Qwen-Image-2.1 vs Bernini-Davinci-v2: A Licença É o Argumento Inteiro

Dois sistemas de imagem de pesos abertos chegaram com seis semanas de diferença em 2026, quase sem alarde, e discordam quanto à única coisa que determina se você pode construir um negócio sobre eles. Qwen-Image-2.1, publicado em 20 de setembro de 2026, é distribuído sob uma licença de pesquisa — apenas para uso não comercial, uso comercial mediante acordo separado. Bernini-Diffusers-v2, publicado pela ByteDance em 13 de agosto de 2026, é distribuído sob a Apache 2.0, o que significa que você pode lançá-lo. O lançamento com aparência mais capaz é aquele que você não pode vender, e o mais permissivo é aquele que, em grande parte, quer fazer vídeo. Essa inversão é a comparação.

A inversão da licença

Comece pela documentação, porque ela tem precedência sobre tudo o resto nesta página. Nenhuma diferença de qualidade resolve um problema de licenciamento, e nenhuma pontuação de benchmark salva um produto que tem de ser retirado.

• Licença — Qwen-Image-2.1 está sob o Qwen Research License Agreement, datado de 20 de setembro de 2026, "FOR NON-COMMERCIAL PURPOSES ONLY", com direitos comerciais disponíveis apenas sob solicitação; Bernini-Diffusers-v2 é Apache 2.0.
• Consequência prática — um fluxo de trabalho do Qwen-Image-2.1 é um ativo de avaliação ou um ativo pessoal; um fluxo de trabalho do Bernini-Diffusers-v2 pode ser colocado em produção hoje, com os requisitos habituais de atribuição da Apache e sem necessidade de conversa com o fornecedor.
• Direção da evolução — a linha de imagens anterior da Qwen foi lançada sob Apache 2.0, então este lançamento representa um endurecimento; a ByteDance manteve o Bernini permissivo em ambas as gerações.

Se você for ler apenas uma seção deste artigo, que seja essa. Tudo o que vem abaixo é um desempate entre duas coisas que, na verdade, não estão empatadas nesse eixo.

O que cada sistema realmente é

Os dois modelos não são o mesmo tipo de objeto, e a diferença aparece no momento em que você olha o que vem no download.

Qwen-Image-2.1 é um único modelo unificado. Um transformer de difusão de fluxo único de 7B e 32 camadas lida com geração e edição nos mesmos pesos, condicionado por um codificador de texto Qwen3-VL 8B, com um VAE RGBA de 64 canais a 16× de compressão espacial fazendo o trabalho pesado na transparência. Cerca de 33 GB no total, com o próprio DiT em aproximadamente 14 GB e o codificador de texto ocupando o restante. Ele também inclui dois checkpoints opcionais de reescrita de prompt — PE-T2I e PE-I2I, cada um um Qwen3.5-VL 9B ajustado em cerca de 18,8 GB — que reescrevem a sua instrução para algo preciso antes que o modelo de difusão a veja.

Bernini-Diffusers-v2 é um pipeline, não um modelo único. Um planejador semântico Qwen2.5-VL faz o raciocínio e escreve um plano semântico latente; um renderizador de difusão Wan2.2 o executa. A principal mudança da receita v2 em relação ao primeiro lançamento do Bernini é que ela faz o warm-up do conector por milhares de etapas antes do co-treinamento, e foi isso que melhorou a edição de vídeo guiada por referência e o comportamento do OpenS2V. Essa divisão em dois estágios é a aposta arquitetônica: planejar primeiro, renderizar depois, e você pode editar vídeo editando o plano.

