Qwen-Image-2.1-Turbo: qué es el checkpoint de 8 pasos y en qué se diferencia de Qwen-Image-2.1

Qwen-Image-2.1-Turbo es un checkpoint acelerado de Qwen-Image-2.1: el mismo backbone de generación visual de 7B, las mismas dos tareas —generación de texto a imagen y edición de imágenes guiada por instrucciones— y ocho pasos de eliminación de ruido, mientras que los propios ejemplos del checkpoint base usan cuarenta. No es una nueva arquitectura ni una nueva familia de modelos, y no hay un segundo modelo dentro del archivo. El checkpoint se publicó en Hugging Face el 9 de octubre de 2026, una fecha que aparece tanto en la marca temporal de creación del repositorio como en una línea de la propia lista de noticias del proyecto Qwen-Image; todo lo que sigue es la descripción vigente del modelo, restablecida el 13 de octubre de 2026 a partir del material del propio proveedor y no del resumen que cualquiera haya hecho de él.

Si escribiste el nombre del modelo para averiguar qué es, la respuesta breve es el párrafo anterior. La respuesta útil es el contraste.

La variante Turbo, una dimensión a la vez

Cada línea a continuación proviene del repositorio propio del checkpoint — la tarjeta del modelo, el model_index.json, el transformer/config.json y el LICENSE — o del repositorio del proyecto Qwen-Image en GitHub, consultado hoy. Cuando el proveedor no publica nada, se indica en lugar de rellenarlo.

• Número de pasos — 8 pasos de eliminación de ruido para Qwen-Image-2.1-Turbo, frente a 40 para Qwen-Image-2.1. El 40 es la propia cifra del proveedor, utilizada en cada ejemplo de Qwen-Image-2.1 en su tarjeta y listada como valor predeterminado en la tabla de parámetros del proyecto en GitHub.

• Velocidad — el recuento de pasos es la única afirmación sobre la velocidad que hace Qwen, y es un recuento más que una medición. No aparece ninguna cifra de latencia, rendimiento ni imágenes por GPU para ninguno de los dos checkpoints, y ninguna de las dos fichas indica el hardware en el que se generaron sus ejemplos.

• Compromiso de calidad — no cuantificado. No hay una puntuación de evaluación para Qwen-Image-2.1-Turbo, ninguna para Qwen-Image-2.1, y no hay una comparación directa entre los dos en ninguna parte del material del proveedor. Las imágenes de muestra de la tarjeta Turbo son resultados de ocho pasos seleccionados por el proveedor; demuestran que el checkpoint genera imágenes, no cuánta fidelidad se sacrificó para alcanzar los ocho pasos. No teníamos disponible ninguna evaluación de terceros de ninguno de los dos checkpoints en el momento de escribir esto.

• Dónde reside la programación de muestreo — esta es la única diferencia estructural que revelan las tarjetas. El archivo de Turbo, model_index.json contiene un sample_sigmas array de ocho valores, que van desde 1.0 hasta 0.414568, y la tarjeta indica que la programación se guarda con el checkpoint y se carga automáticamente: "establecer num_inference_steps por sí solo no lo anula." Qwen-Image-2.1 toma el número de pasos en el momento de la llamada. La válvula de escape es un argumento explícito sigmas en el momento de la llamada, y la tarjeta señala que otras programaciones "no han sido evaluadas para este checkpoint."

• Backbone — idéntico. El transformer/config.json de Turbo coincide campo por campo con el del checkpoint base: 32 capas, 32 cabezas de atención de 128 dimensiones cada una, tamaño de parche 1, 64 canales de entrada y salida, causal_condition true, dimensión de entrada de contexto 4096. El único valor que difiere entre ambos archivos es la versión de Diffusers registrada.

• Codificador de texto, VAE y planificador — de Turbomodel_index.json nombra Qwen3VLForConditionalGeneration como el codificador de texto con un Qwen3VLProcessor, un AutoencoderKLQwenImage21 como VAE y un FlowMatchEulerDiscreteScheduler. Esas son las mismas clases de componentes que declara Qwen-Image-2.1. Las notas de arquitectura del proyecto describen el codificador de texto compartido como un modelo de visión-lenguaje Qwen3-VL 8B y el VAE como un autocodificador RGBA de 64 canales con compresión espacial de 16×.

