Qwen-Image-Edit: A Linha de Edição, Checkpoint por Checkpoint

Esta é a página de referência para a Qwen-Image-Edit linha — o editor de imagens que segue instruções, não o gerador de imagens a partir de texto com o qual foi desenvolvido em paralelo. A linha tem exatamente três checkpoints publicados: Qwen-Image-Edit, lançado em 17 de agosto de 2025 e construído sobre o Qwen-Image de 20B; Qwen-Image-Edit-2509, a iteração mensal publicada em 22 de setembro de 2025; e Qwen-Image-Edit-2511, publicado em 17 de dezembro de 2025 como uma versão aprimorada do 2509. Tudo nesta página está centrado no mais recente desses três, e informa a qual checkpoint cada afirmação se refere, sempre. Há mais uma coisa a mencionar desde já, porque é a resposta à pergunta que a maioria das pessoas está realmente fazendo: Qwen-Image-2.1 é um modelo unificado de geração de imagens a partir de texto e de edição de imagens com um componente de geração visual de 7B, e Qwen-Image-2.1-Turbo é o mesmo modelo como um checkpoint acelerado de 8 etapas. Nenhum deles é uma entrada na linha de edição, e essa distinção é exatamente a razão pela qual esta página existe.

Qwen-Image versus Qwen-Image-Edit

Se você pesquisou a diferença entre Qwen-Image e Qwen-Image-Edit, estava perguntando qual das duas coisas você tem diante de si. A resposta é clara e vale a pena afirmá-la sem rodeios, porque as duas não são intercambiáveis e os nomes dos arquivos não permitem distingui-las.

• Qwen-Image — um modelo de texto para imagem. Você entrega palavras a ele e ele entrega uma imagem a você. É o modelo sobre o qual o Qwen-Image-Edit foi construído. O próprio card do checkpoint de edição original o descreve como "a versão de edição de imagem do Qwen-Image", construída sobre o modelo Qwen-Image de 20B, e é assim que ele herda a renderização de texto do Qwen-Image.

• Qwen-Image-Edit — um modelo de imagem para imagem. Você fornece uma imagem mais palavras, e ele devolve uma versão modificada dessa imagem. O card do primeiro checkpoint o classifica em pipeline_tag: image-to-image. Você não pode pedir uma imagem a partir do nada; a imagem de origem não é opcional.

• O mecanismo que torna a edição diferente — onde o gerador tem um caminho de entrada (texto), o editor tem três. O card do checkpoint original descreve o fornecimento da imagem de entrada simultaneamente ao Qwen2.5-VL para controle semântico visual e ao codificador VAE para controle de aparência visual. Esse segundo caminho é o que um modelo de texto para imagem estruturalmente não possui: não estão dizendo ao editor sobre a sua imagem em palavras, ele está olhando para os latentes da sua imagem.

• Onde as duas linhas convergem novamente — Qwen-Image-2.1 é descrito em seu próprio card como "um modelo unificado de geração texto-para-imagem e edição de imagem". Essa é uma arquitetura de resposta diferente para a mesma questão: em vez de um checkpoint de edição acoplado a um gerador, um único modelo faz as duas coisas. Seu exemplo de edição passa um argumento image= para um pipeline que você também usa para texto-para-imagem. Se você está tentando descobrir qual família você tem, a pista mais rápida é o nome do checkpoint: um nome da série Qwen-Image-Edit… é a linha de edição, e um nome da série Qwen-Image-2.1… é o modelo unificado.

Nada aqui é uma recomendação entre eles. São respostas diferentes para problemas diferentes, e o restante desta página é sobre o primeiro.

Aderência às instruções: o que ela muda e o que ela deixa intacto

Esta é a pergunta que a demanda de busca diz que as pessoas realmente digitam, e ela merece uma resposta direta em vez de uma lista de recursos. A resposta honesta tem duas metades, e apenas uma delas é confortável.

