Qwen-Image-2.1 unifica geração e edição com pesos abertos, a sandbox do Antigravity chega ao Windows, treze verificadores num único conjunto de testes

Ao sábado e ao domingo, os laboratórios ficam em silêncio: nem a DeepSeek, nem a Meta, nem a Ai2, nem a Sakana, nem a Mistral, nem a xAI publicaram fosse o que fosse, e as contas oficiais do domínio dos modelos abertos permaneceram vazias durante dois dias. Houve apenas um verdadeiro lançamento: o Qwen-Image-2.1, publicado no domingo a meio da tarde com pesos abertos. Quase tudo o resto resume-se a cinco artigos do blogue comunitário da Hugging Face, uma versão do Antigravity que não corrige nada e duas entradas do changelog do GitHub recuperadas de 18 de setembro — um dia calmo, que não há razão alguma para exagerar.

Qwen-Image-2.1, um único modelo para gerar, editar e fornecer transparência

20 de setembro — A Qwen publicou o Qwen-Image-2.1, o seu modelo de geração e edição de imagens, com pesos abertos na Hugging Face, ModelScope e GitHub. O argumento não é o tamanho, mas a unificação: a mesma série de pesos abrange a criação a partir de uma instrução textual e o retoque de imagens existentes, quando estes dois usos exigiam dois modelos.

A novidade mais concreta é a transparência nativa: o modelo produz e modifica diretamente camadas RGBA, e é a instrução que determina se o resultado inclui um canal de transparência. A Qwen disponibilizava esta capacidade desde dezembro de 2025 através de um modelo dedicado, o Qwen-Image-Layered, agora incorporado. Desaparece uma etapa de recorte: extrair um elemento de uma fotografia como camada reutilizável ou substituir o texto numa camada transparente.

Quanto à edição, o modelo aceita até 10 imagens de referência para uma mesma composição, e a área a retocar pode ser indicada por um círculo colorido, uma anotação pintada ou uma máscara fornecida separadamente — esta terceira opção existe porque as duas primeiras cobrem o conteúdo original. A eficiência assenta numa atenção de granularidade mista, com as entradas de edição a formarem um contexto estático colocado em cache logo na primeira etapa.

Elemento técnico	Valor anunciado
Parâmetros de geração visual	7 mil milhões, em 32 camadas Single-Stream DiT
Imagens de referência aceites	10 no máximo
Transparência dos resultados	Camadas RGBA nativas, tanto na geração como na edição
Modelo dedicado incorporado	Qwen-Image-Layered, publicado em dezembro de 2025
Compatibilidade desde o primeiro dia	vLLM-Omni e ComfyUI

A Qwen publica uma comparação no Qwen-Image-Bench, mas os respetivos valores aparecem apenas numa imagem do artigo, pelo que não são reproduzidos aqui.

Generate, edit, and create transparent images with one model: a 7.1B DiT paired with Qwen3-VL-8B.

🇵🇹 Gerar, editar e criar imagens transparentes com um único modelo: um DiT de 7,1 mil milhões de parâmetros associado ao Qwen3-VL-8B. — @vllm_project no X

🔗 Anúncio

Qwen Code v0.24.2, voz completa no Web Shell e uma sandbox bwrap mais robusta

O mesmo editor, no mesmo dia, para um produto sem qualquer relação. 20 de setembro — publicada pouco mais de vinte e quatro horas depois da v0.24.1, a v0.24.2 do agente de programação de linha de comandos da Qwen é a primeira da sua série sem qualquer alteração incompatível, enquanto as duas anteriores incluíam uma cada uma.

A sandbox bubblewrap recebe uma infraestrutura completa de execução: lançamento estruturado de processos, supervisão e workers confinados. No mesmo âmbito, um espaço de trabalho cujo nível de confiança não tenha sido decidido passa a exigir uma decisão explícita. Por seu lado, o Web Shell torna a funcionalidade Live Voice realmente utilizável: o modelo e a voz podem ser escolhidos no cartão de configuração, e o nível do microfone é apresentado durante a chamada. Para quem executa várias sessões em paralelo, cada mensagem recebida passa a ser avaliada para a sessão a que se destina, e a cache de prompts é preservada para as ferramentas diferidas.

🔗 Notas de versão

Verificar uma resposta sem escrever um token e uma classificação cujo autor é juiz e parte

20 de setembro — Dois artigos, no mesmo dia, sobre o mesmo conjunto de 2 018 itens. O primeiro apresenta o Zero-Token Confidence: uma sonda lê o último estado oculto do modelo numa única passagem para a frente e daí extrai uma probabilidade calibrada, sem gerar um token. Perguntar-lhe se tem a certeza resulta numa área sob a curva de 0,5000, equivalente ao acaso; ler o seu estado interno resulta em 0,8801, em 0,0615 segundo, contra 1,631 para gerar uma resposta. O segundo submete treze verificadores ao teste: apenas três ultrapassam 0,70, e o ZTC supera o JEV em 0,0014, uma diferença que não permite distingui-los.

