Co potrafi Qwen-Image-2.1: dziesięć kadrów z dziesięciu światów
Najmocniejszy w fotografii przedmiotowej i architekturze, najsłabszy tam, gdzie grafika ma wyglądać na zrobioną ręką człowieka.
👁 175 przeczytań
Benchmark mówi, że Qwen-Image-2.1 ma 60,28 punktu. To liczba, z której nic nie wynika, dopóki nie zobaczysz, co model naprawdę wypuszcza. Puściłem przez niego dziesięć kadrów z dziesięciu różnych światów - od zdjęcia produktowego po ilustrację wektorową - żeby zobaczyć, gdzie jest mocny, a gdzie widać szew.
Werdykt w jednym akapicie
Najmocniejszy jest w fotografii przedmiotowej i architekturze, najsłabszy w grafice, która ma wyglądać na zrobioną ręką człowieka. Zdjęcia produktowe, wnętrza i makro wychodzą na poziomie, który bez podpisu wziąłbym za prawdziwe. Ilustracja wektorowa i render trójwymiarowy są poprawne, ale generyczne - wyglądają jak setki podobnych. Każdy z tych kadrów powstał w 40-80 sekund i kosztował ułamek grosza, więc próg wejścia do sprawdzenia własnego zastosowania jest bliski zeru.
Fotografia: tu model jest najmocniejszy
Zdjęcie produktowe: matowy ceramiczny drip, jedno twarde światło z prawej, głęboki cień na betonie. Poziom katalogowy.
Zdjęcie produktowe to test na materiał i światło naraz. Matowa ceramika nie może błyszczeć jak szkło, a cień musi mieć właściwą ostrość krawędzi. Oba warunki spełnione - to jest kadr, który bez zastrzeżeń wszedłby do karty produktu.
Brutalistyczna klatka schodowa z jednym świetlikiem, ostre popołudniowe światło, szeroki kadr, bez ludzi.
Architektura wypadła równie dobrze. Beton ma fakturę, a nie płaską szarość, a światło ze świetlika pada zgodnie z geometrią wnętrza - to znaczy, że model nie doklejił światła do gotowej sceny, tylko zbudował je razem z nią.
Makro: kropla rosy na źdźble trawy o wschodzie, mała głębia ostrości, zimne rozmycie w tle.
Tatry we mgle jesienią: warstwy grzbietów rozmywające się w szarość, stonowana paleta.
Krajobraz z warstwami mgły to klasyczny test na to, czy model rozumie głębię. Grzbiety gasną stopniowo, a nie skokowo - dokładnie tak, jak działa perspektywa powietrzna.
Deszczowy przystanek tramwajowy o zmierzchu: odbicia na mokrym asfalcie, ciepłe witryny, dokumentalny charakter.
Pierogi na wyszczerbionym emaliowanym talerzu, z cebulką i kleksem śmietany, drewniany blat, miękkie światło dnia.
Jedzenie zdaje test, który psuje wiele modeli: pierogi wyglądają na ulepione, a nie na wytłoczone z formy - każdy ma inny kształt i inne zagniecenie brzegu.
Zrób to u mnie, bez abonamentu
Jantaris to mój serwis z modelami do obrazów i wideo. Płacisz w złotówkach za pojedynczą generację, BLIK albo karta, a nieudana generacja kosztuje 0 zł. Piszę o nim wprost, bo to mój projekt.
Grafika: poprawnie, ale bez charakteru
Płaska ilustracja wektorowa: lis czytający książkę, trzy kolory, grube kontury. Poprawna, ale bez indywidualnego charakteru.
Ilustracja wektorowa jest czysta, trzyma paletę i ma równe kontury. I to jest jej największy problem: wygląda jak ilustracja stockowa, której nikt nie zapamięta. Model odtwarza konwencję, ale nie wnosi do niej nic własnego.
Ta sama uwaga dotyczy renderu trójwymiarowego - technicznie bez zarzutu, wizualnie widziany tysiąc razy.
Render 3D: miękkie zaokrąglone bryły w pastelowej glinie, subtelne zacienienie, różowe tło.
Projekt postaci: starszy rybak w sztormiaku, malarska ilustracja cyfrowa, neutralne tło.
