Benchmark do Qwen-Image-2.1 coloca pesos abertos em primeiro, mas classificação geral permanece em 18º
O Qwen-Image-2.1 alcançou o primeiro lugar entre modelos de pesos abertos em dois testes da Artificial Analysis, apesar de figurar em 18º no geral em ambos os rankings. O resultado do benchmark do Qwen-Image-2.1 representa uma vitória relevante para a Alibaba em geração de imagens a partir de texto e edição de imagens baseada em instruções.
A Artificial Analysis afirma ter implantado localmente os pesos disponibilizados para sua avaliação. Esse detalhe diferencia o Qwen-Image-2.1 de serviços hospedados, cujos provedores controlam o modelo, a infraestrutura e o pipeline de saída.
No entanto, o resultado não torna o Qwen-Image-2.1 o melhor modelo de imagem disponível. Sistemas proprietários ainda ocupam as 17 primeiras posições em ambas as listas gerais. A disputa real é entre pesos de modelos acessíveis e serviços fechados que continuam liderando em qualidade absoluta.
O Benchmark do Qwen-Image-2.1 Produziu Duas Vitórias Distintas
O Qwen-Image-2.1 lidera sua categoria de pesos abertos em duas tarefas distintas, mas sua posição geral mostra quanto terreno ainda resta percorrer.
A Artificial Analysis divulgou os resultados em uma avaliação local de 30 de setembro. A organização de testes afirmou ter executado o Qwen-Image-2.1 em sua própria infraestrutura, em vez de depender de uma API controlada pelo criador.
No AA-Image-T2I v2.0, o Qwen-Image-2.1 tem uma pontuação Elo de 1.034, com intervalo de 95% reportado entre 1.024 e 1.044. O modelo acumulou 5.286 amostras de avaliação no retrato do ranking disponível em 2 de outubro.
Essa pontuação o coloca em 18º no ranking completo de texto para imagem. Ele fica em primeiro quando o mesmo ranking é filtrado para modelos com pesos disponíveis para download.
O Ideogram 4.0 Quality ocupa a segunda posição nesse grupo de pesos abertos. Sua pontuação é 1.011, com intervalo de 1.004 a 1.018 em 12.176 amostras.
As estimativas pontuais dão ao Qwen-Image-2.1 uma vantagem de 23 pontos. Os intervalos de confiança reportados também não se sobrepõem, fornecendo evidências mais fortes do que uma simples diferença de uma posição no ranking.
A avaliação de texto para imagem mede a capacidade de gerar uma nova imagem a partir de um prompt escrito. Ela abrange tarefas como publicidade, imagens de produtos, arquitetura, diagramas, entretenimento e conteúdo para criadores.
O resultado de edição de imagens é próximo, mas menos conclusivo. O Qwen-Image-2.1 marca 1.074, com intervalo reportado de 1.065 a 1.083 em 5.536 amostras.
Essa pontuação também o coloca em 18º no geral. Ela ainda torna o modelo a entrada de pesos abertos mais bem classificada no ranking de edição.
O HunyuanImage 3.0 Instruct, da Tencent, vem em seguida, com 1.066 pontos. Seu intervalo reportado vai de 1.057 a 1.075 em 5.221 amostras.
Assim, o Qwen lidera o HunyuanImage por oito pontos na estimativa exibida. No entanto, seus intervalos se sobrepõem substancialmente, e a Artificial Analysis atribui a ambos os modelos uma possível faixa de classificação entre primeiro e segundo entre os pesos abertos.
A interpretação responsável é limitada. O Qwen-Image-2.1 atualmente detém a pontuação exibida mais alta, mas o teste de edição não estabelece uma diferença de qualidade inequívoca em relação ao HunyuanImage.
Ambos os resultados continuam significativos porque geração e edição criam exigências técnicas diferentes. Um modelo pode compor cenas atraentes e, ao mesmo tempo, ter dificuldades para preservar identidades, layouts ou áreas intactas durante uma edição.
O Qwen-Image-2.1 apresenta desempenho competitivo nos dois modos em uma única versão disponível para download. Essa combinação, e não qualquer uma das pontuações isoladamente, torna o resultado mais relevante para desenvolvedores.
Por Que o Primeiro Lugar Entre Pesos Abertos Importa
O benchmark desloca a discussão sobre pesos abertos da disponibilidade básica para um desempenho crível em fluxos de trabalho visuais completos.