Comece pela metade que faz parte do próprio design do modelo, porque ela explica a maioria dos relatos de “mudou mais do que eu pedi”. O card original do Qwen-Image-Edit traça uma linha entre dois modos, e apenas um deles promete que algo será preservado.

• Edição de aparência — trabalho visual de baixo nível, como adicionar, remover ou modificar elementos específicos. A formulação do próprio cartão é que isso exige que "todas as outras regiões da imagem permaneçam completamente inalteradas". Este é o modo que corresponde ao que a maioria das pessoas entende por edição.

• Edição semântica — trabalho de alto nível, como criação de IP, rotação de objetos e transferência de estilo. Aqui, o card diz o oposto: ele "permite alterações globais de pixels enquanto mantém a consistência semântica". O próprio exemplo prático do fornecedor para isso é um mascote capivara redesenhado em vários estilos, em que o card observa que "a maioria dos pixels na imagem editada difere daqueles na imagem de entrada", enquanto a consistência do personagem é preservada.

Esse segundo modo não é um bug, e a ficha não o apresenta como tal. Mas é a razão pela qual um pedido como "faça isto parecer um filme do Ghibli" pode legitimamente retornar como uma imagem que compartilha quase nenhum pixel com sua fonte. Se você queria que apenas o céu fosse alterado, não estava pedindo por edição semântica. Leia isto como descrições relatadas pelo fornecedor de comportamento pretendido, não como medições — a ficha as apresenta como design, e nenhuma parte publicou uma taxa na qual cada modo cumpre sua promessa.

Agora, a metade menos confortável. O próprio projeto da linha reconheceu problemas de seguimento de instruções logo no início, em suas próprias notas. As notas do repositório Qwen-Image para o checkpoint original, datadas de 19 de agosto de 2025, apontam "desalinhamentos de desempenho" naquele primeiro lançamento e destacam especificamente a preservação de identidade e o seguimento de instruções, direcionando os usuários para uma build atualizada do Diffusers. Trata-se de uma admissão reportada pelo fornecedor sobre o próprio modelo do fornecedor, o que é praticamente o mais direto que a evidência sobre adesão a instruções pode ser — e diz respeito ao checkpoint de agosto de 2025, não ao 2511.

O próprio exemplo prático de um caso difícil do fornecedor é mais instrutivo do que qualquer alegação. No passo a passo de edição encadeada no cartão original, uma obra de arte de caligrafia gerada pelo Qwen-Image contém erros de caracteres, e pede-se ao editor que corrija 稽 dentro de uma caixa vermelha desenhada e 亭 dentro de uma azul. O cartão relata que 稽 — um caractere obscuro — não é corrigido corretamente em uma única etapa: o componente inferior direito deveria ser 旨 e retorna como 日. Somente depois de desenhar outra caixa vermelha bem ajustada ao redor da região do 日 é que o modelo produz o componente correto. Duas coisas decorrem disso, e o fornecedor afirma ambas: caixas delimitadoras na imagem de origem são um mecanismo de controle real, e uma etapa de correção delimitada nem sempre é suficiente. Isso é uma falha relatada pelo fornecedor e uma recuperação relatada pelo fornecedor em um exemplo escolhido pelo fornecedor, que é exatamente a forma que tal evidência deveria ter.

Categoriza os cartões que o documento descreve como funcionais, cada um como uma alegação do fornecedor em vez de um resultado medido:

• Edições em nível de elemento com preservação — adicionar uma placa a uma cena (o card original observa que o modelo também gerou um reflexo correspondente), remover fios finos de cabelo e objetos pequenos, recolorir uma única letra em uma imagem.

• Edição de texto bilíngue — adicionar, excluir e modificar texto em chinês e inglês em uma imagem, preservando a fonte, o tamanho e o estilo originais. O cartão 2509 estende isso à edição do tipo de fonte, da cor e do material, e o cartão original mostra a edição de pôsteres chineses até textos pequenos e intrincados.