Projekt postaci wypadł lepiej niż ilustracja płaska - malarskie podejście daje modelowi więcej miejsca na detal, a detal to jest to, w czym jest dobry.
Rozdarte warstwy papieru czerpanego w ochrze i oliwce, ujęcie z góry, wypełnia kadr.
Tekstury to zastosowanie, które łatwo przeoczyć, a jest bardzo praktyczne: tła, podkładki pod nagłówki, wypełnienia. Tu model jest bezkonkurencyjny wobec banków zdjęć, bo generuje dokładnie taką paletę, jakiej potrzebujesz.
Gdzie przebiega granica
| Zastosowanie | Ocena | Uwaga |
|---|---|---|
| Zdjęcie produktowe | bardzo dobre | Materiał i cień poprawne |
| Architektura i wnętrza | bardzo dobre | Światło spójne z geometrią |
| Makro i krajobraz | bardzo dobre | Poprawna głębia i rozmycie |
| Tekstury i tła | bardzo dobre | Paleta na zamówienie |
| Fotografia uliczna | dobre | Nastrój tak, detale drugiego planu słabiej |
| Projekt postaci | dobre | Malarskie lepsze niż płaskie |
| Ilustracja wektorowa | przeciętne | Poprawne, ale generyczne |
| Render 3D | przeciętne | Jak wyżej |
| Drobny tekst w grafice | słabe | Opisane osobno |
Trzy wnioski praktyczne
- Do fotografii - tak, do identyfikacji wizualnej - nie. Model zastąpi bank zdjęć, nie zastąpi grafika projektującego znak.
- Im więcej fizyki w scenie, tym lepiej. Światło, materiał, głębia i faktura to jego mocne strony. Abstrakcja i uproszczenie - słabsze.
- Sprawdź własne zastosowanie, nie cudze. Dziesięć kadrów to kwadrans i ułamek złotówki w prądzie. To tańsze niż czytanie o tym, jak komuś innemu wyszło.
Jak to postawić u siebie, opisałem w instrukcji krok po kroku, a ile to realnie kosztuje - w osobnym wyliczeniu. Całość zebrałem w przewodniku.
Najczęstsze pytania
W czym Qwen-Image-2.1 jest najlepszy?
W fotografii przedmiotowej, architekturze, makro i teksturach - wszędzie tam, gdzie liczy się światło i materiał.
Czy nadaje się do ilustracji?
Do malarskiej i konceptowej tak. Płaska ilustracja wektorowa wychodzi poprawnie, ale generycznie.
Czy zastąpi bank zdjęć?
Do zdjęć rodzajowych, teł i tekstur - w moim teście tak. Do znaków graficznych i identyfikacji - nie.
Ile trwa jeden kadr?
Od 40 do 80 sekund na RTX 4090 w wariancie int8, zależnie od rozdzielczości i obciążenia karty.
Ile kosztuje taka seria?
Dziesięć kadrów to około siedmiu groszy w prądzie. Rachunek rozbieram w osobnym tekście.
Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.
Źródła i data sprawdzenia
Wszystkie dziesięć kadrów wygenerowałem sam 22 września 2026 lokalnie na RTX 4090, modelem Qwen-Image-2.1 w wariancie int8 przez ComfyUI: 25 kroków, euler, cfg 1.0, jedno ziarno dla całej serii, po jednym podejściu na temat, bez retuszu i bez wybierania najlepszego z kilku prób. Oceny w tabeli są moje i subiektywne - to wynik jednego przebiegu, nie pomiar. Wynik 60,28 punktu pochodzi z rankingu opublikowanego przez producenta.
Blokowisko w dziesięciu grach. Co GPT-Image-2.6 robi z jedną scenąArtykuły
Rebranding znanych marek: co Qwen-Image-2.1 zrobił z Coca-Colą, IKEA i ŻabkąWarsztat
Fotografia mody w Qwen-Image-2.1: dwanaście konwencji zdjęciowychWarsztatCały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →
warsztat·Fotografia mody w Qwen-Image-2.1: dwanaście konwencji zdjęciowychModel rozróżnia konwencje zdjęciowe, a nie tylko filtry kolorystyczne. Dwanaście kadrów, żadnej odmowy, anatomia bez błędów.