Qwen-Image 2.1 vs. LLaDA-Image-Turbo: Zwei offene Bildmodelle, zwei sehr unterschiedliche Lizenzen

Zwei Image-Modelle mit offenen Gewichten erschienen innerhalb derselben drei Wochen. Das Qwen-Image-Team veröffentlichte Qwen-Image 2.1 am 20. September 2026 – Gewichte, Lizenzdatei, Modellkarte und ein Blogbeitrag, alles am selben Tag, mit praktisch keiner Vorlaufzeit. Sechzehn Tage zuvor, am 4. September 2026, veröffentlichte inclusionAI (das Forschungs lab von Ant Group) LLaDA-Image-Turbo ohne Launch-Beitrag, ohne Pressemitteilung und ohne jegliche Ankündigung. Beide sind heute herunterladbar. Keines von beiden hat auch nur einen einzigen unabhängigen Benchmark-Wert. Und der Unterschied, der tatsächlich entscheiden wird, welches Sie verwenden können, steht nicht in einer der beiden Modellkarten – er liegt in den Formalitäten. Qwen-Image 2.1 erscheint unter einer Research-Lizenz, die kommerzielle Nutzung rundheraus verbietet. LLaDA-Image-Turbo erscheint ganz ohne erklärte Lizenz in irgendeinem seiner Repositories.

Die Lizenzfrage kommt zuerst, denn sie ist die einzige mit einer klaren Antwort.

Fangen Sie hier an, denn alles andere in diesem Vergleich ist vorläufig – und das hier nicht.

• Qwen-Image 2.1 wird unter der Qwen Research License Agreement vom 20. September 2026 veröffentlicht, die Rechte „FOR NON-COMMERCIAL PURPOSES ONLY“ einräumt und feststellt, dass für eine kommerzielle Nutzung eine separate Lizenz erforderlich ist, die beim Anbieter angefordert werden muss. Das ist eine wesentliche Änderung gegenüber der früheren Qwen-Image-Reihe, die unter Apache 2.0 veröffentlicht wurde. Es ist eindeutig: Man kann es lesen, bewerten, benchmarken und darüber schreiben. Man kann es nicht in ein Produkt einbauen.

• LLaDA-Image-Turbogibt überhaupt keine Lizenz an. Nicht eine permissive, nicht eine restriktive, nicht einmal einen Platzhalter. Ein Repository ohne Lizenz ist in keiner rechtlichen Hinsicht „frei nutzbar" – standardmäßig sind alle Rechte vorbehalten, was eine strengere Position als Qwens Forschungs-Lizenz darstellt, nicht eine lockerere. Wenn Sie darauf aufbauen möchten, ist das eine Frage für das Labor, nicht für eine README.

Die Ironie verdient es, klar ausgesprochen zu werden: Das Modell, das mit einer formellen, restriktiven Lizenz eingeführt wurde, ist das, mit dem man heute planen kann, weil man genau weiß, woran man ist. Das Modell ohne Lizenz ist das, mit dem man nicht planen kann.

Was die beiden Modelle tatsächlich sind

Zieht man die Lizenzierung ab, sind das zwei wirklich unterschiedliche Designs, die aus unterschiedlichen Gründen entwickelt wurden.

• Architektur — Qwen-Image 2.1 ist ein 32-schichtiger Single-Stream-Diffusion-Transformer mit 7B-Parametern in der Komponente zur visuellen Generierung, einem Qwen3-VL-8B-Textencoder und einem 64-Kanal-RGBA-VAE bei 16-facher räumlicher Kompression, insgesamt rund 33 GB für das gesamte Bundle. LLaDA-Image-Turbo ist ein einheitliches 6B-Modell für Generierung und Bearbeitung — ein einziger Satz Gewichte, der beide Aufgaben übernimmt, statt eines Basismodells plus eines separaten Bearbeitungspfads.

• Inferenzschritte — Qwen-Image 2.1 verwendet standardmäßig 2048×2048 bei 40 Schritten mit Flow Matching und Euler-discrete-Scheduling. LLaDA-Image-Turbo wird durch Twin-DMD auf 2–4 Schritte destilliert, wobei 4 empfohlen werden, und läuft mit einem Guidance Scale von 1,0 gegenüber 5,0 beim Basismodell.