• Valor predeterminado de guía: la tarjeta de Turbo indica CFG 1 de forma predeterminada, lo que elimina el paso de guía sin clasificador de cada iteración. La tarjeta del modelo base no indica ningún valor predeterminado de guía en absoluto.

• Ajustes preestablecidos de resolución — los mismos siete en ambos, tomados textualmente de la tarjeta Turbo: 1:1 a 2048 × 2048, 4:3 a 2400 × 1792, 3:4 a 1792 × 2400, 3:2 a 2528 × 1696, 2:3 a 1696 × 2528, 16:9 a 2752 × 1536 y 9:16 a 1536 × 2752.

• Huella en disco —el propio listado de archivos del repositorio Turbo suma aproximadamente 32,5 GB, contando un transformer de 14,2 GB, un codificador de texto de 17,5 GB y un VAE de 0,7 GB, según los tamaños de archivo publicados hoy en el repositorio. Ese es el conjunto de componentes del checkpoint base en precisión bfloat16, y el proveedor no distribuye ninguna compilación cuantizada propia.

Lo que Qw​en dice realmente sobre el compromiso entre velocidad y fidelidad

La afirmación del proveedor es más limitada de lo que sugiere el titular, y vale la pena leerla en las propias palabras de la tarjeta. Qwen-Image-2.1-Turbo se describe como «un checkpoint acelerado de Qwen-Image-2.1 para la generación de texto a imagen y la edición de imágenes con 8 pasos de desruido», uno que «utiliza la misma arquitectura de generación visual de 7B y se carga directamente con QwenImage21Pipeline». El enfoque que hace la tarjeta de este beneficio es procedimental, no visual: el checkpoint «incluye su programación de muestreo recomendada, por lo que está listo para usar sin configurar manualmente el planificador».

Se nombran tres mecanismos, y solo tres. El propio calendario de ocho pasos. CFG 1 por defecto, que omite el paso de guía. Y el caché KV de prefijo, que «reutiliza el contexto de texto e imagen de referencia a lo largo de los pasos de eliminación de ruido» — un mecanismo que el modelo Base también documenta, y que importa más, no menos, cuando el bucle solo tiene ocho iteraciones.

Ahora la parte que no está ahí. La ficha nunca dice que el checkpoint Turbo iguale la calidad de salida de Qwen-Image-2.1. Nunca dice cuánta calidad se sacrificó, ni qué categorías se degradan primero — textura, texto pequeño, rostros, consistencia con múltiples referencias. Nunca usa la palabra destilación, y nada en el repositorio declara una relación profesor-estudiante. Lo que sí dicen los metadatos es derivado: las etiquetas de Hugging Face incluyen base_model:Qwen/Qwen-Image-2.1 y base_model:finetune:Qwen/Qwen-Image-2.1, y el registro del modelo de ModelScope lista el mismo padre con la relación «finetune». La postura del propio Qwen, en otras palabras, es un ajuste fino del checkpoint base, y la cuestión de la calidad queda en manos de quien lo ejecute.

Eso no es tanto una crítica como la forma del lanzamiento. Un proveedor que entrega un checkpoint acelerado sin un benchmark está invitando exactamente a la comparación que ahora un lector tiene que hacer por su cuenta: el mismo prompt, la misma semilla, ambos checkpoints, cuarenta pasos frente a ocho.

Entradas, salidas y qué tan grande es la cosa en realidad

La ficha documenta dos modalidades de entrada y una modalidad de salida, y son las del modelo base, sin cambios.

• Texto de entrada, imagen de salida — un prompt de texto produce una imagen ráster. El ejemplo resuelto de la tarjeta es un póster en orientación vertical de 1696 × 2528, y la demostración recorre fotografía de retrato, tipografía y diseño de pósteres, y diseño de interfaz de usuario e información, lo cual es la afirmación de Qwen sobre la fidelidad de representación de texto y maquetación, más que una medición de esta.