A Alibaba lançou o Qwen-Image-2.1 em 20 de setembro. A empresa o descreve como um modelo unificado para geração de imagens, edição de imagens e produção de imagens transparentes.
Seu componente de geração visual contém 7 bilhões de parâmetros e 32 camadas de transformador de difusão de fluxo único. Um transformador de difusão usa atenção no estilo transformer enquanto transforma iterativamente ruído em uma imagem solicitada.
O número de 7 bilhões aplica-se especificamente a esse componente visual. Ele não deve ser interpretado como o tamanho total de todos os componentes de suporte necessários para o pipeline.
De acordo com o lançamento oficial da Qwen, o modelo pode usar até dez imagens de referência. Ele também aceita círculos, anotações desenhadas e máscaras para edição localizada.
Esses controles atendem a trabalhos práticos de produção. Um varejista poderia preservar um produto ao mudar seu fundo, iluminação ou objetos ao redor. Um designer poderia isolar um objeto com transparência sem reconstruir manualmente o ativo.
O modelo também gera imagens RGBA, que incluem um canal de transparência além dos dados de cor vermelho, verde e azul. Isso torna fundos transparentes uma saída nativa, em vez de uma etapa separada de remoção.
A implantação local muda o modelo operacional em torno dessas capacidades. As equipes podem inspecionar os arquivos, escolher sua infraestrutura e criar fluxos de trabalho sem enviar cada entrada por um endpoint remoto de geração.
Isso importa quando imagens de origem contêm produtos ainda não lançados, materiais de campanha, informações de clientes ou ativos internos de design. A execução local não resolve automaticamente a governança, mas amplia a superfície de controle disponível.
Pesos disponíveis para download também permitem que desenvolvedores testem quantização, otimização de memória, cronogramas de inferência personalizados e adaptadores específicos para tarefas. Eles podem medir as contrapartidas em seu próprio hardware e com seus próprios prompts.
Um serviço proprietário hospedado normalmente oferece menos controle sobre essas camadas. O provedor seleciona a revisão do modelo, o sistema de segurança, a infraestrutura e a interface compatível.
A contrapartida é a responsabilidade operacional. Um modelo disponível para download ainda requer hardware adequado, software compatível, armazenamento, monitoramento e profissionais capazes de manter a implantação.
O cartão público do modelo Qwen inclui uma opção de descarregamento para CPU, voltada a reduzir a pressão sobre a memória do acelerador. O descarregamento move componentes selecionados entre a memória do sistema e o acelerador durante a inferência.
Essa técnica amplia a compatibilidade de hardware, mas pode aumentar a latência. Organizações menores ainda precisam avaliar se o controle local justifica o trabalho adicional de engenharia.
O lançamento também usa o Qwen Research License Agreement. É por isso que “pesos abertos” é mais preciso do que tratar o modelo como software open source sem restrições.
Pesos abertos significa que os parâmetros treinados estão disponíveis para download sob os termos de licença estabelecidos. Open source normalmente implica direitos mais amplos e acesso aos materiais completos de desenvolvimento.
A terminologia importa para o planejamento comercial. Um modelo pode ser implantado localmente sem conceder todos os direitos que desenvolvedores associam a uma licença de software permissiva.
A Artificial Analysis identifica o Qwen-Image-2.1 por meio de um link para pesos disponíveis para download, em vez de uma API hospedada pelo criador. Portanto, o benchmark testa o artefato que desenvolvedores podem obter, não apenas um serviço de marca.
Isso torna o resultado relevante para equipes que escolhem entre infraestrutura visual local e APIs de imagem fechadas. Ele lhes oferece evidências independentes de que o acesso não exige mais aceitar qualidade de nível inferior.
A classificação geral em 18º ainda impede uma afirmação mais ampla. O Qwen-Image-2.1 reduz a lacuna prática, mas não elimina a liderança de qualidade medida, mantida por sistemas proprietários.
Qwen-Image-2.1 vs Ideogram 4.0 Muda a Disputa de Geração
O Qwen-Image-2.1 agora tem a liderança de geração medida mais clara entre modelos disponíveis para download, exercendo pressão direta sobre o lançamento do Ideogram focado em qualidade.
