Modelos de IA locais em 2026: Kandinsky 6, Qwen e FLUX 3

👁 117 leituras

Em outubro de 2026, foram lançados vários modelos abertos que vale a pena rodar no próprio computador: Kandinsky 6.0 para vídeos com áudio, Qwen-Image 2.1 Turbo e FLUX 3 Image Klein para imagens, além de YuE2 para músicas com vocais. Baixei os modelos e os executei no ComfyUI em uma RTX 4090, medindo o tempo de geração, o uso de memória e o desempenho com textos em polonês. A seguir, reúno os resultados e os links para os testes completos.

Como fiz os testes

• Placa RTX 4090 com 24 GB, 64 GB de RAM, processador i9-14900KF e Windows 11.
• ComfyUI 0.41.0, atualizado da versão 0.37, pois a anterior não oferece suporte a FLUX 3, YuE2 e Qwen Turbo.
• Modelos armazenados em um SSD de 8 TB conectado por USB. O primeiro carregamento seria mais rápido em um disco NVMe.
• O tempo vai do envio da tarefa até o arquivo ser salvo. A VRAM é o pico de uso de toda a placa, medido com nvidia-smi.

Comparativo dos modelos

Vídeo: Kandinsky 6.0

É a novidade mais interessante do mês. O Kandinsky 6.0, da Kandinsky Lab, gera imagem e áudio em uma única execução: fala com sincronização labial, efeitos sonoros e música de fundo. A versão Lite tem 3 bilhões de parâmetros e cabe em 24 GB; a Pro tem 29 bilhões e, na RTX 4090, só funciona com parte dos pesos na RAM.

• Na versão Pro, uma frase do teste em polonês foi reproduzida com 7 das 9 palavras reconhecíveis; em inglês, o resultado foi perfeito. A frase exibida aqui é uma tradução do material de teste original em polonês: “Bom dia! Maçãs direto do pomar, doces como mel!”
• A versão Lite é mais de 3 vezes mais rápida, mas distorce a fala em polonês.
• A licença MIT não exclui países. Isso é relevante porque os pesos do concorrente MiniMax H3 não podem ser usados na UE.

O teste de Kandinsky 6.0 Video localmente reúne oito clipes com áudio, uma tabela de tempos e as instruções de instalação.

Imagens: Qwen-Image 2.1 Turbo

Uma versão destilada do modelo aberto de imagens mais bem colocado no ranking da Artificial Analysis. São 8 etapas, em vez de 25, e é difícil perceber a diferença de qualidade sem comparar as imagens lado a lado. No teste original em polonês, as inscrições (em tradução do original polonês: “JAZZ SOBRE O ODRA” e “VINAGRE 12”) foram reproduzidas corretamente, enquanto em outro ponto houve inscrição corrompida no teste original em polonês. Os exemplos textuais abaixo são traduções do material de teste original, não novos testes em português.

O comparativo completo de quatro comandos está no teste de Qwen-Image 2.1 Turbo localmente.

Imagens: FLUX 3 Image Klein

A Black Forest Labs lançou, entre 13 e 15 de outubro, o primeiro modelo aberto da família FLUX 3. O Klein tem 5,6 bilhões de parâmetros e gera imagens a partir de texto, permite edição e cria composições com até 10 imagens de referência. Seu codificador de texto é o Qwen3-VL-4B, e o VAE é o mesmo do FLUX.2. O ComfyUI oferece suporte nativo desde a versão 0.41.

• Arquivos para o ComfyUI: modelo int8 de 5,83 GB, codificador int8 de 4,86 GB e VAE de 0,34 GB.
• O fabricante recomenda explicitamente expandir o comando antes de gerar a imagem, usando um “prompt upsampler” separado com Qwen 3.5 9B ou qualquer modelo de linguagem. Comandos curtos geram imagens genéricas.
• O repositório exige a aceitação da licença FLUX Kommunity. Para baixar os arquivos, é preciso ter uma conta e um token do Hugging Face.

Minha medição: 6-7 s para gerar uma imagem de 1024×1536, com 15 etapas e int8; o pico de uso foi de 7,5 GB de VRAM na placa inteira, mais de duas vezes menos do que o Qwen Turbo. Nos testes originais em polonês, os textos nas imagens tiveram resultados semelhantes aos do Qwen Turbo: a palavra (em tradução do original polonês: “ODRA”) e o número “12” foram reproduzidos corretamente; em outro ponto houve inscrição corrompida no teste original em polonês. Esses exemplos são traduções ou descrições do material original, não novos testes em português. O teste de FLUX 3 Image Klein localmente compara os modelos com os mesmos comandos e explica como baixar os arquivos. O guia FLUX 3 Image em polonês apresenta a versão na nuvem.