• Imagen de entrada, imagen de salida — el mismo pipeline acepta una imagen de entrada junto con el prompt para la edición guiada por instrucciones. El ejemplo de la tarjeta convierte un boceto de un yate en una fotografía fotorrealista a 2048 × 2048 y carga la entrada como RGBA. La demostración también muestra la composición con múltiples referencias y una composición de interiores con cuatro imágenes. Un dato con el que hay que tener cuidado aquí: la cifra de "hasta 10 imágenes de referencia" pertenece a la documentación de Qwen-Image-2.1, y la tarjeta de Turbo no vuelve a indicar un límite de imágenes de referencia. Considera 10 como la cifra publicada del modelo base, no como una especificación de Turbo.

• Transparencia — la ficha incluye la generación de imágenes transparentes entre las categorías de muestra, y la clase VAE distribuida es el mismo autoencoder RGBA de 64 canales que utiliza el modelo base, por lo que la salida alfa está documentada para este checkpoint en lugar de simplemente heredarse por su nombre.

• Resolución de salida — los mismos siete preajustes enumerados arriba, hasta 2752 × 1536 en horizontal y 1536 × 2752 en vertical, con 2048 × 2048 como nivel predeterminado. El proyecto describe Qwen-Image-2.1 como compatible de forma nativa con resolución 2K; nada en ninguno de los dos repositorios afirma un nivel nativo superior a ese, y nada documenta una etapa de escalado.

• Tamaño del modelo — 7B parámetros en el componente de generación visual a través de 32 capas DiT de flujo único, en bfloat16, aproximadamente 32,5 GB en disco para el repositorio completo. No hay una ventana de contexto de texto que citar, porque este no es un modelo de texto; la entrada de contexto de 4096 dimensiones en la configuración del transformer es la representación codificada del prompt y de la imagen de condición, no una ventana de tokens.

Licencia, y dónde están los pesos

Qwen-Image-2.1-Turbo se publica bajo el Acuerdo de Licencia de Investigación de Qwen. Los metadatos del repositorio indican license: other con license_name: qwen-research y license_link: LICENSE, y un archivo LICENSE se encuentra en el repositorio junto a los pesos. Hoy comparamos los dos archivos de licencia: el LICENSE del repositorio de Turbo es idéntico byte a byte al del modelo base, algo que conviene saber porque significa que la aceleración no supuso ningún cambio en los términos.

Lo que dice el acuerdo, leído del propio archivo: la concesión es «SOLO PARA FINES NO COMERCIALES», «No Comercial» se define como «únicamente para fines de investigación o evaluación», y el uso comercial requiere «una licencia comercial independiente de nuestra parte», que se solicita en model-business@notice.qwencloud.com. El propio encabezado del acuerdo fecha la versión el 20 de septiembre de 2026. Si el motivo por el que quieres la generación en ocho pasos es que hace que el modelo sea lo bastante barato como para ponerlo detrás de un producto, la licencia es la restricción vinculante aquí, no el número de pasos, y ninguna página de este repositorio lo resuelve.

Los pesos se pueden descargar en dos lugares, ambos propios: Hugging Face en Qwen/Qwen-Image-2.1-Turbo y ModelScope en Qwen/Qwen-Image-2.1-Turbo. El repositorio de Hugging Face no tiene acceso restringido. Sus metadatos no enumeran ningún proveedor de inferencia alojado, por lo que no hay ningún endpoint de terceros que ejecute este checkpoint exacto para ti hoy, según lo que muestra el propio listado del proveedor.

Para una ruta alojada está la propia de Qwen: la lista de noticias del proyecto registra que las API de Qwen-Image-2.1 Pro y Turbo se lanzaron en Alibaba Cloud Model Studio el 9 de octubre de 2026, y el README de GitHub ofrece «las API alojadas, o ejecutar el checkpoint Turbo en tu propio entorno con Diffusers». El precio por imagen del endpoint Turbo no se indica en la página de referencia de la API del proveedor que consultamos, que remite a una página de precios de modelos aparte; así que considera que el precio no está publicado en el material que pudimos verificar, y consulta la página de precios del proveedor antes de planificar en función de él.

Ajuste fino: qué está documentado y qué es solo de la comunidad

La respuesta honesta es que la tarjeta Turbo no documenta ningún tipo de ajuste fino. Cubre instalación, texto a imagen, edición de imágenes, muestreo y relaciones de aspecto, y ahí termina. No hay sección de entrenamiento, ni instrucciones de LoRA, ni guía sobre adaptadores, ni notas sobre conjuntos de datos, ni ningún script de entrenamiento en ningún lugar del repositorio del proyecto Qwen-Image — revisamos su árbol de archivos, que solo contiene recursos y dos archivos de datos de reescritura de prompts.

