daniil-kzn/qwen-image-2

Qwen-Image-2.0

O Qwen-Image-2.0 (lançado em 10/02/2026) é um modelo único para texto-para-imagem e edição de imagens: um codificador Qwen3-VL de 8B mais um decodificador de difusão de 7B, saída nativa de 2K, instruções de até 1.000 tokens. Seus pontos fortes são texto denso e ortograficamente correto em chinês e inglês (slides, pôsteres, infográficos, quadrinhos, calendários, caligrafia), fotorrealismo com baixo aspecto "gerado por IA" e edições multi-imagem. Os idiomas oficialmente suportados para prompts são chinês e inglês.

A execução ocorre através do fal-runner (registro, preço, aprovação, download). A criação de prompts para quadros iniciais de vídeo permanece em storyboard-keyframes / kling-video-prompt; esta skill cobre parâmetros específicos do Qwen e regras de prompt. Anatomia, fidelidade de referência e transferência de partes para qualquer modelo estão em image-edit-fidelity (§4a). Resultados de testes datados estão em references/observations.md; detalhes da API, tamanhos e limites em references/api.md; modelos de prompt prontos em references/prompt-patterns.md.

0. Verificação de disponibilidade (faça primeiro em uma nova tarefa)

A fal marcou todos os quatro endpoints fal-ai/qwen-image-2/* como deprecated em 18/08/2026; o sucessor alibaba/qwen-image-3/* está ativo. O endpoint padrão de texto-para-imagem ainda atendeu a uma requisição em 08/11/2026, mas endpoints obsoletos podem parar a qualquer momento. Antes da primeira chamada paga de uma tarefa:

1. python3 ~/.claude/skills/fal-runner/fal_run.py models qwen-image-2 e schema <endpoint>.
2. Verifique references/observations.md para a data da última execução bem-sucedida.
3. Se uma chamada falhar com 404/410/"deprecated"/"not found", reporte ao usuário e ofereça as alternativas de references/api.md (Alibaba Model Studio precisa de DASHSCOPE_API_KEY, não configurada nesta máquina em 08/11/2026; WaveSpeed; ou Qwen-Image-3 na fal como um modelo diferente que precisa de seu próprio teste). Nunca mude o modelo silenciosamente: o usuário pediu Qwen 2.

1. Nível e endpoint

Tarefa	Endpoint fal	Preço observado (08/11/2026)
Rascunhos, exploração, testes de layout	fal-ai/qwen-image-2/text-to-image	0,035 USD/imagem
Imagem final, texto denso, realismo	fal-ai/qwen-image-2/pro/text-to-image	0,075 USD/imagem
Edição de rascunho	fal-ai/qwen-image-2/edit	0,035 USD/imagem
Edição final, fusão multi-imagem	fal-ai/qwen-image-2/pro/edit	0,075 USD/imagem

Nomes no Model Studio: qwen-image-2.0 (acelerado) e qwen-image-2.0-pro, ambos servem geração e edição em um único endpoint (references/api.md). Itere a composição e o texto no nível padrão, mude para Pro assim que o prompt estiver definido, e compare o custo da imagem aceita incluindo retentativas, não o preço de uma única saída.

