaniem awaryjnym między dostawcami, DSL routingu dla łańcuchów fallbacku oraz fuzją modeli. W chwili pisania ani Qwen-Image-2.1, ani Bernini-Diffusers-v2 nie znajdują się w naszym katalogu — nie routujemy żadnego modelu Qwen-Image w żadnej wersji ani żadnego modelu Bernini — więc nie jest to oferta dla żadnego z nich. Linią routowanych obrazów, którą rzeczywiście mamy, jest rodzina GPT-Image od OpenAI, poziomy Imagen 4 i podglądy obrazów Gemini od Google oraz punkt końcowy obrazów Grok Imagine od xAI; ponieważ cena katalogowa jest przekazywana dalej, a nie zawyżana, obniżka ceny przez dostawcę któregokolwiek z nich działa tego samego dnia.

Ta część, na którą nie odpowiada żadne z repozytoriów

Oba te wydania były cichymi premierami bez zapowiedzi, a ciche premiery trudno uwzględnić w planach. Jedynym sygnałem zapowiadającym Qwen-Image-2.1 była notatka o wczesnym dostępie z 17 września, oferująca 50 miejsc w ModelScope, w której poproszono testerów o publikację do 29 września — trzy dni przed publicznym udostępnieniem wag. Bernini-Diffusers-v2 po prostu pojawił się na Hugging Face 13 sierpnia wraz z kopią lustrzaną na Gitee.

Tym, czego brakuje w obu przypadkach, jest powód, by sądzić, że warunki będą obowiązywać. Qwen zaostrzył swoją licencję między poprzednią generacją obrazów a obecną, co jest przesłanką dotyczącą kierunku. ByteDance utrzymał Bernini Apache 2.0 przez dwie generacje, co jest przesłanką dotyczącą przeciwnego kierunku. To, czy którekolwiek z nich utrzyma się w następnym wydaniu, nie da się stąd stwierdzić, i właśnie to należy sprawdzić przed związaniem się z danym pipeline’em, a nie po.