• Arquitetura — Qwen-Image-2.1 é um DiT unificado para geração e edição; Bernini-Diffusers-v2 é um planejador Qwen2.5-VL que dirige um renderizador Wan2.2.
• Modalidade — Qwen-Image-2.1 é apenas para imagens; Bernini-Diffusers-v2 cobre t2i, i2i, t2v, v2v, edição de vídeo guiada por referência e r2v, então imagens são um quarto secundário em vez da casa.
• Transparência — Qwen-Image-2.1 produz alfa na saída do sampler por meio de seu VAE RGBA; a saída documentada do Bernini-Diffusers-v2 é vídeo RGB e quadros de imagem, sem um caminho alfa nativo equivalente descrito.
• Tratamento de prompts — Qwen-Image-2.1 traz checkpoints separados do reescritor 9B que você pode ler, comparar diferenças e sobrescrever; o planejador do Bernini-Diffusers-v2 faz parte do pipeline e seu aprimorador de prompt é uma chamada opcional a um endpoint compatível com OpenAI, em vez de um checkpoint fornecido.
• Hardware — Qwen-Image-2.1 cabe em uma única GPU de consumidor, com offload de CPU recomendado em placas com recursos limitados; o ambiente documentado do Bernini-Diffusers-v2 é de classe Hopper, H100/H800/H200, com paralelismo de sequência multi-GPU para as configurações maiores.

Onde a comparação deixa de ser útil

É tentador comparar estes dois entre si quanto à qualidade do output. Essa comparação não existe, e fingir o contrário seria a atitude desonesta.

As figuras publicadas do Bernini-Diffusers-v2 são métricas de vídeo e edição reportadas pelo fornecedor — EditVerse 8,02, OpenVE 3,96, OpenS2V 63,83, VBench 84,46 — além de uma alegação de desempenho de primeira linha na arena interna de comparação humana cega por pares da ByteDance. São métricas de vídeo. Nenhum benchmark de imagem independente do Bernini-Diffusers-v2 foi executado, nenhum FID, nenhuma pontuação de renderização de texto, nenhuma entrada em tabela de classificação de imagens. Por outro lado, o único número de qualidade do Qwen-Image-2.1 é o gráfico Qwen-Image-Bench do próprio fornecedor, no qual ele marca 60,28 contra Nano Banana 2.0 com 59,82 e GPT Image 1.5 com 59,65 — material do fornecedor, não reproduzido, e o modelo estava ausente das tabelas de classificação de imagens independentes quando isto foi escrito. O único dado genuinamente independente é uma verificação funcional do trabalho de integração com o SGLang: a saída de PNG transparente passou, o alfa foi mantido em toda a faixa de 0–255, o PSNR de RGBA mediu 60,69 dB em uma única amostra, e configurações FP8 passaram na geração de PNG transparente. Os autores do SGLang deixam explícito que esta é uma verificação de correção, não uma garantia de qualidade.

Então: dois lançamentos abertos, dois quadros de avaliação de fornecedores, nenhum benchmark compartilhado e nenhum terceiro que tenha testado os dois. Quem lhe disser que um supera o outro em qualidade de imagem está repetindo marketing.

Filosofia de edição: reescreva o prompt ou reescreva o plano

Ambos os modelos estão tentando resolver o mesmo problema subjacente — a instrução de um usuário é vaga e o modelo de difusão é literal — e eles o resolvem em lugares opostos.

O Qwen-Image-2.1 resolve isso por meio da linguagem. O checkpoint PE-I2I recebe sua instrução de edição mais uma ou mais imagens de entrada e a reescreve em uma diretiva precisa antes da geração. Por ser um checkpoint distribuído com um system_prompt.txt também distribuído, você pode ler exatamente o que ele é instruído a fazer — incluindo a regra de que o texto renderizado na saída deve corresponder ao idioma dominante do texto já presente na imagem de entrada, em vez de ser forçado ao inglês. Esse é um comportamento inspecionável. Você pode substituí-lo.

Bernini-Diffusers-v2 resolve isso na estrutura. O planejador produz um plano semântico que o renderizador então executa, e a propriedade interessante dessa disposição é que o plano é algo que você pode editar. Para trabalho com vídeo — onde o ponto principal muitas vezes é alterar um elemento ao longo de uma sequência sem refazer a tomada — planejar separadamente da renderização é o formato certo. Para uma única imagem estática, é uma peça móvel extra.