Música: YuE2 e comparação entre quatro modelos

Usei o mesmo texto em polonês, uma balada com duas estrofes e dois refrões, nos quatro modelos locais. Depois, analisei os resultados com o Whisper large-v3 e calculei a porcentagem de palavras do texto reconhecidas na gravação. O teste foi feito em polonês; não é uma avaliação em português.

O YuE2 teve o melhor resultado individual em polonês, com 98,8%, e foi perfeito em inglês, mas apresentou grande variação entre as tentativas e sua licença não permite uso comercial. O ACE-Step 1.5 teve o resultado mais consistente e pode ser usado comercialmente. O teste de YuE2 com texto em polonês traz detalhes, amostras de áudio e configurações.

Outros lançamentos que não baixei

• MiniMax H3 (vídeo com áudio, 33B): a licença dos pesos exclui a UE, os EUA, o Reino Unido e a Coreia do Sul. A versão FastH3 reduzida para 8 GB de VRAM não muda essa restrição.
• HY Image 3.5 Preview, da Tencent: passou a ter suporte no ComfyUI em 13 de outubro. Escrevi sobre ele no teste de textos em polonês e edição.
• MAGI-2 e LTX-2.5: comparação no artigo Modelos abertos de vídeo em 2026.

Por onde começar

1. Instale ou atualize o ComfyUI para a versão 0.41 com o guia ComfyUI do zero.
2. Para começar, baixe o FLUX 3 Klein, com cerca de 11 GB e compatível até com placas de 8-12 GB, ou o Qwen-Image 2.1 Turbo, com 7,3 GB + 10 GB de arquivos compartilhados, o mais rápido em placas de 24 GB.
3. Para vídeo, escolha o Kandinsky 6.0 Lite, com 6,4 GB + cerca de 18 GB de arquivos compartilhados.
4. Para músicas, escolha o ACE-Step 1.5, mais consistente nos testes em polonês e com licença MIT, ou o YuE2, com 7,8 GB + 1,4 GB, para letras em inglês e uso privado.

O guia de IA local reúne a lista completa de modelos que testei no computador, inclusive modelos de linguagem.

Perguntas frequentes

Uma placa de vídeo com 16 GB é suficiente?

Para Qwen Turbo, YuE2 e Kandinsky Lite, sim, mas será preciso transferir parte dos pesos para a RAM, e o desempenho será mais lento do que nas minhas medições. Não recomendo o Kandinsky 6 Pro em uma placa de 16 GB.

Quais desses modelos podem ser usados comercialmente?

Kandinsky 6.0 (MIT), DiffRhythm 2 (Apache 2.0) e ACE-Step 1.5 (MIT). Qwen-Image 2.1 Turbo tem licença apenas para pesquisa; YuE2 usa CC BY-NC 4.0. O FLUX 3 Klein tem sua própria licença, FLUX Kommunity. Leia os termos antes de usá-lo para ganhar dinheiro.

Quanto espaço em disco os modelos ocupam?

Todos os modelos desta lista, incluindo o Kandinsky Pro em int8, mas sem a versão oficial em bf16, ocupam cerca de 100 GB. Só o Kandinsky Pro ocupa 30,5 GB em int8 e 60,3 GB em bf16.

Os modelos funcionam no Mac?

Testei apenas no Windows, com uma placa NVIDIA. Alguns modelos têm versões MLX para Mac, como YuE2 e Qwen Turbo, mas não as testei.

Fontes

• Kandinsky 6.0 no Hugging Face
• Qwen-Image 2.1 Turbo no Hugging Face
• FLUX 3 Image Klein no Hugging Face
• YuE2 no Hugging Face
• DiffRhythm 2 no GitHub
• Registro de alterações do ComfyUI
• Medições próprias em uma RTX 4090, em 17 de outubro de 2026.

// continue lendoClonagem de voz com IA no ElevenLabs: 10 s ou 2 min?BenchmarksMelhores IAs: ferramentas para cada tarefaBenchmarks7 modelos locais de IA: Gemma 4 12B na RTX 4090Benchmarks