2. Parâmetros que alteram o resultado

• Tamanho. A fal usa como padrão square_hd = 1024x1024, um quarto da resolução nativa 2K. Sempre passe image_size: {"width": W, "height": H}. Total de pixels entre 512x512 e 2048x2048, lados em múltiplos de 16. Predefinições 2K: 1:1 2048x2048, 16:9 2688x1536, 9:16 1536x2688, 4:3 2368x1728, 3:4 1728x2368, 3:2 2496x1664, 2:3 1664x2496. scripts/qwen_payload.py size <proporção> calcula qualquer outra proporção. Para edições sem image_size, a saída segue a ÚLTIMA imagem de entrada.
• Expansão de prompt (enable_prompt_expansion na fal, prompt_extend no Model Studio), padrão true: um LLM reescreve o prompt e adiciona detalhes, estilo e palavras de câmera (o exemplo oficial transformou um gato de uma linha em um prompt "Canon EOS R5, National Geographic"). Padrão para esta skill: escreva o prompt completo você mesmo pelas regras da §3/§4 e defina-o como false quando a imagem contiver texto exato, um layout fixo, uma série que deve corresponder ou uma comparação de semente. Mantenha true apenas para prompts exploratórios curtos onde variedade é desejada.
• Prompt negativo, no máximo 500 caracteres. Padrão de texto-para-imagem (a lista oficial do Qwen): low resolution, low quality, deformed limbs, malformed fingers, oversaturated colors, waxy skin, faces without detail, over-smoothed, AI-generated look, chaotic composition, blurry or distorted text, mais a lista de anatomia (§4a). Edições: a lista de fidelidade mais a lista de anatomia (o padrão de edição do script de payload; --negative blank envia " "), mais a falha que você realmente viu (altered face, misspelled text). Exclusões vão aqui; o prompt positivo não lista objetos com "no".
• Comprimento do prompt. Edição na fal: 800 caracteres (esquema). Texto-para-imagem na fal: sem limite no esquema; o Model Studio trunca silenciosamente após 1300 tokens; WaveSpeed permite 800 caracteres. qwen_payload.py avisa sobre os limites. Quando o espaço acabar, mantenha, em ordem: strings de texto exatas, suas posições, assuntos e relações espaciais, uma ou duas dicas de estilo.
• Contagem e semente. num_images 1-4 (texto-para-imagem na fal), 1-6 (edição na fal, Model Studio). seed 0..2147483647; a mesma semente dá saídas semelhantes, não idênticas.
• Entradas de edição. 1-3 imagens, ordem = "imagem 1/2/3" no prompt, 384-5000 px por lado na fal (384-3072 recomendado pela Alibaba), no máximo 10 MB, PNG sem alfa (o script achata alfa). Arquivos locais vão como "@file:/abs/path" para fal_run.py.
• Verificador de segurança está ativado por padrão; desligá-lo requer autorização da conta.

3. Regras de prompt para texto-para-imagem

Estas seguem os prompts oficiais de sistema de reescrita do Qwen (prompt_utils.py, prompt_utils_2512.py em QwenLM/Qwen-Image) e os exemplos de lançamento do 2.0. Escrever o prompt desta forma faz o trabalho do reescritor antecipadamente, razão pela qual a expansão pode permanecer desligada.

1. Prosa descritiva natural em um bloco, não listas de palavras-chave ou sopa de tags. Conteúdo estruturado (infográficos, tabelas, quadrinhos) pode usar quebras de linha e seções "Linha 1: ...", mas cada item ainda é uma frase descritiva.
2. Nomeie o estilo geral explicitamente: fotografia realista, instantâneo casual de smartphone, pôster de cinema, infográfico plano, pintura gongbi da dinastia Song, render 3D, ilustração de anime.
3. Ordem: assunto, aparência, roupa da cabeça aos sapatos, pose, olhar e mãos, outros objetos, ambiente, luz (direção, intensidade, temperatura de cor), câmera e composição, textura e clima. Refreie detalhes em cenas simples; adicione detalhes onde eles resolvem uma escolha real.
4. Pessoas: etnia, gênero e idade específica ("cerca de 30", não "jovem"); formato do rosto, olhos, tom e textura da pele, maquiagem; cor, comprimento e corte do cabelo; cada peça de roupa e acessório; postura corporal, direção do olhar, o que cada mão faz. Cerca de 200 palavras para um retrato. Para realismo, exemplos oficiais usam "instantâneo casual de iPhone, iluminação interna típica, sem iluminação de estúdio".
5. Toda string visível entre aspas duplas, exatamente como deve aparecer, com sua posição, orientação (horizontal, vertical, colunas da direita para a esquerda), fonte (sem serifa, com serifa, manuscrita, um estilo de caligrafia nomeado), cor, tamanho e suporte (tubo de néon, giz, folha de ouro em relevo, bordado). Texto implícito torna-se texto concreto: não "uma lista de nomes" mas os nomes. Feche uma imagem de texto com "Nenhum outro texto aparece na imagem."; uma imagem sem texto recebe "A imagem não contém texto reconhecível."
6. Mantenha nomes próprios, marcas, slogans, URLs e números literalmente.
7. Layouts: descreva a grade ou colunas primeiro, depois cada bloco na ordem de leitura com seu texto exato; tabelas e calendários célula por célula; quadrinhos como "uma grade 4x6 com divisórias brancas", depois "Linha 1, quadro 1: ... Balão de fala: "..."". Repita a descrição curta de identidade de um personagem recorrente palavra por palavra em cada quadro (o quadrinho oficial faz isso) para mantê-los consistentes. Imagens dentro de um slide vão entre parênteses ao lado de seu nó.
8. Idioma: escreva a descrição em inglês ou chinês; mantenha strings entre aspas no idioma em que devem aparecer. Outros scripts não são oficialmente suportados. Cirílico testado em 08/11/2026: palavras curtas comuns geralmente corretas, palavras mais longas ou raras distorcidas (2 de 3 strings em russo tinham letras erradas enquanto o inglês estava exato). Para texto em russo: mantenha strings curtas, espere retentativas, verifique cada palavra e planeje corrigir palavras erradas em um editor ou por uma passagem de edição.
9. Sem sufixos de qualidade ("8K, obra-prima, ultra HD"): os exemplos do 2.0 não os usam e eles empurram para o aspecto brilhante de IA que o prompt negativo combate.