• Consistência de identidade e personagem — o cartão do 2509 relata melhor preservação da identidade facial, com suporte a transformações de pose e estilos de retrato; o cartão do 2511 relata ganhos adicionais em fotos de grupo com várias pessoas e na fusão de duas imagens separadas de pessoas em uma única foto de grupo coerente.

• Síntese de novas vistas e rotação de objetos — o cartão original mostra rotação de objetos de 90 graus e de 180 graus completos, colocando isso explicitamente na edição semântica, onde se espera mudança de pixels no quadro inteiro.

• Trabalho de produto — o cartão de 2509 relata a geração de pôsteres de produtos a partir de imagens de produtos com fundo liso, além da geração de logotipos. O cartão de 2511 acrescenta design de produtos industriais em lote e substituição de material para componentes industriais.

• Condicionamento no estilo ControlNet — o card do 2509 relata suporte nativo para mapas de profundidade, bordas e pontos-chave, além de esboços, incluindo o uso de um mapa de pontos-chave para alterar a pose de uma pessoa.

• Conclusão do guia — o card do 2509 informa que a edição com várias imagens funciona por meio da concatenação de imagens entre "pessoa + pessoa", "pessoa + produto" e "pessoa + cenário", e afirma que o desempenho ideal é atualmente obtido com 1 a 3 imagens de entrada. Esse limite superior é uma orientação do fornecedor, não um limite rígido, e é declarado para o 2509.

• Recursos mais recentes no 2511 — o cartão lista a mitigação da deriva de imagem, a integração de LoRAs populares selecionados da comunidade diretamente no modelo base, a geração aprimorada de design industrial e o raciocínio geométrico reforçado, com um exemplo de geração de linhas de construção auxiliares para anotação de design.

Os checkpoints, os nomes e o caminho turbo

É aqui que muito do tráfego de busca dá errado, por isso vale a pena ser exato. A listagem da própria organização do modelo no Hugging Face contém três, e apenas três, repositórios na linha de edição. Trata-se de um resultado negativo estabelecido por sondagem direta: os três repositórios reais resolvem, e um conjunto de nomes aparentemente plausíveis da mesma família — incluindo Qwen/Qwen-Image-Edit-2.1, -3.0, -3, -2512, -2601, -Plus, -Max, e tanto Qwen/Qwen-Image-2.1-Edit quanto Qwen/Qwen-Image-Max-2512 — não resolvem sob condições idênticas. A qualquer que se refiram esses nomes, não são checkpoints publicados pela própria organização do modelo, e esta página não vai adivinhar o que são.

Os três que existem:

• Qwen-Image-Edit — o original, 17 de agosto de 2025, Apache-2.0, registrado como image-to-image. Carregado com QwenImageEditPipeline. Seu próprio guia de início rápido usa true_cfg_scale=4.0, negative_prompt=" " e num_inference_steps=50.

• Qwen-Image-Edit-2509 — 22 de setembro de 2025, Apache-2.0, descrito em seu card como "a iteração mensal do Qwen-Image-Edit". Carregado com QwenImageEditPlusPipeline; seu início rápido usa true_cfg_scale=4.0, num_inference_steps=40 e guidance_scale=1.0. Este é o checkpoint que adicionou entrada de várias imagens, o trabalho aprimorado de consistência e suporte nativo ao ControlNet.

• Qwen-Image-Edit-2511 — 17 de dezembro de 2025, Apache-2.0, descrito em sua ficha como "uma versão aprimorada em relação ao Qwen-Image-Edit-2509, com várias melhorias — incluindo uma consistência notavelmente melhor." Ele também carrega com QwenImageEditPlusPipeline, com as mesmas configurações de amostragem do 2509. Se você não tiver outra restrição, este é o checkpoint mais recente da linha de edição.