• Granularidade de edição — O Qwen-Image-2.1 oferece suporte a edições locais por círculo, anotação pintada ou uma máscara separada, além de edição em camada transparente e extração de sujeito a partir de fotografias RGB; os pontos fortes de edição documentados do Bernini-Diffusers-v2 são edição de vídeo guiada por referência e conversão de sujeito em vídeo, não reparo local de imagem estática.
• Entradas de referência — O Qwen-Image-2.1 aceita até 10 imagens de referência, embora um avaliador de acesso antecipado tenha relatado que a consistência de múltiplas referências se degrada a partir de cerca de três imagens; o tratamento de referências do Bernini-Diffusers-v2 está documentado em torno de sequências de vídeo.
• Inspecionabilidade — A lógica de reescrita do Qwen-Image-2.1 é um prompt de sistema legível no repositório; o estágio de planejamento do Bernini-Diffusers-v2 são pesos de modelo.

O que realmente fazer com isto

A regra de decisão decorre da licença, e não da ficha técnica.

Se o resultado vai entrar em algo que você vende — trabalho para clientes, um produto, um pipeline pago —, o Bernini-Diffusers-v2 é o único dos dois que você pode usar sem precisar de uma conversa, e você deve reservar orçamento para hardware da classe Hopper para executá-lo conforme documentado. Se você está fazendo pesquisa, avaliação ou trabalho pessoal, o Qwen-Image-2.1 oferece o sistema mais inspecionável e o que tem alpha nativo, ao custo de uma licença que você eventualmente terá de renegociar ou abandonar.

Existe uma terceira opção que nenhuma destas cobre, e vale a pena nomeá-la sem rodeios: modelos de imagem alojados, em que nunca toca num ficheiro de licença nem numa GPU. O OrcaRouter encaminha mais de 200 modelos através de um único endpoint compatível com a OpenAI, ao preço de tabela do fornecedor e sem qualquer margem, com failover automático entre fornecedores, uma DSL de encaminhamento para cadeias de fallback e fusão de modelos. Nem o Qwen-Image-2.1 nem o Bernini-Diffusers-v2 constam do nosso catálogo à data em que escrevemos — não encaminhamos nenhum modelo Qwen-Image de qualquer versão nem nenhum modelo Bernini —, pelo que isto não é uma promoção de nenhum deles. A linha de imagens encaminhadas que temos é a família GPT-Image da OpenAI, os vários níveis do Imagen 4 e as pré-visualizações de imagem do Gemini, da Google, e o endpoint de imagem Grok Imagine da xAI; como o preço de tabela é repassado em vez de ser acrescido de margem, um corte de preço de qualquer um destes fornecedores fica ativo no próprio dia.

A parte que nenhum dos dois repositórios responde

Ambos foram lançamentos discretos, sem qualquer preparação prévia, e lançamentos discretos são difíceis de planejar. O único sinal prévio do Qwen-Image-2.1 foi uma nota de acesso antecipado de 17 de setembro oferecendo 50 vagas no ModelScope, com testadores solicitados a publicar até 29 de setembro — três dias antes de os pesos se tornarem públicos. O Bernini-Diffusers-v2 simplesmente apareceu no Hugging Face em 13 de agosto, com um espelho no Gitee ao lado.

O que falta em ambos é uma razão para acreditar que os termos serão mantidos. A Qwen apertou a sua licença entre a geração de imagem anterior e esta, o que constitui um dado sobre a direção. A ByteDance manteve o Bernini Apache 2.0 ao longo de duas gerações, o que constitui um dado sobre a direção oposta. Se qualquer um deles se manterá no próximo lançamento é impossível saber daqui, e é isso que se deve verificar antes de se comprometer com um pipeline, e não depois.