• Präzisionsoptionen — Qwen-Image 2.1 bietet FP8-Quantisierungsunterstützung über seinen vLLM-Omni-Pfad. LLaDA-Image-Turbo liefert sowohl BF16- als auch FP8-Checkpoints als separate Downloads.

• Referenzkonditionierung — Qwen-Image 2.1 akzeptiert bis zu 10 Referenzbilder, unterstützt lokale Bearbeitungen per Kreis, gemalter Anmerkung oder separater Maske und erzeugt natives RGBA mit Bearbeitung transparenter Ebenen. Die Modellkarte von LLaDA-Image-Turbo nennt keine Obergrenze für Referenzbilder.

• Attention — Qwen-Image 2.1 verwendet block-kausale Attention: eine kausale Maske auf Token-Ebene für Text und eine bidirektionale Maske auf Chunk-Ebene für die Bilderzeugung, mit Wiederverwendung des Prefix-KV-Cache, wenn der Checkpoint causal_condition: trueträgt. Die Modellkarte von LLaDA-Image-Turbo beschreibt ihr Maskierungsschema nicht in derselben Ausführlichkeit.

• Lizenz — nur für Forschungszwecke und ausdrücklich, im Gegensatz zu nicht deklariert.

Beachte, was die Schrittanzahlen zusammen mit den Parameteranzahlen bedeuten. Qwen-Image 2.1 ist ein größeres Modell, das für zehnmal so viele Schritte ausgeführt wird; LLaDA-Image-Turbo ist ein kleineres Modell, das auf eine Handvoll Schritte destilliert wurde. Das sind gegensätzliche Wetten darauf, wo die Kosten der Bildgenerierung liegen, und die richtige Antwort hängt völlig davon ab, ob dein Engpass GPU-Sekunden pro Bild oder die Obergrenze dessen ist, wie ein Bild aussehen kann.

Geschwindigkeitsökonomie: 40 Schritte gegen 4

Der Name Turbo leistet hier echte Arbeit. Die Twin-DMD-Distillation kollabiert eine Diffusions-Trajektorie zu ein paar großen Sprüngen, weshalb LLaDA-Image-Turbo mit 4 Schritten laufen kann, wo sein Base-Modell einen herkömmlichen Zeitplan verlangt. Bei Guidance 1.0 überspringt es außerdem die Classifier-Free-Guidance, was normalerweise die Anzahl der Forward-Pässe pro Schritt verdoppelt – der effektive Unterschied ist also größer, als der bloße Vergleich 40 zu 4 vermuten lässt.

Was Sie dadurch gewinnen, sind Durchsatz und Vorhersagbarkeit. Ein 6B-Modell mit vier Schritten ist genau die Art von Modell, die auf eine einzelne Consumer-Grafikkarte passt und schnell genug ein Entwurfsbild erzeugt, um in einer interaktiven Schleife zu laufen. Qwen-Image 2.1 mit 40 Schritten und 2048×2048 ist eine Quality-First-Konfiguration; die eigene Empfehlung der Modellkarte für eingeschränkte Hardware ist CPU-Offload über pipe.enable_model_cpu_offload(), was eher ein Notausgang als eine Lösung ist.

Das Gegengewicht dazu ist, dass Destillation eine Komprimierung von Leistungsfähigkeit ist, und nichts davon wurde von jemandem außerhalb der beiden Labore gemessen. Der einzige unabhängige Datenpunkt, der für eines der beiden Modelle existiert, ist ein praxisnaher Early-Access-Testbericht zu Qwen-Image 2.1 von einem Tester im Qwen Ambassador Program, der die finalen Gewichte über eine ModelScope Studio-Oberfläche laufen ließ und ungefähr 10–15 Sekunden für Text-zu-Bild sowie 18–23 Sekunden für die Bearbeitung angab. Das ist ein einziger Reviewer, auf einer Early-Access-UI, ohne angezeigten Timer – ein nützliches Signal, kein Benchmark. Für LLaDA-Image-Turbo gibt es öffentlich überhaupt keinen vergleichbaren Praxisbericht.