Modelos para pôsteres, slides, infográficos, retratos, produtos, quadrinhos e calendários estão em references/prompt-patterns.md.

4. Regras de instrução de edição

Do aprimorador oficial de prompt de edição e dos exemplos de edição do 2.0:

• Uma instrução direta e específica: verbo, alvo, atributos, posição. "Adicione um gato cinza claro no canto inferior direito, sentado e olhando para a câmera", não "adicione um animal".
• Substituição: "Substitua Y por X", então as principais características visuais de X.
• Texto: Substitua "texto antigo" por "novo texto", aspas mantidas, mesmo idioma e capitalização; posição, cor e fonte apenas quando mudam.
• Pessoas: nomeie o que deve permanecer (etnia, gênero, idade, rosto, penteado, expressão, roupa). Mudanças de expressão e maquiagem sutis, nunca exageradas.
• Transferência de estilo: descreva o estilo alvo por características visíveis (paleta, linha, textura, luz) e coloque a frase de estilo após as mudanças de conteúdo.
• Mover uma parte de uma referência para outra, troca de cabeça: image-edit-fidelity §3 (veja §4a).
• Multi-imagem: diga qual imagem fornece o quê ("a garota da imagem 1 veste o vestido preto da imagem 2 e senta na pose da imagem 3"), qual imagem dá o fundo e descreva a roupa e pose de cada pessoa. A proporção da saída segue a última imagem: coloque a imagem base por último ou defina image_size.
• Cláusula de preservação nomeando coisas concretas: "Não mude os edifícios reais, ruas, veículos ou pessoas; mantenha a foto realista", "mantenha a forma do produto, logotipo e layout inalterados". Com uma referência anexada, sempre siga image-edit-fidelity §2 (veja §4a).
• O modelo renderiza novamente todo o quadro. Compare áreas inalteradas lado a lado com a entrada; quando uma pequena edição local danificou o resto, cole apenas a região editada de volta no original com uma máscara suavizada (ref_diff.py --paste-back, veja §4a).
• Modelo de colorização: "Restaure e colorize a foto." Modelos de inpaint/outpaint do aprimorador Qwen-Image-Edit ("Realize inpainting nesta imagem. A legenda original é: ...", "Estenda a imagem além de seus limites usando outpainting. A legenda original é: ...") ainda não foram verificados no 2.0.