Qual delas o leitor provavelmente tem depende de onde a encontrou. Qualquer pessoa usando um recurso hospedado de edição de imagens provavelmente está na 2511 ou na 2509. Qualquer pessoa que baixou um checkpoint há um ano e não mexeu nele provavelmente está na original, e as diferenças que importam para ela são a consistência e o trabalho com várias imagens adicionados na 2509, em vez de uma mudança na forma como a edição funciona.

Agora a questão do turbo, formulada com precisão porque o nome convida a uma suposição equivocada. Qwen-Image-2.1-Turbo não é um checkpoint de edição turbo. Seu card o descreve como "um checkpoint acelerado do Qwen-Image-2.1 para geração de texto para imagem e edição de imagem com 8 etapas de denoising", usando a mesma arquitetura de geração visual de 7B e carregando diretamente com QwenImage21Pipeline. Portanto, o caminho acelerado para edição é o caminho acelerado para o modelo unificado, e ele herda o comportamento de edição desse modelo, e não o da linha de edição.

O que o turbo muda, concretamente:

• Número de etapas — 8 etapas de remoção de ruído, em comparação com 40 no início rápido do modelo unificado e 40 ou 50 no início rápido da linha de edição.

• Orientação — por padrão, a geração usa CFG=1, e o cache KV de prefixo reutiliza o contexto do texto e da imagem de referência entre as etapas de denoising. É dessa reutilização que vem boa parte do ganho de velocidade, e o exemplo de edição do card passa use_kv_cache=True explicitamente.

• O cronograma é salvo com o checkpoint — o card afirma que o cronograma de amostragem recomendado de 8 etapas é salvo com o checkpoint e carregado automaticamente, e que definir num_inference_steps sozinho não o substitui. Se você definir a contagem de etapas e não notar mudança, é por isso. Um argumento sigmas explícito no momento da chamada substitui o cronograma salvo, e o card acrescenta que outros cronogramas não foram avaliados para este checkpoint.

• Fidelidade — o card não faz uma alegação de fidelidade para o checkpoint turbo em relação ao modelo unificado, e não há medição independente que isole a fidelidade de edição do turbo disponível para citar. Qualquer pessoa que lhe diga que a edição de 8 etapas é ou não tão fiel quanto a edição de 40 etapas está indo além do que foi publicado. O que o card documenta é a mudança de amostragem e a arquitetura mantendo o mesmo componente visual de 7B, que é a razão pela qual vale a pena testar em vez de presumir.

Em termos de qualidade relativa, os números independentes vêm do quadro de edição de imagens da Artificial Analysis, que é uma medição de terceiros, e não uma alegação de fornecedor, e vale a pena lê-los com atenção, porque dois deles não são o que os nomes sugerem.

• Qwen Image Edit Plus 2511 — 1021 Elo, ±8, 4.478 amostras, novembro de 2025, pesos abertos. Esta é a entrada com melhor pontuação na linha de edição discreta.

• Qwen Image Edit Plus 2509 — 981 Elo, ±7, 7.390 amostras, setembro de 2025, pesos abertos.

• Qwen Image Edit — 918 Elo, ±7, 7.415 amostras, agosto de 2025, pesos abertos. Isso é aproximadamente 103 Elo abaixo de 2511 no mesmo ranking, que é o tamanho da diferença que o trabalho de consistência conquistou.

• Qwen Image Edit Max 2601 — 1000 Elo, ±8, 5.036 amostras, datado de janeiro de 2026 no ranking, pesos fechados. O ranking lista esta entrada; nenhum repositório correspondente aparece na listagem da própria organização do modelo, de modo que não é possível estabelecer o que este checkpoint é a partir de material primário. Isso é relatado aqui como uma linha de um ranking independente e nada mais.

• Qwen-Image-2.1 — 1074 Elo, ±9, 5.536 amostras, pesos abertos, cerca de 53 Elo acima do melhor checkpoint de edição. Observe que a tabela rotula a data desta entrada como setembro de 2026 e acrescenta "Nenhuma API disponível." Que um modelo unificado supere em pontuação a linha de edição dedicada é o dado mais útil desta página para qualquer pessoa que esteja a decidir o que executar, e trata-se de uma medição independente, não de uma alegação de fornecedor.

