Qwen-Image 2.1 vs. Meta Muse Image: O modelo que você pode chamar vs. o modelo que você pode manter

Existe uma versão desta comparação que diz respeito à qualidade de imagem, e ela ainda não pode ser escrita — não com honestidade. Qwen-Image 2.1, que a equipe do Qwen-Image publicou em 20 de setembro de 2026, não tem nenhuma pontuação independente de qualquer tipo. Meta Muse Image, lançado pelo Meta Superintelligence Labs em 7 de julho de 2026 como o primeiro modelo de imagem próprio da Meta, foi medido — ocupa o terceiro lugar no quadro de edição de imagens do Artificial Analysis, com um Elo de cerca de 1.105, está entre os cinco primeiros em texto-para-imagem e figura na fronteira de Pareto entre qualidade e preço, a US$ 10 por mil imagens. Mas a pergunta mais útil sobre esses dois não é qual deles é melhor. É o que você tem permissão para fazer com cada um, e essas respostas são quase perfeitamente invertidas.

Acesso e inspecionabilidade são duas coisas diferentes, e ninguém oferece ambas.

O Meta Muse Image é aquele que você pode chamar. Desde agosto de 2026, ele está acessível por meio da própria Model API da Meta a um valor fixo de US$ 0,01 por imagem — aproximadamente US$ 10 por mil — em um endpoint compatível com a OpenAI, o que representa uma mudança real em relação a como o modelo foi descrito quando foi lançado em julho, quando não havia nenhuma via de desenvolvedor para ele. Essa tarifa fixa é incomum em uma categoria em que quase todo o resto é medido em tokens, e torna a previsão de custos trivial: mil imagens custam dez dólares, sejam elas simples ou elaboradas.

O Qwen-Image 2.1 é o que você pode manter. É um download de pesos — cerca de 33 GB somando o diffusion transformer, o text encoder e o VAE — publicado sob o Qwen Research License Agreement datado de 20 de setembro de 2026, que concede direitos "APENAS PARA FINS NÃO COMERCIAIS" e exige uma licença separada para uso comercial. Não há endpoint hospedado. Não há tarifa fixa. Também não há nada escondido: você pode ler a arquitetura, ler o system prompt de reescrita de prompts, fazer o diff dele, sobrescrevê-lo e executar tudo isso no seu próprio hardware.

Então, a troca não é qualidade contra qualidade. É um modelo tarifado, mensurado e licenciado comercialmente que você não possui contra um modelo gratuito, não mensurado e não comercial que você possui por completo. Pouquíssimas equipes conseguem tomar qualquer um dos lados dessa troca sem abrir mão de algo.

Por que o Muse não é exatamente um modelo de difusão no sentido usual

O que torna o Meta Muse Image incomum é que ele não apenas gera. Ele executa um loop: pode pesquisar na web, escrever e executar código, e revisar sua própria saída antes de retornar uma imagem. Essa é a própria descrição da Meta, e é a razão pela qual o modelo é interessante, e não apenas competitivo — as etapas agênticas são onde a ambiguidade do prompt é resolvida, e onde um pedido como "faça um gráfico dos números deste ano" pode ser respondido em vez de aproximado.

É também a razão pela qual seu comportamento é mais difícil de compreender. Um modelo de imagem convencional é uma função de prompt para pixels. Um modelo agêntico tem uma trajetória, e a trajetória não é algo que se possa ler em uma ficha de modelo. Os números divulgados pelo fornecedor — 94% de consistência de personagem em várias imagens, até 10 imagens de referência, saída de até 1600 pixels no lado maior — descrevem o envelope, não o loop.

O Qwen-Image 2.1 resolve o mesmo problema de ambiguidade da forma oposta: explicitamente e abertamente. Junto com o modelo de imagem, o lançamento traz dois checkpoints de reescrita de prompt — Qwen/Qwen-Image-2.1-PE-T2I e Qwen/Qwen-Image-2.1-PE-I2I, cada um deles um Qwen3.5-VL 9B com fine-tuning de cerca de 18,8 GB — que recebem uma instrução vaga e a reescrevem como uma diretiva precisa antes que o modelo de difusão a veja. A variante I2I sempre tem uma imagem de entrada, portanto é sempre uma tarefa de edição. E, o que é crucial, o comportamento do reescritor é especificado em um system_prompt.txt que acompanha o repositório, o que significa que a etapa que decide o que o seu prompt significa é algo que você pode ler e alterar.

O loop agêntico da Meta e o reescritor de prompts da Alibaba são ambos respostas para "o modelo não sabe o que você quis dizer". Um é um serviço que decide por você. O outro é um arquivo que você pode editar.

Como os números ficam quando apenas um lado os tem

O Meta Muse Image está nos dois rankings de imagem da Artificial Analysis. Ele é o terceiro em edição de imagem, com cerca de Elo 1.105, atrás do MAI-Image-2.6, com 1.122, e do GPT Image 2 (high), com 1.117, e está entre os cinco primeiros em texto para imagem, com cerca de Elo 1.116. A US$ 10 por mil imagens, ele fica na fronteira de Pareto entre qualidade e preço, que é o lugar útil de se estar: não é o melhor modelo do ranking, mas é um dos poucos em que pagar mais rende mensuravelmente mais.