4a. Anatomia, fidelidade de referência, transferência de partes: image-edit-fidelity

As regras independentes de modelo estão na skill image-edit-fidelity (~/.claude/skills/image-edit-fidelity/SKILL.md) e se aplicam a toda chamada Qwen com pessoas ou uma imagem de referência: anatomia intacta para cada pessoa (sua §1), mude apenas o que foi pedido com reference_inventory.md e uma divisão CHANGE/KEEP (§2), transferência de exatamente uma parte e troca de cabeça (§3), a verificação com ref_diff.py e reparo paste-back. Carregue-a junto com esta skill.

Como essas regras se mapeiam para o Qwen-Image-2.0:

• Exclusões de anatomia e fidelidade vão no negative_prompt (máximo 500 caracteres): o script de payload adiciona a lista de anatomia ao padrão de texto-para-imagem e usa fidelidade + anatomia como padrão de edição.
• enable_prompt_expansion: false para toda edição com uma referência.
• A saída segue a ÚLTIMA imagem em image_urls: coloque a referência base (o alvo de uma transferência de partes) por último; o script de payload define o tamanho da edição a partir dela por padrão.
• O prompt de edição, incluindo a cláusula KEEP, cabe em 800 caracteres (o script avisa).
• Recortes de origem para transferência de partes e troca de cabeça: pelo menos 384 px por lado.
• qwen_payload.py check avisa quando uma edição não tem cláusula de preservação nomeada, nenhum "Não adicione ou remova pessoas ou objetos", um prompt multi-imagem sem "apenas"/"nada mais", ou pessoas sem anatomia e posicionamento das mãos.
• Verificação: python3 ~/.claude/skills/image-edit-fidelity/scripts/ref_diff.py <referência> <saída> --allow <caixa>.

5. Fluxo de trabalho

1. Pergunte apenas o que muda na imagem: propósito e proporção, as strings de texto exatas e seu idioma, foto ou ilustração, imagens de referência. Caso contrário, use os padrões acima.
2. Verificação de disponibilidade e esquema (§0), escolha o nível (§1). Com pessoas ou uma imagem de referência: carregue image-edit-fidelity e escreva reference_inventory.md com a divisão CHANGE/KEEP primeiro.
3. Escreva o prompt na pasta do projeto (prompt.txt) e construa o payload: python3 ~/.claude/skills/qwen-image-2/scripts/qwen_payload.py build --endpoint <id> --prompt-file prompt.txt --ratio 16:9 --expansion off -o payload.json (edições: adicione --image a.png --image b.png). Corrija todos os avisos que ele imprimir.
4. Cite o modelo, número de imagens, tamanho e preço e aguarde aprovação (regras do fal-runner).
5. fal_run.py submit <endpoint> payload.json --label "<o que>" --wait.
6. Verifique cada saída em tamanho real antes de mostrar (§6).
7. Mostre o resultado da forma como o usuário revisa mídia: uma página HTML com blocos <img> rotulados no painel do navegador integrado (instruções globais), naturalWidth > 0 verificado, não SendUserFile. Copie os finais de ~/.cache/fal-jobs/ com nomes descritivos.
8. Itere mudando uma coisa por rodada. Registre novas descobertas com uma data em references/observations.md (falhas permanecem listadas).

6. Verificação de defeitos

• Cada string entre aspas caractere por caractere em tamanho real (recorte e amplie texto pequeno com PIL): ortografia, dígitos, datas, pontuação, quebras de linha; nenhum texto extra inventado, nenhuma duplicata.
• Layout: contagens de linhas e colunas, ordem das células, alinhamento, nada cortado pela borda do quadro.
• Anatomia de cada pessoa, figuras de fundo incluídas (image-edit-fidelity §1): uma cabeça, dois olhos, dois braços, duas mãos com cinco dedos, duas pernas, cada membro preso ao seu próprio corpo no ombro ou quadril, sem corpos fundidos. Qualquer violação reprova a imagem.
• Pessoas e objetos: contagens, alvos do olhar, quem está onde.
• Edições: ref_diff.py contra a referência, então cada linha de reference_inventory.md (contagem e identidade de pessoas, objetos e posições, fundo, luz, roupas).