A comparação Qwen-Image-2.1 vs Ideogram 4.0 é a mais clara das duas disputas de benchmark. Ambos os modelos publicam pesos disponíveis para download e competem por fluxos de trabalho criativos intensivos em geração.
O Ideogram 4.0 Quality registra uma pontuação Elo de 1.011. O Qwen-Image-2.1 chega a 1.034 sob a mesma estrutura AA-Image-T2I v2.0.
Essa diferença reflete a preferência humana entre resultados pareados. Ela não mede correção factual, adesão ao prompt, tipografia ou apelo visual como pontuações isoladas.
A Artificial Analysis calcula suas classificações a partir de comparações às cegas. Avaliadores veem imagens concorrentes sem saber qual sistema criou cada uma e, então, selecionam a saída preferida.
Sua atual metodologia de benchmark utiliza dez categorias práticas. Elas vão de varejo e publicidade a arquitetura, trabalho do conhecimento, design de interfaces e conteúdo social.
A organização atualiza seu conjunto de prompts mensalmente. Isso reduz a dependência de uma coleção permanentemente fixa, embora nenhum conjunto finito de prompts possa representar todas as tarefas de produção.
O benchmark também ancora seus modelos abertos e fechados em uma escala geral compartilhada. Esse desenho permite que a liderança de pesos abertos do Qwen coexista com sua posição em 18º.
Essa distinção é importante para compradores. “Melhor modelo de pesos abertos” responde a uma questão de implantação, enquanto “melhor modelo no geral” responde a uma questão mais ampla de qualidade.
Uma organização que exige pesos disponíveis para download poderia colocar o Qwen em primeiro lugar em sua lista de opções. Outro comprador focado apenas na maior qualidade de benchmark ainda tem 17 opções mais bem classificadas.
O Ideogram também continua competitivo. Seu intervalo de confiança termina em 1.018, enquanto o do Qwen começa em 1.024, mas os resultados do benchmark podem mudar à medida que mais comparações são realizadas.
As contagens de amostras diferem consideravelmente. O Ideogram 4.0 Quality tem mais que o dobro de amostras registradas, dando à sua estimativa um intervalo mais estreito.
As 5.286 amostras do Qwen ainda superam o requisito publicado pela Artificial Analysis para um modelo classificado. A organização afirma que modelos atuais precisam de pelo menos 500 aparições na arena para receber uma classificação no ranking.
O resultado de geração não estabelece que o Qwen vence em todas as categorias. O Elo geral de um modelo combina preferências em tarefas variadas, e os usuários podem atribuir pesos diferentes a essas tarefas.
Uma equipe de marketing pode se importar mais com tipografia legível, fidelidade à marca e controle de layout. Um artista conceitual pode priorizar textura, composição e variedade estilística.
A Qwen destaca melhorias em tipografia, retratos e texturas detalhadas. Essas afirmações vêm da Alibaba e devem ser testadas com materiais reais de projetos antes da adoção.
O suporte do modelo a múltiplas referências acrescenta outra dimensão que uma única pontuação geral não consegue captar. Trabalhos intensivos em referências podem depender mais de consistência do que de qualidade visual irrestrita.
Uma equipe de produto poderia fornecer várias fotografias de um item e, então, solicitar novas composições preservando sua aparência. O resultado precisa manter formato, rotulagem e detalhes reconhecíveis.
Esse cenário combina geração com preservação de identidade. Ele ilustra por que um ranking geral deve iniciar a avaliação, e não encerrá-la.
Ainda assim, o resultado muda a base competitiva. O Ideogram não detém mais a principal pontuação exibida de texto para imagem entre lançamentos de pesos abertos neste benchmark.
O Qwen passa a ser o alvo de comparação para o próximo modelo de geração disponível para download. Um novo participante precisará superar 1.034 e também demonstrar que a vantagem se mantém com votações adicionais.
Provedores proprietários enfrentam uma forma diferente de pressão. Eles não precisam responder porque o Qwen está em 18º, mas precisam justificar manter fechados a implantação e o controle do modelo.
À medida que a qualidade dos pesos abertos aumenta, compradores podem exigir benefícios mais claros dos sistemas hospedados. Esses benefícios podem incluir maior qualidade de saída, menor carga operacional, geração mais rápida ou controles empresariais mais robustos.