A mesma página também lista custos de API por 1.000 imagens para várias dessas entradas, e esta página deliberadamente não os inclui: eles mudam, são relatados em fóruns em vez de publicados pelos fornecedores, e um leitor que fosse agir com base no número de hoje iria querer lê-lo na fonte.

O que você tem de fornecer

Os requisitos de entrada do editor são o ponto onde se decide a maioria das execuções malsucedidas, e a especificação é mais tolerante do que as pessoas esperam em uma direção e menos tolerante em outra.

• A imagem de origem é obrigatória e constitui toda a entrada — não existe modo somente texto. O card do checkpoint original converte seu exemplo para RGB antes de passá-lo; o card turbo do modelo unificado carrega seu exemplo e converte para RGBA, o que é importante porque o Qwen-Image-2.1 gera e edita imagens transparentes nativamente.

• A edição sem máscara é o caminho documentado no modelo unificado — o card do Qwen-Image-2.1 afirma que edições locais podem ser especificadas por meio de círculos, anotações pintadas ou máscaras separadas, e que o modelo suporta até 10 imagens de referência. A rota sem máscara por meio de círculos e anotações pintadas é a que o card destaca; é a razão pela qual você pode marcar uma região em um editor de imagens comum em vez de produzir um arquivo de máscara.

• A edição mascarada existe como um pipeline separado — um pipeline de inpaint discreto expõe mask_image, masked_image_latents e padding_mask_crop junto com um parâmetro strength que tem valor padrão 0,6. Se você já passou um tempo procurando um controle deslizante de strength nos checkpoints de edição e não encontrou, é por isso: os próprios pipelines da linha de edição não aceitam um, e o exemplo de edição do modelo unificado passa um prompt e uma imagem sem nenhum argumento de strength.

• A resolução da fonte é restrita, e a restrição é aritmética — tanto o pipeline original quanto o pipeline plus validam que a altura é divisível por duas vezes o fator de escala VAE. No pipeline do modelo unificado, o fator de escala VAE é 16 e a verificação alerta para a divisibilidade por 32, com um padrão de output_resolution de 1024. Passar um tamanho de foto arbitrário diretamente é uma das maneiras comuns de obter uma falha grave em vez de uma edição ruim.

• Existem presets nativos de alta resolução, e eles são números específicos — o modelo unificado e seu checkpoint turbo publicam os mesmos sete presets: 1:1 em 2048×2048, 4:3 em 2400×1792, 3:4 em 1792×2400, 3:2 em 2528×1696, 2:3 em 1696×2528, 16:9 em 2752×1536 e 9:16 em 1536×2752. O exemplo de texto para imagem do cartão turbo usa o preset retrato de 1696×2528, e seu exemplo de edição usa 2048×2048.

• A entrada de múltiplas imagens tem um ponto ideal documentado — até 3 imagens para o 2509 e até 10 referências para o modelo unificado. Ultrapassar o intervalo documentado pelo fornecedor não é proibido, mas nada publicado descreve o que acontece quando o faz.

• Mais um requisito de fornecimento fácil de passar despercebido — o caminho de edição do modelo unificado usa um num_inference_steps de 40 em seu início rápido e os padrões de seu pipeline incluem use_kv_cache=True e true_cfg_scale=1.0. Ler esses padrões antes de ajustar qualquer coisa vai te poupar uma rodada de confusão sobre por que a saída mudou quando você achou que tinha alterado apenas uma coisa.

Editando uma imagem que você já editou

Esta é a área menos consolidada da página e vale a pena separar o que está documentado do que não está. Dois mecanismos são descritos, e um deles é a resposta do próprio fornecedor a uma falha.

