Imagecaster: modelos locais com 16 GB aprendem a escrever em russo e a experimentar novos visuais

Seis dedos e texto em russo cheio de erros são os principais estereótipos da geração local de imagens. O criador do Imagecaster, antigo SD Studio, verificou o que restava deles seis meses depois do primeiro artigo. Os testes foram realizados em uma RTX 4070 Ti Super com 16 GB de memória de vídeo.

Quais modelos ficaram

Em maio, o aplicativo tinha apenas SD 1.5, SDXL e Pony. Eles exigem prompts baseados em tags e têm dificuldade com cenas complexas, como “mão direita sobre uma placa, mão esquerda ajeitando o cabelo”. Agora, a base é formada por Flux 1, Z-Image Turbo, Moss-Image e Flux 2 Klein. Eles entendem frases comuns, mas exigem 12–16 GB de memória de vídeo.

Cada modelo tem seu nicho. O Flux 1 segue descrições longas com precisão. O Z-Image Turbo entrega fotorrealismo em 8 passos, em vez de 20–50, sendo útil para explorar variações. O Moss-Image representa a cena descrita tão bem quanto o Flux 1 e permite editar com instruções em russo: “troque a calça por uma saia” muda a roupa e preserva a pessoa, a pose e o fundo. O Klein cuida do pós-processamento e das recriações que preservam o rosto.

O autor testou Qwen-Image 2.1 e Krea 2, mas os removeu. A combinação de Z-Image, Moss e Klein resolve as mesmas tarefas com menos recursos e mais rapidez.

O teste do texto em russo

O prompt: uma jovem em uma feira segurando uma placa com “Kartoshka, nedorogo” (“Batatas, baratas”). Os resultados foram:

• Moss: 50 passos, cerca de 2 minutos por imagem, 5 de 10 sem erros. As falhas eram pequenas, como “nedoroggo”.
• Z-Image Turbo: cerca de 15 segundos por imagem, 6,5 de 10. Apareceram erros como “Kartosha” e “Kartotska”.
• Flux 1: cerca de um minuto por imagem, 0 de 5.

Segundo o Claude, a causa está no codificador de texto, e não na quantização. O Flux 1 interpreta o prompt por meio do T5, treinado principalmente em inglês. Z-Image e Moss usam codificadores multilíngues da família Qwen. As amostras são pequenas, de 5–10 imagens, então os resultados servem como referência, não como benchmark.

Um estilista de IA que mantém as imagens fora da nuvem

Uma LLM local que caiba em 16 GB junto com a geração de imagens é pouco potente para atuar como estilista. Por isso, o fluxo funciona assim: um modelo de visão local descreve a foto, um agente mais capaz (Claude Code ou Codex) recebe o texto via MCP, e o aplicativo gera a nova imagem. A imagem não sai do computador.

A contrapartida é que o agente não vê a foto diretamente. A conversa pode compensar essa limitação: o usuário pode explicar seus gostos e o que o modelo de visão deixou passar. Em um episódio, o estilista concluiu que a foto mostrava a esposa do autor, embora a jovem tivesse sido gerada por IA.

O rosto é um problema à parte: o Klein redesenha a imagem inteira. Por isso, olhos, nariz e lábios são transferidos do original com base em pontos de referência, e a semelhança é verificada. Se o rosto não corresponder, a geração é repetida, com até três tentativas. Em uma série de sete variações com diferentes penteados e cores de cabelo, a métrica de diferença facial ficou entre 0,013 e 0,036, dentro da zona verde.

O que isso significa na prática

Se você está criando um produto com geração local de imagens e interface em russo, observe o codificador do modelo, além do tamanho. Para textos em cirílico, apenas os modelos com codificadores Qwen são realmente adequados, e mesmo assim será necessário gerar um lote de variações. A arquitetura “cérebro na nuvem + olhos e mãos locais via MCP” é uma forma viável de preservar a privacidade quando uma LLM local pequena não dá conta.

As limitações são claras: modelos pesados levam até alguns minutos, a edição por conversa exige um agente de IA, e a placa de vídeo precisa ter pelo menos 16 GB. O imagecaster-server simplifica a instalação: ele instala o Forge Neo, o Ollama quando necessário e as versões exigidas de Python e git em sua própria pasta.