O modelo de geração de imagens mais poderoso da China chegou: o Wan2.7-Image traz capacidades de cadeia completa que abrangem geração de texto para imagem, criação de conjuntos de imagens, edição de imagens por instruções e edição interativa. Em testes cegos de preferência humana, sua saída de texto para imagem superou o GPT-Image 1.5 e os principais modelos nacionais, além de se aproximar do Nano Banana Pro em renderização de texto, realismo fotográfico e métricas de conhecimento de mundo.
Adeus ao “Rosto de IA” Genérico
Para romper com a uniformidade do típico rosto gerado por IA, o Wan2.7-Image aprimora a personalização de personagens virtuais: esculpimento facial completo, da estrutura óssea e dos olhos até os traços mais finos — mude o formato do rosto no prompt (oval, redondo) e veja todo o retrato acompanhar a mudança. É a diferença entre gerar uma pessoa e projetar uma.
Artistas e designers precisam de controle preciso de cores, e cartazes comerciais exigem paletas rigorosas — mas a geração de imagens por IA sempre foi uma loteria de cores. O Wan2.7-Image adiciona um novo recurso de “paleta”: os usuários extraem ou inserem cores por código Hex com proporções exatas a partir de uma imagem de referência, transformando a cor de uma aposta em uma especificação.
Renderização de Textos Ultra-Longos
Textos longos sempre foram a vergonha permanente da geração de imagens por IA — caracteres borrados, conteúdo embaralhado, passagens inteiras silenciosamente descartadas. Usando um Long Context Text Encoder para analisar sequências superlongas, o Wan2.7-Image renderiza textos ultra-longos, tabelas e fórmulas complexas em qualidade gráfica, em 12 idiomas, com entrada de até 3K tokens de texto. Cartazes, infográficos e mockups de documentos tornam-se alvos de geração de primeira classe, em vez de retoques posteriores no Photoshop.
Conjuntos de Imagens e Edição Interativa
O modelo também gera conjuntos de até 12 imagens — ideal para séries no mesmo estilo, pacotes de ilustrações para PPT, frames de storyboards, pranchas de modelos para e-commerce e vistas arquitetônicas em múltiplos ângulos. E ele suporta nativamente um módulo de edição interativa: desenhe uma caixa precisa e adicione, alinhe ou mova elementos ou logotipos dentro dela, alcançando alinhamento em nível de pixel com a sua intenção, em vez de regerar a imagem inteira e torcer.
Os Avanços Técnicos
Os ganhos de compreensão do Wan2.7-Image derivam de três melhorias na arquitetura e no treinamento: uma base de dados de treinamento de material visual heterogêneo em escala ultra e cobrindo todas as principais categorias; uma arquitetura de modelo unificada de geração e compreensão que compartilha um espaço latente para mapeamento semântico; e anotação fina multidimensional — um sistema de rotulagem construído sobre layout, texto, iluminação, ângulo de câmera e uso pretendido, para que o modelo aprenda não apenas como as imagens são, mas por que foram feitas daquela maneira.
A importância desses recursos fica mais evidente quando os mapeamos para gargalos reais de produção. Considere o fluxo de trabalho de e-commerce: hoje, um vendedor precisa de uma foto de modelo, depois contrata fotografia para close-ups e, em seguida, paga um designer para compor imagens de cenário — três fornecedores e uma semana. Um modelo que gera o conjunto em uma única passada, com as cores da marca exatas da paleta, reduz isso a uma tarde, e a consistência das 12 imagens importa justamente porque o e-commerce nunca entrega apenas uma imagem. Ou considere o problema de cartazes que o recurso de paleta ataca: os guias de marca especificam valores hexadecimais exatos, e até agora os modelos generativos só conseguiam se aproximar deles, forçando recolorizações manuais que anulavam a automação. São restrições nada glamurosas, mas é para onde os orçamentos de design realmente vão.
A renderização de textos longos merece destaque próprio, porque desbloqueia a geração em nível de documento que os modelos ocidentais ainda tratam como demonstração de pesquisa. Um orçamento de renderização de 3K tokens significa que um infográfico inteiro com anotações, um layout de uma página com corpo de texto ou uma lâmina de slides com fórmulas pode surgir como arte finalizada — com inspeção editável incluída por meio da edição interativa por seleção de caixa. Combinada com a arquitetura unificada de geração-compreensão, fica claro que o modelo mira o pipeline de visuais comerciais, e não o mercado de brinquedos artísticos — e esse posicionamento, somado aos resultados dos testes cegos contra o GPT-Image 1.5, torna o Wan2.7-Image um contendiente real na camada de texto para imagem avaliada por equipes criativas. Equipes que executam campanhas localizadas em qualquer um dos 12 idiomas suportados devem colocar sua renderização em qualidade gráfica no topo da lista de avaliação.
Um olhar mais profundo sobre o que essas capacidades significam na produção deixa o argumento ainda mais claro. O módulo de edição interativa merece atenção especial porque aborda a objeção central que designers profissionais têm feito contra ferramentas generativas desde seu surgimento: a perda de autoria. Um sistema que regenera a imagem inteira em resposta a um prompt de texto remove o designer do processo; um sistema que aceita uma caixa precisa, um elemento e uma instrução de alinhamento mantém o humano como diretor de arte e o modelo como chão de produção. Essa é a diferença entre uma ferramenta que compete com designers e uma que eles realmente adotarão — e o alinhamento de intenção em nível de pixel do Wan2.7-Image sugere que a Alibaba entende de que lado dessa linha vive o mercado comercial.
A arquitetura unificada de geração-compreensão é a outra aposta estrutural. Historicamente, modelos de imagem que geravam bem compreendiam mal, e modelos de compreensão geravam mal, forçando as equipes a encadear múltiplos serviços. Um espaço latente compartilhado significa que o mesmo modelo que renderiza seu cartaz também lê seu mockup de referência, extrai sua paleta e entende qual região a caixa de instrução mira — um serviço dentro do orçamento de latência e custo, em vez de três. Para os verticais de curtas-drama e cinema, essa arquitetura permite consistência de estilo de storyboard a storyboard em um conjunto de 12 imagens que antes exigia uma equipe de arte dedicada; para a educação, significa figuras e livros ilustrados em que o texto não é uma escrita alienígena ilegível, mas conteúdo corretamente renderizado e corretamente escrito. Esses verticais são onde os modelos de imagem deixam de ser demonstrações e passam a ser infraestrutura — e o Wan2.7-Image se posicionou firmemente para essa transição.
Para Quem Ele Serve
- Curtas-drama e cinema: o sistema de esculpimento facial somado à geração de storyboards para produção visual seriada
- Criadores e mídia: capas em múltiplos estilos e imagens de moda look do dia
- E-commerce: uma foto de modelo expandida em close-ups e imagens de venda contextualizadas
- Educação e pesquisa: figuras de artigos, infográficos e livros infantis ilustrados
Disponível agora no site do Tongyi Wanxiang e no Alibaba Cloud Bailian. Com texto em qualidade gráfica, controle de cores em nível de designer e edição em nível de pixel, o Wan2.7-Image sinaliza para onde a geração de imagens está indo: de brinquedo novidade a ferramenta de produção. Fonte: QbitAI.