Die Bearbeitung ist der Punkt, an dem sich die beiden Designs am stärksten unterscheiden

Beide Modelle beherrschen Text-zu-Bild und Bearbeitung, aber sie erreichen das auf unterschiedliche Weise, und der Unterschied zeigt sich eher in der technischen Umsetzung als im Ergebnis.

Qwen-Image 2.1 behandelt Instruction-Following als eine separate, überprüfbare Komponente. Neben dem Bildmodell enthält die Veröffentlichung zwei Prompt-Rewriting-Checkpoints — Qwen/Qwen-Image-2.1-PE-T2I und Qwen/Qwen-Image-2.1-PE-I2I, jeweils ein feinabgestimmtes Qwen3.5-VL 9B mit etwa 18,8 GB —, die eine vage Anweisung entgegennehmen und sie in eine eindeutige Direktive umschreiben, bevor das Diffusionsmodell sie sieht. Die I2I-Variante hat immer ein Eingabebild, daher ist sie stets eine Bearbeitungsaufgabe und niemals eine Generierung aus dem Nichts. Entscheidend ist, dass der Rewriter mit einer system_prompt.txt ausgeliefert wird, die Sie lesen und überschreiben können und die ungewöhnlich explizit in Bezug auf Sprache ist: Die Beschreibungssprache folgt Ihrer Anweisung, während die Sprache des Textes, der in das Bild gemalt wird, durch eine strikte Prioritätsreihenfolge festgelegt wird, die die vorhandene Label-Sprache des Eingabebilds beibehält, selbst wenn Sie in einer anderen Sprache prompten.

Das ist ein kleines Stück Engineering mit großer Tragweite. Wenn du Produktbilder für einen Markt erstellst, in dem der Verpackungstext wichtig ist, sind „der Rewriter behält die bestehende Label-Sprache bei“ und „der Rewriter übersetzt hilfreicherweise alles ins Englische“ der Unterschied zwischen einem verwendbaren und einem abgelehnten Asset – und weil er in einem System-Prompt statt in einer gehosteten Blackbox lebt, kannst du ihn diffen und ändern.

LLaDA-Image-Turbo geht den entgegengesetzten Kompromiss ein: ein 6B-Modell, ein Satz Gewichte, Generierung und Bearbeitung teilen sich alles. Weniger bewegliche Teile, weniger zu konfigurieren und nichts zu prüfen oder zu überschreiben. Seine Modellkarte nennt Qwen-Image-Bench-Werte von 53,53 für Englisch und 53,38 für Chinesisch und erhebt den Anspruch, Open-Source-SOTA zu sein – vom Anbieter gemeldet, nicht reproduziert, und man beachte, dass der Benchmark, den es gewinnt, nach dem Modell benannt ist, mit dem es implizit konkurriert.

Worauf du sie tatsächlich laufen lassen würdest

Die Ökosystem-Unterstützung am Launch-Tag ist der am wenigsten glamouröse Teil eines Releases und der Teil, der darüber entscheidet, ob man einen Nachmittag oder ein Wochenende verbringt.

• Qwen-Image 2.1 ist breit verfügbar: eine QwenImage21Pipeline wurde am Tag null in Diffusers integriert; native ComfyUI-Unterstützung mit Text-zu-Bild- und Bildbearbeitungs-Workflow-Vorlagen; vLLM-Omni mit schrittweiser Ausführung, Prefix-KV-Caching, CUDA-Graph-Decode, FP8-Quantisierung und Tensor-/Ulysses-Parallelität; ein nativer SGLang-Support-Pull-Request, der am 17. September gemergt wurde – drei Tage vor den Gewichten – und das DiT, das RGBA-VAE, die Qwen3-VL-Konditionierung und Multi-Referenz-Eingabe abdeckt, validiert auf H200, B200, RTX PRO 6000, RTX 5090 und RTX 4090; und Tag-null-Beschleunigung durch LightX2V mit AMD Radeon über ROCm sowie Multi-Chip-Unterstützung durch FlagOS.