O Qwen-Image 2.1 não tem nada disso. Tem um post de blog do fornecedor com um gráfico do Qwen-Image-Bench que nenhum terceiro reproduziu, e tem um único relato prático — um testador de acesso antecipado do programa Qwen Ambassador que executou os pesos finais por meio de uma interface do ModelScope Studio e relatou cerca de 10 a 15 segundos para texto-para-imagem e 18 a 23 segundos para edição, com a consistência de múltiplas referências degradando a partir de cerca de três imagens de entrada. Um avaliador, nenhum cronômetro, nenhum conjunto de prompts. É um sinal útil e não é um benchmark, e a maneira honesta de encará-lo é como uma pista sobre onde o modelo pode chegar, em vez de evidência de onde ele está.

Onde o Qwen-Image 2.1 está concretamente à frente não é na qualidade, mas na capacidade ao nível do pixel: saída 2K nativa em 2048×2048 por predefinição, 40 etapas de inferência, sete predefinições de proporção, até 10 imagens de referência, edições locais por círculo, anotação pintada ou uma máscara separada, e geração RGBA com edição de camada transparente e extração de sujeito a partir de fotos RGB. O modelo da Meta limita-se a 1600 pixels e a sua proposta de transparência não foi publicada. Se precisa de um canal alfa real pronto para uso, essa é uma decisão já tomada a seu favor.

A taxa fixa é a parte que vale a pena considerar

Um centavo fixo por imagem é uma decisão de precificação, não técnica, e muda a finalidade do modelo. A precificação de imagens medida por tokens penaliza a complexidade: uma instrução longa com várias imagens de referência custa mais do que uma curta, o que significa que o custo de uma imagem fica acoplado à sua dificuldade. Com uma tarifa fixa, esse acoplamento desaparece, e o comportamento racional muda com isso — você deixa de otimizar prompts em função do comprimento e passa a usar o modelo da forma como ele foi projetado para ser usado, com o ciclo agêntico e as imagens de referência fazendo o seu trabalho.

É também o tipo de precificação que só uma empresa que atende o próprio modelo pode oferecer, o que vale mencionar quando você está escolhendo um fornecedor. O OrcaRouter coloca mais de 200 modelos por trás de um único endpoint compatível com a OpenAI, pelo preço de tabela do fornecedor e sem nenhuma margem adicionada, com failover automático entre fornecedores e uma DSL de roteamento que compõe vários modelos em uma única chamada. A propriedade relevante aqui é o repasse: como cobramos o preço de tabela do fornecedor, e não um preço com margem adicionada, uma mudança de preço de um fornecedor — o surgimento de uma tarifa fixa, a queda de um preço por token — entra em vigor do nosso lado no mesmo dia, em vez de esperar por um contrato. Nem o Meta Muse Image nem o Qwen-Image 2.1 estão entre os modelos que roteamos hoje, e este artigo não vai sugerir o contrário; os modelos de imagem que de fato disponibilizamos são a família GPT-Image da OpenAI, os níveis do Imagen 4 do Google e as prévias de imagem do Gemini, e o endpoint de imagem Grok Imagine da xAI.

O contraste que importa nesta comparação é que um desses dois modelos tem, sim, um preço. O Meta Muse Image custa US$ 0,01 por imagem, com preço publicado, numa API que você pode chamar hoje à tarde. O Qwen-Image 2.1 custa um download de 33 GB, uma GPU que você já tem e uma análise jurídica de uma licença que diz apenas uso não comercial.

Onde eles acidentalmente convergem

Ambos os modelos aceitam até 10 imagens de referência. Isso não é tanto uma coincidência, mas sim uma indústria a chegar a um consenso: dez é suficiente para uma ficha de personagem, um conjunto de produtos ou um pacote de referência de estilo, e, a partir daí, o condicionamento deixa de ajudar e começa a atrapalhar. A Meta publica um número de 94% de consistência de personagem com múltiplas imagens para o seu modelo; a Alibaba não publica nada equivalente, e o único relatório independente prático sugere que a consistência começa a degradar-se por volta da terceira imagem de referência. Dois modelos reivindicando o mesmo envelope com evidências drasticamente diferentes por trás disso é a comparação inteira em miniatura.

Eles também convergem no problema que nenhum dos dois solucionou: nenhum dos dois oferece as duas coisas. O Meta Muse Image não pode ser baixado, inspecionado ou executado no seu próprio hardware, e seu loop agêntico é uma caixa-preta por construção. O Qwen-Image 2.1 não pode ser vendido, não pode ser chamado e ainda não pode ser comparado a nada. Se sua restrição é um prazo, um deles é utilizável hoje. Se sua restrição é uma revisão de conformidade ou a necessidade de entender exatamente o que seu pipeline está fazendo, o outro é.

Escolha pelo que você tem de fazer em seguida, não por qual é melhor

Se você precisa lançar geração de imagens neste trimestre sob uma licença comercial com um modelo mensurável por trás, o Meta Muse Image é a resposta, e US$ 0,01 por imagem é um número que você pode colocar em um orçamento. Se você precisa entender um modelo de imagem de ponta a ponta — o mascaramento de atenção, o reescritor de prompt, o VAE, a licença —, o Qwen-Image 2.1 é o único dos dois que permite isso, e a licença de pesquisa o deixa a um passo de ser inutilizável para qualquer outra coisa. Nenhuma das escolhas é um compromisso com a qualidade, porque a questão da qualidade ainda está em aberto de um lado. Ela se encerra quando pessoas suficientes executarem o Qwen-Image 2.1 em público para colocá-lo em um ranking, e os testadores de acesso antecipado foram solicitados a publicar até 29 de setembro. Essa é a data em que esta comparação se torna real.