O benchmark não determina qual pacote gera o menor custo total. Ele avalia preferência de saída, não aquisição de hardware, trabalho de manutenção ou integração de fluxos de trabalho.
Ainda assim, o componente visual compacto da Qwen cria uma proposta atraente. Ele combina qualidade geral respeitável com um nível de controle que provedores fechados normalmente não oferecem.
A Vantagem de Edição Sobre HunyuanImage É Real, Mas Estreita
Qwen-Image-2.1 detém a maior pontuação de edição exibida entre os pesos abertos, mas a incerteza estatística mantém HunyuanImage 3.0 Instruct ao alcance.
A edição de imagens costuma ser menos tolerante a erros do que a geração do zero. O modelo precisa alterar a região solicitada, preservando tudo o que a instrução deixa intacto.
Artificial Analysis testa alterações de objetos, nova iluminação, restauração, reenquadramento, preservação de identidade, tipografia e edições baseadas em raciocínio. Cada solicitação inclui uma imagem de entrada e uma instrução escrita.
Essa estrutura se assemelha mais ao trabalho real de pós-produção do que pedir a um modelo que crie uma imagem sem relação com a original. Pequenas mudanças indesejadas podem tornar inutilizável um resultado que, de outro modo, seria atraente.
Qwen-Image-2.1 registra 1.074 pontos nesse teste. HunyuanImage 3.0 Instruct registra 1.066, colocando os modelos em primeiro e segundo lugar entre as entradas de pesos abertos.
A separação de oito pontos merece atenção porque ambos os modelos usam milhares de saídas avaliadas. No entanto, os intervalos se sobrepõem entre 1.065 e 1.075.
Essa sobreposição significa que a ordem exibida pode mudar à medida que mais preferências chegam. Também significa que leitores devem evitar transformar o resultado em uma alegação abrangente de superioridade.
O design unificado da Qwen ainda lhe confere valor estratégico. Desenvolvedores podem usar um único pipeline para a geração inicial e a edição posterior, em vez de manter modelos desconectados.
Uma equipe criativa pode gerar uma cena de produto, substituir um objeto, corrigir texto visível e exportar o assunto com transparência. Em teoria, um modelo pode cobrir toda essa cadeia.
A vantagem está na consistência e na simplicidade de integração. O risco é que um modelo generalista talvez não lidere sistemas especializados em todas as etapas.
HunyuanImage 3.0 Instruct continua sendo o desafiante imediato mais forte na categoria de edição com pesos abertos. Sua pontuação reportada está estatisticamente próxima do resultado atual da Qwen.
O modelo da Tencent, portanto, oferece o teste de pressão adequado. Se a Qwen mantiver a liderança à medida que as contagens de amostras de ambos crescerem, o resultado se tornará mais convincente.
A competição também mostra que desenvolvedores chineses de modelos agora ocupam as duas primeiras posições nessa comparação de edição com pesos abertos. Alibaba e Tencent buscam modelos visuais acessíveis ao lado de produtos hospedados.
Esta não é simplesmente uma história geográfica. Ela reflete uma estratégia de desenvolvimento que usa lançamentos para download para acelerar experimentação, integrações e otimização pela comunidade.
Comunidades locais frequentemente produzem versões quantizadas logo após um lançamento. A quantização reduz a precisão numérica para diminuir os requisitos de memória, geralmente com algum risco para a qualidade.
Fluxos de trabalho da comunidade também podem adicionar schedulers alternativos, adaptadores e interfaces de aplicação. Essas mudanças ajudam na adoção, mas complicam comparações com a configuração original avaliada.
Artificial Analysis afirma que hospedou Qwen-Image-2.1 localmente. Portanto, leitores devem distinguir sua configuração medida de versões comunitárias amplamente modificadas.
Uma compilação quantizada executada em hardware de consumo pode se comportar de modo diferente do modelo avaliado. Latência, consumo de memória e qualidade de imagem podem variar.
A documentação do modelo oficial oferece suporte à geração de texto para imagem, edição e várias dimensões de imagem. Seu fluxo de trabalho de exemplo usa 40 etapas de inferência.
Etapas de inferência são estágios repetidos de remoção de ruído usados para construir a imagem final. Mais etapas podem aumentar o tempo de processamento sem garantir ganhos proporcionais de qualidade.
