Qwen-Image-2.1, da Alibaba: 7 bilhões de parâmetros, 2K e execução em um MacBook Air com 16 GB

A equipe Qwen, da Alibaba, lançou o Qwen-Image-2.1, modelo de geração e edição de imagens. Ele é construído sobre um diffusion transformer com 7 bilhões de parâmetros, gera imagens em resolução nativa de até 2K e é distribuído sob a Qwen Research License. O Habr publicou a tradução de uma análise em que o modelo roda localmente em um MacBook Air com 16 GB de memória e sem safety checker. O principal motivo de interesse é justamente rodar o modelo em um notebook sem ventoinha.

O que se sabe sobre o modelo

O trecho disponível do material permite montar este quadro:

• arquitetura: diffusion transformer;
• tamanho: 7 bilhões de parâmetros;
• tarefas: geração e edição de imagens;
• resolução: saída nativa de até 2K;
• licença: Qwen Research License;
• desenvolvedor: equipe Qwen, Alibaba.

Reunir geração e edição em um único modelo é conveniente na prática. Não é preciso manter dois conjuntos de pesos no disco nem alternar entre eles. Para a execução local isso importa, porque a memória de um notebook é muito limitada.

Os detalhes do teste em si foram cortados no trecho disponível. Velocidade de geração, formato dos pesos e qualidade final das imagens no MacBook Air não aparecem nele. Por isso, o que segue se baseia no que dá para estimar com aritmética, e não em medições do autor.

Por que um MacBook Air com 16 GB é uma plataforma reveladora

Sete bilhões de parâmetros em fp16 ocupam cerca de 14 GB só com os pesos. No Mac, a memória é unificada: sistema, navegador e o próprio modelo a dividem. Por isso, com 16 GB e sem compressão, o modelo praticamente não cabe. Se os pesos forem quantizados para 8 bits, são necessários cerca de 7 GB; com 4 bits, cerca de 3,5–4 GB. A isso se somam o encoder de texto, o VAE e as ativações, que crescem junto com a resolução. Gerar em 2K é mais pesado do que em 1024 pixels.

Há ainda uma segunda limitação. O MacBook Air não tem refrigeração ativa, e, sob carga prolongada, o chip reduz a frequência. Uma série de dezenas de imagens vai rodar mais devagar do que uma imagem isolada. Para um experimento isso é tolerável; para um pipeline de produção, não.

O fato em si também importa. Um modelo dessa classe roda no notebook mais acessível da Apple, sem alugar GPU e sem enviar prompts a uma API externa. Para desenvolvedores que se preocupam com a privacidade dos dados, é um cenário viável.

Safety checker: o que se desativa e por quê

O safety checker é um filtro pós-geração. Ele analisa a imagem pronta e a substitui por uma imagem-tampão se o classificador considerar o resultado inadequado. No ecossistema diffusers, esse filtro se tornou há tempos parte padrão dos pipelines, e a flag para desativá-lo já é de uso corrente. Os usuários costumam reclamar de falsos positivos: retratos inofensivos e ilustrações médicas às vezes viram um quadrado preto. O filtro também consome memória e tempo.

O outro lado é evidente. Na execução local não há moderação no servidor, e a responsabilidade pelo resultado recai inteiramente sobre o usuário. O filtro desativado abre caminho para deepfakes e conteúdo explícito, por isso os termos da licença pesam mais do que a flag técnica.

O nome Qwen Research License indica uma orientação à pesquisa. Para uso comercial, inclusive em produtos que geram imagens, é preciso ler o texto completo da licença: é ele que define os cenários permitidos, e não a página de marketing do modelo.

Na prática: como abordar a execução

Se quiser repetir o experimento no seu Mac, siga esta ordem:

1. Primeiro, leia a licença e decida se ela serve para a sua tarefa. 2. Use pesos quantizados; do contrário, os 16 GB acabam rápido e o sistema passa a usar swap. 3. Comece com 1024 pixels e só depois tente 2K, medindo o tempo e o consumo de memória. 4. Feche o navegador e os aplicativos pesados durante a geração. 5. Se desativar o safety checker, adicione uma verificação própria na saída, especialmente em projetos compartilhados ou de trabalho.

O mais útil dessa história não é o modelo em si, mas o novo patamar: 7 bilhões de parâmetros, 2K e edição agora cabem em um notebook de escritório. Velocidade e qualidade nesse hardware só as medições vão mostrar. Seria bom se o autor do teste original publicasse esses números por completo.