Qwen-Image-PE ensina design a uma IA: enhancer de prompts soma 7,81 pontos

O prompt «café aconchegante no inverno» diz quase nada a um gerador de imagens. Iluminação, composição, layout do quadro e detalhes ficam a critério do modelo, e o resultado costuma ser mediano. A equipe da Qwen, com 29 autores e liderada por Zekai Zhang e Chenfei Wu, apresentou o Qwen-Image-PE, um enhancer de prompts que completa pedidos assim até formar uma especificação de design coerente. No benchmark interno Qwen-Image-Bench, com o gerador Qwen-Image-2.1, a versão Qwen-Image-PE-397B melhora em 7,81 pontos a avaliação dos prompts originais. A compacta Qwen-Image-PE-9B supera todos os enhancers de referência avaliados, e foi justamente ela que os autores liberaram em acesso aberto.

Destilação reversa: ensinando design a partir de descrições de imagens prontas

A maioria dos enhancers atuais preserva a intenção do usuário e deixa a imagem, no geral, mais atraente. Os parâmetros finos de design, porém, quase nunca aparecem como um objetivo à parte. O Qwen-Image-PE preenche essa lacuna com um treinamento em duas etapas.

A primeira etapa é um supervised fine-tuning com o método Caption-Based Reverse Distillation (CRD). O processo parte de imagens bem feitas e de suas descrições densas e detalhadas. Essas descrições servem de referência: a partir de um prompt curto, o modelo aprende a reconstruir um texto tão rico quanto o que descreveria um bom quadro. O conhecimento de design vem de trabalhos reais, e não de instruções abstratas como «deixe bonito».

Recompensa em grupo em vez de nota por imagem isolada

A segunda etapa é um aprendizado por reforço com a recompensa Groupwise Design Reward (GDR). Para um mesmo prompt, o sistema gera várias variantes, e todas as imagens resultantes são avaliadas em conjunto, umas em comparação com as outras. A recompensa mira quatro parâmetros: iluminação, composição, layout e detalhamento. A comparação dentro do grupo fornece um sinal mais nítido do que a avaliação de cada quadro isoladamente. O modelo enxerga o que diferencia a variante bem-sucedida das demais geradas para o mesmo prompt.

Verificações adicionais mostraram ganhos em design visual, estética, qualidade da imagem e preferências humanas.

Três eixos de escala e transferência para geradores de terceiros

Os autores afirmam que a qualidade do enhancer cresce em três eixos: volume de dados de treinamento, tamanho do modelo e densidade de informação do prompt. A densidade de informação é apontada como condição necessária. Se o prompt expandido não tiver detalhes suficientes, as outras duas alavancas não ajudam.

Outro resultado diz respeito à transferibilidade. O Qwen-Image-PE generaliza para quatro arquiteturas T2I adicionais. No HunyuanImage-2.1 e no FLUX 3 Image Klein, ele supera os enhancers «nativos» desses próprios modelos.

Principais fatos:

• Modelo: Qwen-Image-PE, enhancer de prompts para text-to-image.
• Autores: 29 pesquisadores, artigo arXiv 2610.33472.
• Etapa 1: SFT com Caption-Based Reverse Distillation (CRD) em descrições densas de imagens de qualidade.
• Etapa 2: RL com Groupwise Design Reward (GDR), comparação conjunta de todos os candidatos para um mesmo prompt.
• Parâmetros-alvo: iluminação, composição, layout, detalhes.
• Qwen-Image-PE-397B: +7,81 pontos sobre os prompts originais no Qwen-Image-Bench com o Qwen-Image-2.1.
• Qwen-Image-PE-9B: supera todos os baselines de PE avaliados, publicado em acesso aberto.
• Eixos de escala: dados, tamanho do modelo, densidade de informação.
• Transferência: quatro backends T2I adicionais, incluindo HunyuanImage-2.1 e FLUX 3 Image Klein, onde o modelo superou os enhancers nativos.
• Lançamento: huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I.

Como aplicar na prática

Para as equipes que constroem produtos com geração de imagens, a principal novidade é a versão de 9B. É realista manter esse modelo ao lado do gerador como uma camada separada. Ele recebe o prompt bruto do usuário e devolve um prompt expandido, enquanto o gerador continua o mesmo. Como o enhancer se transfere para backends de terceiros, dá para testá-lo no modelo que você já usa e compará-lo com a solução padrão dele, usando seus próprios prompts.

Vale considerar também a conclusão sobre densidade de informação. Se você escreve prompts à mão ou configura seu próprio enhancer, o comprimento da descrição expandida e o número de decisões concretas de design nela influenciam o resultado mais do que parece. O melhor é verificar isso nos seus próprios cenários: os números dos autores foram obtidos no benchmark deles, o Qwen-Image-Bench, e com o gerador Qwen-Image-2.1.