A mesma documentação mostra saídas de até aproximadamente dimensões 2K em várias proporções de aspecto. As necessidades reais de memória dependem de resolução, precisão, offloading e componentes de suporte.
Esses detalhes de implementação importam porque um líder em edição que não cabe no hardware de uma equipe não é automaticamente a melhor escolha operacional.
Desenvolvedores devem reproduzir várias tarefas de alto valor antes de se comprometerem. Testes úteis incluem alterações que preservam a identidade, substituição exata de texto, consistência de produto, máscaras e composição com múltiplas referências.
Eles também devem repetir prompts com várias sementes aleatórias. Um modelo que ocasionalmente produz um resultado excelente ainda pode falhar em um requisito de confiabilidade de produção.
A posição da Qwen no benchmark justifica uma avaliação séria. Ela não elimina a necessidade dessa avaliação, especialmente enquanto Hunyuan permanece dentro da faixa de incerteza reportada.
O Que os Rankings Não Provam
Os rankings medem preferência humana sob um teste definido, não qualidade universal, confiabilidade de produção, adequação jurídica ou eficiência operacional.
Elo é uma medida relativa. Uma pontuação depende dos modelos, saídas, prompts e votos incluídos no grupo de comparação.
O número 1.034 não tem significado autônomo fora deste benchmark. Seu valor vem da posição da Qwen em relação a outros modelos avaliados sob o mesmo sistema.
Artificial Analysis combina votos de um painel recrutado com votos públicos históricos elegíveis. Aplica filtragem e usa estimação Bradley-Terry antes de apresentar o resultado em uma escala semelhante ao Elo.
Esse processo é mais informativo do que um criador selecionar seus melhores exemplos. Ainda assim, depende de preferências humanas, que podem variar conforme o público e o caso de uso.
O ranking também muda ao longo do tempo. Novos modelos entram, mais amostras se acumulam e conjuntos de prompts recebem atualizações.
Qwen-Image-2.1 ocupa a 18ª posição nas duas listas gerais no retrato de 2 de outubro. Esses números devem ser tratados como posições datadas, e não como rótulos permanentes.
A liderança em texto para imagem parece mais forte porque os intervalos de confiança não se sobrepõem aos de Ideogram 4.0 Quality. A liderança em edição exige mais cautela porque Qwen e Hunyuan se sobrepõem.
Nenhum dos resultados prova precisão de prompts em todos os idiomas. Também não estabelece ortografia consistente, saídas comerciais seguras ou conformidade com exigências de marca.
A Qwen afirma que o modelo melhora tipografia, preservação de identidade e detalhes visuais. Essas são alegações do criador até que uma equipe as valide segundo seus próprios critérios de aceitação.
A revisão de licença apresenta outro requisito separado. Pesos disponíveis para download não eliminam obrigações declaradas no Qwen Research License Agreement.
Organizações devem examinar usos permitidos, condições de distribuição e quaisquer restrições antes de implantar o modelo comercialmente. Um ranking não pode responder a essas questões jurídicas.
A transparência dos dados de treinamento também fica fora do ranking exibido. Uma qualidade de saída elevada não identifica a procedência completa dos dados usados durante o desenvolvimento.
A segurança de conteúdo é outra dimensão ausente. Equipes podem precisar de proteções contra personificação, conteúdo proibido, personagens protegidos por direitos autorais ou ativos de marca não autorizados.
A implantação local transfere mais responsabilidade ao operador. A organização precisa projetar seus próprios controles de acesso, registro, moderação e práticas de retenção.
Provedores fechados geralmente incluem alguns desses sistemas no serviço. Usuários podem ganhar conveniência enquanto abrem mão de visibilidade e controle sobre a implantação.
A eficiência de hardware também exige medição independente. A Qwen descreve sua arquitetura como compacta, mas um componente visual de 7 bilhões de parâmetros ainda requer computação substancial.
O codificador de texto de suporte e outros elementos do pipeline acrescentam requisitos de memória e processamento. A contagem de parâmetros visuais, por si só, não pode prever o custo de implantação.
O tempo de geração é sensível a resolução, precisão, etapas de inferência, otimização e tipo de acelerador. Um único número de latência publicado não se generalizaria entre essas escolhas.
A ausência de uma API do criador no ranking adiciona outra consideração. Equipes que desejam Qwen-Image-2.1 atualmente precisam organizar a implantação por meio de ferramentas de modelo disponíveis ou infraestrutura de terceiros.