O dado mais sólido está noutro ponto: uma referência que analisa apenas o comprimento e a formatação da resposta, nunca o seu conteúdo, atinge 0,7036 e supera oito dos treze sistemas. Há uma ressalva: o autor da classificação não é um terceiro neutro — indica que também mede o seu próprio sistema, sem dizer qual dos treze é o seu, e os dois artigos são publicados no mesmo dia. Os números podem estar corretos; a independência da classificação não está demonstrada.

🔗 ZTC · classificação

Um LoRA de 54 dólares que corrige e estraga ao mesmo tempo

20 de setembro — A ScalablyAI treinou, por 53,88 dólares, dois adaptadores LoRA no Qwen3.8-27B a partir dos 143 145 blocos de utilização de ferramentas deixados pela sua plataforma de agentes e, em seguida, avaliou-os com uma suíte congelada antes da primeira etapa de treino.

O resultado é duplo. Em 73 estados de recuperação após uma chamada de ferramenta rejeitada, o adaptador passa de 31 para 38 êxitos, com sete casos a mudarem a seu favor e nenhum contra. Mas, em 73 decisões de trajetória normal, recua de 49 para 45, uma descida de cinco pontos e meio perante um limite fixado em dois. Como descarregar um adaptador é uma operação atómica, evitar o recuo exigia renunciar ao ganho: ambos foram rejeitados. Daí a arquitetura adotada — 433 regras de memória editáveis de um lado e os pesos deixados intactos do outro.

If every useful experience immediately changes the weights, learning and corruption can become the same operation, and at production sample sizes you cannot tell which one you performed.

🇵🇹 Se cada experiência útil modificar imediatamente os pesos, aprender e corromper podem tornar-se a mesma operação e, com as amostras disponíveis em produção, não é possível saber qual das duas acabou de ser realizada. — pavle-scalably no blogue da Hugging Face

🔗 Relatório completo e registo de provas

SeamFlow coloca as costuras UV onde um artista as colocaria

20 de setembro — Desdobrar uma superfície 3D em 2D obriga a cortá-la; um bom desdobramento coloca essas costuras onde forem menos visíveis. O SeamFlow, apresentado pela Meshy AI com a City University of Hong Kong, a Bambu Lab e a Nanyang Technological University, altera a representação antes do modelo: cada aresta da malha torna-se um token, e a etiqueta binária é relaxada para um valor contínuo, o que permite aplicar o emparelhamento de fluxos (flow matching).

Os benefícios são estruturais: deixa de haver uma etapa de projeção ou uma ordem arbitrária dos tokens, e cada corte previsto coincide com uma aresta existente. Treinado em 350 000 malhas do Objaverse com costuras criadas por profissionais, o modelo coloca os cortes nas dobras: o ângulo diedro médio ao longo das costuras chega aos 67,59 graus, contra 56,65 para o xatlas e 55,97 para o PartUV. Faz o desdobramento em 5,63 segundos, contra 11,46 para uma referência autorregressiva, e é a primeira escolha em 61,0% dos casos, contra 19,1% para o concorrente seguinte.

🔗 SeamFlow

Antigravity 2.15.1 abre a sandbox no Windows, sem a ativar

19 de setembro — A versão 2.15.1 do Antigravity resume-se a uma linha: o isolamento dos ficheiros e da rede numa sandbox chega ao Windows. Uma única melhoria e nenhuma correção, enquanto a versão 2.15.0 do dia anterior acumulava sete melhorias e dezasseis correções — uma adição específica, não uma versão de manutenção.

A diferença em relação ao resto da gama é o verdadeiro tema. No Linux, a sandbox assenta nos namespaces do kernel; no macOS, nos perfis Seatbelt de sandbox-exec; em ambos os casos, está ativa por predefinição. No Windows, a primitiva utilizada não está documentada, a ativação continua a ser manual através de uma caixa «Enable Sandbox Mode (Preview)» e nenhuma das três predefinições de segurança propostas — Default, Full machine, Turbo mode — a ativa: selecionar a caixa muda a predefinição para Custom. A Google anuncia o alinhamento para uma versão futura, sem calendário.

