Modelli di immagini in locale: da SDXL a Qwen-Image

Generare immagini senza passare da una nube è ormai alla portata di una scheda video da casa. In tre anni si è passati da SD 1.5, che girava anche su 6GB di VRAM, a Qwen-Image 2.1, che produce e modifica immagini fino a 2048x2048 in locale. In questo articolo capiamo come funzionano questi modelli, quanti GB di VRAM servono davvero e quale scegliere in base al tuo hardware.

Perché generare immagini in locale

I motivi pratici sono quattro. Primo, i costi: una volta installato, un modello di immagini non richiede abbonamenti né crediti, e puoi generare quante immagini vuoi senza contatori. Secondo, la disponibilità: la generazione funziona anche senza connessione, sul tuo hardware, quando vuoi. Terzo, il controllo: le tue immagini, i tuoi prompt e i tuoi dati non escono dalla macchina. Quarto, la privacy: per chi pubblica contenuti commerciali, sapere che nessuna richiesta passa per un server di terze parti è una differenza concreta.

La qualità non è più un compromesso: i modelli open-weight di oggi (FLUX, Qwen-Image) producono fotorealismo, anatomie e rendering del testo che competono con i servizi cloud di un anno fa. Il prezzo da pagare è la VRAM, e qui conviene essere chiari sui numeri.

Come funzionano i diffusion model

Tutti i modelli citati in questa guida appartengono alla famiglia dei diffusion model. L'idea di base: il modello impara a invertire un processo di rumore. Si parte da un'immagine, si aggiunge rumore fino a ottenere puro statico, e la rete impara a "pulire" quel rumore passo dopo passo. Alla generazione si fa il contrario: si parte da rumore casuale e, in una ventina (o qualche decina) di passaggi, si arriva all'immagine.

Il parametro che conta per la qualità è la quantità di passaggi, detta step: più step, più raffinata è l'immagine, ma più tempo serve. La differenza moderna è architettonica. I modelli della generazione SDXL usano una rete U-Net, un'architettura a convoluzioni con connessioni a ponte. I modelli più recenti, da FLUX in poi, usano il DiT (Diffusion Transformer): invece di convoluzioni, trasformano l'immagine in una sequenza di "token" che un transformer attraversa, esattamente come un modello linguistico attraversa le parole.

Il DiT scala meglio: più parametri, più dati, più qualità. È per questo che FLUX (12B parametri) e Qwen-Image (20B) producono risultati che SDXL (2,6B) non raggiunge a parità di prompt. C'è un rovescio: più parametri significa più VRAM e più tempo di calcolo.

Da SDXL a Qwen-Image: la linea temporale

SD 1.5 (2022) è il classico: 512px nativi, 6-8GB di VRAM, e l'ecosistema di LoRA e ControlNet più vasto in assoluto. Ancora oggi, per sperimentare rapidamente o addestrare personalizzazioni su pochi dati, resta imbattibile.

SDXL 1.0 (2023) porta a 2,6B parametri, 1024x1024 nativi e un doppio codificatore di testo (CLIP + OpenCLIP), che tradotto significa: segue meglio i prompt complessi e compone scene più coerenti. È lo standard del fotorealismo accessibile, con un enorme ventaglio di fine-tune.

FLUX (2024) segna il cambio di architettura. I 12B parametri del DiT portano aderenza al prompt, anatomia e soprattutto rendering del testo a un livello che U-Net non raggiunge. Esiste in due varianti: [schnell], distillata in pochi step e rilasciata con licenza Apache 2.0, e [dev], la versione completa da usare per lavori seri.

Qwen-Image (2025) arriva da Alibaba con 20B parametri e un'altra novità: la comprensione del testo nelle immagini è eccellente, e le istruzioni di editing sono seguite con precisione. La versione compatta Qwen-Image 2.1 (2026) condensa tutto in 7B: genera fino a 2048x2048, modifica usando fino a 10 immagini di riferimento e produce trasparenza RGBA nativa, il tutto in un unico modello.

Quanti GB di VRAM servono davvero

Qui i numeri contano più delle pubblicità. Le cifre sotto valgono con la quantizzazione a 4 bit (Q4_K_M, il formato di riferimento per l'uso locale) e 20-30 step:

Modello	Parametri	Risoluzione nativa	VRAM consigliata	Architettura
SD 1.5	~0,9B	512px	6-8GB	U-Net
SDXL 1.0	2,6B	1024px	12GB	U-Net
FLUX.1 [schnell]	12B	1024px	16GB	DiT
FLUX.1 [dev]	12B	1024px	16-24GB	DiT
Qwen-Image 2.1	7B	2048px	16GB	DiT

In pratica: con 8GB vai su SDXL quantizzato o SD 1.5 a piena qualità; con 12GB SDXL è comodo e i fine-tune girano bene; con 16GB FLUX quantizzato e Qwen-Image 2.1; con 24GB FLUX [dev] a piena qualità. Una nota onesta: le immagini a 2048px di Qwen-Image richiedono più memoria intermedia degli step rispetto al 1024px, quindi su una 16GB tieni il batch a 1-2.

Dove si usano: ComfyUI, Fooocus, Diffusers

Il modello è solo la metà. L'altra metà è il software che lo fa girare:

ComfyUI è lo standard dei workflow a nodi: ci colleghi il modello, l'encoder di testo, i sampler e i blocchi di editing, e costruisci pipeline precise. È quello che usi quando vuoi ripetere esattamente lo stesso risultato.

Fooocus è la via semplice: un'interfaccia in stile Midjourney, un prompt e un clic, e genera con SDXL senza toccare parametri. È il modo più veloce per capire che aspetto ha il tuo hardware.

Diffusers (la libreria di Hugging Face) è il riferimento per chi programma: pochi righe di codice per caricare SDXL, FLUX o Qwen-Image 2.1 e generare da script, con supporto nativo per la quantizzazione.

Quale modello scegliere

Sei casi concreti. Prodotto o catalogo fotografico: SDXL per volume, FLUX [dev] per i hero shot con testo. Prototipazione creativa veloce: SD 1.5 con i tuoi LoRA, perché è il più veloce e il più personalizzabile. Loghi, icone e grafica con testo: FLUX o Qwen-Image, l'unico capace di scrivere parole leggibili nell'immagine. Editing e ritocchi: Qwen-Image 2.1, perché editing, trasparenza e multi-riferimento sono nel modello stesso. Immagini con sfondo trasparente da comporre: Qwen-Image 2.1, l'unico con RGBA nativo. Sperimentare con poca VRAM: SD 1.5 o SDXL quantizzato, per capire i flussi prima di passare a un modello più grande.

La regola pratica è semplice: parti dal modello che gira comodo sul tuo hardware e dai un giro a FLUX o Qwen-Image quando la qualità del testo o l'editing diventano il punto. Il confronto fianco a fianco lo trovi nella pagina risorse, dove ogni modello ha scheda, requisiti e link.

Fonti

I dati tecnici sono verificati sulle pagine ufficiali: Stable Diffusion XL 1.0 (Hugging Face), FLUX.1 (Black Forest Labs), Qwen-Image 2.1 (Qwen) e il blog tecnico Qwen-Image.

Articolo generato con IA