Isso pode atrair desenvolvedores que buscam controle. Pode desestimular compradores que desejam um endpoint gerenciado, garantias de serviço e suporte consolidado.
A melhor escolha, portanto, depende das restrições. Um estúdio de design, grupo de pesquisa, empresa regulada e aplicação de consumo podem chegar a conclusões diferentes a partir das mesmas pontuações.
O benchmark fornece um sinal confiável de que pesos abertos são competitivos abaixo da fronteira absoluta. Ele não estabelece que a implantação local seja automaticamente mais simples ou segura.
Também não elimina a lacuna geral. Dezessete modelos permanecem à frente de Qwen-Image-2.1 em cada ranking completo.
Essa posição é a tensão central da história. Pesos abertos têm um novo líder, enquanto modelos proprietários ainda definem o teto medido.
Três Sinais Mostrarão Se a Liderança da Qwen Persiste
O próximo teste é saber se a Qwen preserva sua posição à medida que os votos crescem, as implantações reais se expandem e novos concorrentes de pesos abertos surgem.
O primeiro sinal é a estabilidade do ranking. O resultado de texto para imagem da Qwen já mostra uma separação estatística mais clara em relação à sua rival mais próxima entre os pesos abertos.
Sua vantagem em edição continua vulnerável porque o intervalo de confiança se sobrepõe ao de HunyuanImage 3.0 Instruct. Mais comparações fortalecerão a ordenação ou a eliminarão.
Uma liderança estável em geração reforçaria a alegação da Alibaba de que um modelo unificado menor pode equilibrar qualidade e eficiência. Uma inversão na ordem de edição estreitaria a narrativa atual.
O segundo sinal é o desempenho local reproduzível. Desenvolvedores devem observar testes padronizados em aceleradores comuns, níveis de precisão e configurações de memória.
Quantizações da comunidade ampliarão o acesso ao hardware, mas suas saídas devem ser comparadas aos pesos originais. Menor uso de memória só importa quando a qualidade permanece aceitável.
Relatos de produção também devem examinar a consistência em tentativas repetidas. Imagens de demonstração atraentes não podem substituir texto, identidade, geometria e edição localizada confiáveis.
Evidências de uso confiável em hardware de consumo e estações de trabalho fortaleceriam o caso dos pesos abertos. Altas exigências de memória ou fluxos de trabalho frágeis o enfraqueceriam.
O terceiro sinal é a próxima resposta competitiva. Ideogram, Tencent, Black Forest Labs e outros desenvolvedores agora têm um alvo claro em Artificial Analysis.
Um rival pode responder com um lançamento de pesos abertos com pontuação maior, uma licença mais permissiva, implantação mais simples ou controles especializados mais robustos.
Provedores fechados podem responder de maneira diferente. Podem ampliar a lacuna de qualidade ou tornar os serviços hospedados mais fáceis de integrar e administrar.
A posição da Qwen terá mais importância se obrigar ambos os grupos a melhorar. Um resultado isolado de primeiro lugar é menos importante do que uma mudança duradoura nas expectativas dos compradores.
Para desenvolvedores, o próximo passo prático é direto. Teste Qwen-Image-2.1 com os prompts exatos, imagens de origem e casos de falha que definem seu fluxo de trabalho.
Compare-o com Ideogram 4.0 para geração e HunyuanImage 3.0 Instruct para edição. Mantenha os líderes proprietários na avaliação quando pesos disponíveis para download não forem obrigatórios.
Registre taxas de falha junto às saídas preferidas. Acompanhe mudanças indesejadas, erros de texto, deriva de identidade, tempo de processamento, uso de memória e esforço de correção humana.
O benchmark de Qwen-Image-2.1 já estabeleceu uma conclusão defensável. A Alibaba agora fornece o modelo de pesos abertos mais bem classificado nos dois testes de imagem da Artificial Analysis.
A conclusão mais ampla permanece em aberto. O controle local se tornará competitivo o bastante para superar a vantagem final de qualidade dos sistemas fechados?
As equipes que desenvolvem fluxos de trabalho com imagens devem responder a essa pergunta com base em seu próprio material, e não apenas em uma manchete. As próximas atualizações dos rankings mostrarão se a liderança dupla da Qwen se mantém.