• LLaDA-Image-Turbo erhielt am 7. September 2026 ComfyUI-Unterstützung, drei Tage nach den Gewichten, plus eine Diffusers- und Safetensors-Distribution. Das ist ein echter Weg, es zum Laufen zu bringen, aber ein dünnerer, und es gibt keine vergleichbare Serving-Arbeit aus der Vorabphase, auf die man verweisen könnte.

Der vorab veröffentlichte SGLang-Pull-Request ist der verräterische Hinweis auf Qwen-Image 2.1. Framework-Unterstützung, die vor den Gewichten erscheint, bedeutet, dass jemand den Serving-Pfad gegen den Checkpoint getestet hat und ihn nicht im Nachhinein anhand der Modellkarte geschrieben hat.

Der gehostete Pfad, den du parallel zum Experiment beibehältst

Keines dieser Modelle ist zum Zeitpunkt des Verfassens über OrcaRouter routbar, und dieser Artikel wird nichts anderes nahelegen – bei beiden handelt es sich um Self-Host-Optionen, eine unter einer Lizenz, die den Produktiveinsatz ausschließt, und eine ganz ohne Lizenz. Was für ein Team, das sie evaluiert, zählt, ist, dass die Evaluierung nicht auf dem kritischen Pfad liegen muss.

OrcaRouter stellt über 200 Modelle hinter einem einzigen OpenAI-kompatiblen Endpunkt zum Listenpreis des Anbieters ohne Aufschlag bereit – mit automatischem Failover über Anbieter hinweg und einer Routing-DSL, mit der du mehrere Modelle zu einem einzigen Aufruf zusammenfassen kannst. Die praktische Form davon für diese Entscheidung ist eine Route, bei der das Modell, dem du bereits vertraust, den Produktionsverkehr trägt, während daneben ein selbst gehosteter Checkpoint getestet wird – und weil der Listenpreis durchgereicht statt aufgeschlagen wird, ist eine Preisänderung eines Anbieters bei einem gerouteten Modell bei uns noch am selben Tag live, statt auf eine Vertragsänderung warten zu müssen. Die Bildmodelle, die wir heute routen, sind OpenAIs GPT-Image-Familie, Googles Imagen-4-Stufen und Gemini-Bild-Previews sowie xAIs Grok-Imagine-Bildendpunkt. Wenn du eine Woche damit verbringen willst, einen 33-GB-Diffusionstransformer aufzusetzen, um herauszufinden, ob er ein gehostetes Modell schlägt, ist das gehostete Modell die Kontrollgruppe, und es lohnt sich, die Kontrollgruppe bereits auf einem Key zu haben.

Was würde diesen Vergleich ändern?

Drei Dinge, geordnet danach, wie sehr sie von Bedeutung wären.

Erstens: ein unabhängiger Benchmark-Wert für eines der beiden Modelle. Keines hat einen, und bis sich das ändert, ist jede Qualitätsaussage auf beiden Seiten ein Labor, das seine eigenen Hausaufgaben benotet. Zweitens: eine Lizenz: eine permissive Variante von Qwen-Image 2.1 würde es zur offensichtlichen Standardwahl für offene Bildarbeit bei 7B machen, und irgendeine überhaupt erklärte Lizenz für LLaDA-Image-Turbo würde es zumindest planbar machen. Drittens: Die Early-Access-Tester aus Qwens ModelScope-Programm vom 17. September wurden gebeten, bis zum 29. September – in acht Tagen – Beispiele oder Bewertungen zu veröffentlichen. Dann hört das auf, ein Vergleich zweier Modellkarten zu sein, und wird zu einem echten. Bis dahin lautet die ehrliche Zusammenfassung, dass Qwen-Image 2.1 das leistungsfähiger wirkende Modell ist, das man nicht kommerzialisieren kann, LLaDA-Image-Turbo das schnellere, das man ohne ein Gespräch überhaupt nicht nutzen kann, und die Lizenzdatei der einzige Teil beider Releases, der vollständig geklärt ist.