🔗 Changelog do Antigravity

Breves

Cinco anotadores, a mesma instrução, cinco respostas diferentes — em 100 cenas turcas e com uma referência humana de 9 positivos, cinco anotadores automáticos variam entre 0 e 78 positivos, com todos os kappas de Cohen entre 0,000 e 0,185, apesar de uma concordância bruta de 74,7% a 86,3%. O autor, que declara ser o criador do esquema avaliado, recorda que um criador não é um juiz neutro da transferibilidade do seu esquema. 🔗 fonte
A nightly do Gemini CLI de 20 de setembro não contém qualquer alteração — a tag v0.62.0-nightly.20260920.gcfbcaa8df aponta para o mesmo commit do dia anterior, com o mesmo sufixo de hash, e a página da versão não apresenta qualquer secção «What’s Changed». Os canais stable (v0.60.0) e preview (v0.61.0-preview.0) também permanecem inalterados. 🔗 fonte
Eyeball, o plugin do Copilot CLI escrito por um jurista do GitHub, é open source — a ferramenta insere capturas de ecrã do documento original no ponto da cláusula analisada, para que a análise e a respetiva prova possam ser lidas lado a lado. O repositório dvelton/eyeball é público, tem licença MIT, está escrito em Python, conta com 35 estrelas e não recebe qualquer commit desde 5 de abril de 2026. 🔗 fonte
Tokens npm limitados à colocação em espera, desde 18 de setembro — a permissão «Read and write (stage only)» permite que uma cadeia de integração contínua deposite uma versão através de npm stage publish sem poder publicá-la, uma vez que a disponibilização exige a aprovação 2FA de um responsável pela manutenção. O bloqueio é aplicado no lado do registo, inclusive para um token configurado para contornar a 2FA; o npm eliminará essa publicação direta em janeiro de 2027. 🔗 fonte
A regra de cobertura de código também pode ser controlada por API REST desde 18 de setembro — a opção de conjunto de regras «Restrict code coverage», que impõe um limiar mínimo ou limita a descida tolerada numa pull request, passa a estar em disponibilidade geral na API e, portanto, na infraestrutura como código. Reservada ao GitHub Enterprise Cloud e ao GitHub Team, não estando disponível no GitHub Enterprise Server. 🔗 fonte
A Wan destaca a sua funcionalidade Peel-Off Sticker — a conta Alibaba Wan mostra um componente do wan.video que insere uma fotografia pessoal numa cena e a anima com o Wan 3.0. Não se trata de um lançamento: a mensagem não inclui qualquer data de abertura, preço ou medida de qualidade. 🔗 fonte
A Cohere publica quatro fotografias da conferência ALL IN de Montreal — a mensagem de 19 de setembro assinala a presença da Aston Martin F1 e de Magnus Carlsen ao lado da empresa. Nenhum anúncio de produto, nenhum número, nenhuma ligação. 🔗 fonte

O que isto significa

O único lançamento de um modelo durante o fim de semana é aberto e consolida em vez de acrescentar. O Qwen-Image-2.1 não vem juntar-se ao Qwen-Image-Layered: incorpora-o e faz desaparecer um modelo dedicado com nove meses ao integrar a transparência no modelo principal. O mesmo movimento ocorre entre geração e edição, reunidas numa única série de pesos. Para quem produz conteúdos visuais, isto significa uma cadeia mais curta — um modelo para carregar, uma camada RGBA diretamente utilizável, nenhuma etapa de recorte — e o ecossistema acompanhou-o no próprio dia, com o vLLM-Omni e o ComfyUI operacionais desde a publicação.

Três artigos de domingo abordam a mesma preocupação sob três perspetivas: saber se é possível confiar no que um modelo produz e a que preço. O Zero-Token Confidence responde através do custo — 0,0615 segundo contra 1,631, porque um verificador que gera tokens concorre com o agente pelo mesmo orçamento. A classificação dos treze verificadores responde através da medição, e o seu ensinamento é desagradável para o setor: uma referência que apenas analisa o comprimento e a formatação de uma resposta supera oito em treze. O limiar a ultrapassar para provar que um verificador realmente lê é, portanto, mais elevado do que aquilo que a maioria apresenta — e o facto de o seu autor reconhecer que também mede o próprio sistema aconselha a esperar por uma reprodução realizada por terceiros.

O relatório da ScalablyAI acrescenta a dimensão que falta aos outros dois: a reversibilidade. Uma atualização de pesos de 54 dólares produziu, no mesmo artefacto, um ganho medido na recuperação após uma falha e uma possível perda nas decisões corretas, com uma amostra em que a produção não consegue distingui-los. Como não é possível descarregar metade de um adaptador, foi necessário deitar tudo fora. A conclusão operacional — o conhecimento barato de desfazer fica em ficheiros de texto, e os pesos só são alterados após passarem por uma suíte congelada — é um contraponto útil ao discurso sobre a IA que se melhora a si própria.

Quanto às ferramentas, o isolamento através do sistema operativo está a tornar-se uma base em vez de uma opção. O Qwen Code transforma o bubblewrap numa infraestrutura interna de execução, o Antigravity leva a sua sandbox ao Windows e o npm cria um token que prepara uma versão sem a poder publicar: três editores que, em três dias, transferem a segurança do discurso para o valor predefinido. Com uma ressalva no caso do Windows: uma sandbox que tem de ser ativada manualmente e que nenhuma das três predefinições propostas ativa ainda não é uma proteção por defeito, e a diferença em relação ao macOS e ao Linux permanece intacta enquanto a Google não apresentar um calendário.