• A correção encadeada é documentada e esperada — o tutorial de caligrafia no cartão original é um loop de múltiplos turnos, não uma passagem única. O modelo falha no 稽 em uma etapa, o leitor desenha uma caixa mais justa sobre o componente com falha, e o próximo turno o corrige. O cartão apresenta isso como a forma pretendida de trabalhar, e não como uma solução alternativa, e o resultado final é alcançado após vários turnos sucessivos na mesma imagem. Se você está editando uma imagem já editada, você está fazendo o que o fornecedor documenta.

• O desvio de imagem é o risco nomeado no checkpoint mais recente — o cartão do 2511 encabeça a sua lista de melhorias principais com "mitigar o desvio de imagem", que é o termo do próprio fornecedor para a acumulação de alterações indesejadas ao longo dos turnos. A alegação é que o 2511 o reduz; o cartão não quantifica em quanto, e não existe nenhuma medição independente do desvio ao longo de um número conhecido de turnos de edição para citar.

• O que não está resolvido — quanta qualidade custa um terceiro ou quinto turno, se a deriva se acumula linearmente ou atinge um platô, e se o cronograma de 8 passos do checkpoint turbo apresenta deriva diferente da trajetória de 40 passos. O fornecedor não publica nenhuma curva de qualidade por turno para nenhum checkpoint em qualquer uma das linhas, e os placares independentes medem a edição de passagem única, e não cadeias. A leitura prática é que o fluxo de trabalho documentado pelo fornecedor é uma cadeia curta e limitada, com uma região demarcada em cada turno, e nada publicado sustenta tratar uma longa cadeia de edições não fixadas como segura.

• A reutilização de contexto interage com o encadeamento — o cache KV de prefixo do checkpoint turbo reutiliza o contexto de texto e de imagem de referência ao longo das etapas de denoising, e o exemplo de edição do card o ativa. Trata-se de uma otimização dentro da mesma chamada, e não de uma memória entre turnos; nada no card sugere que o modelo retenha algo entre chamadas separadas. Cada turno começa a partir da imagem que você fornece.

O que não está resolvido

Mantida curta, porque uma página de referência que esconde seus limites é pior do que uma que aponta para eles.

• O que são "Qwen Image Edit 3" e "Qwen Image Edit 2512".Nenhum dos dois nomes corresponde a um repositório na listagem da própria organização do modelo, por isso esta página não pode dizer a que geração se referem, nem se sequer se referem a alguma. Se for publicada uma geração de edição posterior, esta aparecerá nessa listagem e esta página estará incorreta até ser reescrita.

• O que é o Qwen Image Edit Max 2601. Uma placa independente contém a linha; não existe nenhum repositório correspondente do fornecedor. A lacuna é relatada em vez de preenchida.

• Se o turbo custa fidelidade de edição. Nenhuma afirmação do fornecedor, nenhuma medição independente.

• Quanto drift o 2511 realmente remove. O fornecedor afirma uma redução, mas não a quantifica.

• Taxas para qualquer uma das capacidades documentadas.Toda declaração "funciona para X" nesta página é o próprio cartão do checkpoint, que descreve o comportamento pretendido em exemplos escolhidos. Nada disso é uma taxa de sucesso medida, e nada disso deve ser lido como tal.

Sua próxima ação é escolher um dos três checkpoints que existem, ler o card do próprio checkpoint antes de alterar qualquer coisa no início rápido dele, e entregar a ele uma imagem de origem cujas dimensões satisfaçam a verificação de divisibilidade do pipeline. Se o motivo de você ter vindo aqui é que quer começar a partir de uma imagem sua e manter o máximo possível dela em vez de alterá-la, esse é um problema relacionado com seu próprio passo a passo — a página image-to-image cobre como começar a partir da sua própria imagem e o que a ausência de um controle de força significa para isso. Se, em vez disso, você quer o modelo unificado mais recente porque um ranking independente o coloca acima de toda a linha de edição, o checkpoint acelerado é a maneira barata de experimentá-lo antes de se comprometer.