El modelo base se desempeña un poco mejor y es la documentación de un modelo diferente: el material de Qwen-Image-2.1 registra el entrenamiento de LoRA a través de ModelScope, construido sobre el framework de código abierto DiffSynth-Studio. Esa afirmación es sobre Qwen-Image-2.1, y nada en la ficha de Turbo la extiende al checkpoint acelerado.

Lo que existe para Turbo es trabajo de la comunidad. A día de hoy, 47 repositorios en Hugging Face declaran Qwen/Qwen-Image-2.1-Turbo como su modelo base, y casi todos son adaptaciones de cuantización: compilaciones GGUF, FP8, INT8, INT4, NVFP4, MLX y OpenVINO. Exactamente uno es un adaptador LoRA, un adaptador de intercambio de personajes publicado el 10 de octubre de 2026. Nada de eso es soporte del proveedor, nada de ello está validado por Qwen, y un adaptador entrenado con la trayectoria de cuarenta pasos del checkpoint base no es automáticamente correcto para un calendario guardado de ocho pasos. Si llegaste aquí buscando un flujo de trabajo de LoRA para Turbo, la respuesta precisa es que el proveedor no ha publicado ninguno.

Cómo ejecutarlo y cómo llamarlo

El autoalojamiento es una tarea normal de Diffusers con un punto delicado. La instalación de la tarjeta es una compilación de PyTorch compatible con CUDA, Diffusers desde el código fuente (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate y pillow. El punto delicado es que este checkpoint requiere una compilación de Diffusers con soporte para sigmas de muestreo configuradas por la pipeline, añadido en la PR #14950 —que en el momento de escribir esto está en el árbol de código fuente en lugar de en una versión etiquetada, por lo que la tarjeta no te indica que instales un número de versión.

La línea de carga es la clase de pipeline del modelo base con el nombre del checkpoint sustituido: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). La generación es entonces una llamada con un prompt, un ancho y un alto de la lista de presets, use_kv_cache=True, y una semilla del generador; el ejemplo de texto a imagen de la tarjeta usa 1696 × 2528 con semilla 42, y su ejemplo de edición pasa una imagen RGBA como argumento image a 2048 × 2048 con semilla 20261009. No pases num_inference_steps esperando que haga algo.

Una brecha a tener en cuenta: la tarjeta Turbo no publica ninguna guía de memoria. La tarjeta del modelo base tiene una sección de optimización de memoria que muestra pipe.enable_model_cpu_offload(); la tarjeta Turbo simplemente termina. Con un codificador de texto de 17.5 GB en el repositorio, esa es la cifra que hay que presupuestar, y la tarjeta no te dice en qué GPU encaja.

Llamarla en lugar de ejecutarla significa la propia API Turbo alojada de Qwen en Alibaba Cloud Model Studio. No hay un precio publicado por imagen que hayamos podido verificar en la página de referencia de la API del proveedor, ni tampoco un límite de velocidad publicado que hayamos podido verificar, así que un lector que planee volumen tiene dos cifras que obtener del proveedor antes de comprometerse.

Dónde se ubica OrcaRouter, en palabras sencillas

OrcaRouter no enruta Qwen-Image-2.1-Turbo ni enruta Qwen-Image-2.1 — ninguno de los dos identificadores aparece en nuestra lista de modelos activos, que consultamos hoy, y nada en esta página debe interpretarse como una oferta de servir a ninguno de ellos. La línea de imágenes que sí ofrecemos es la alojada: la familia Open​AI GPT-Image, los niveles de Imagen 4 de Goog​le y el endpoint de imágenes Grok Imagine de x​AI.

Esa distinción es la que importa en la práctica para este checkpoint. OrcaRouter pone más de 200 modelos detrás de un único endpoint compatible con OpenAI al precio de lista del proveedor y sin margen, y añade conmutación por error automática cuando un proveedor se degrada — que es lo que quieres cuando llamas a un modelo de imágenes alojado en producción, y es irrelevante cuando el modelo en cuestión es una descarga con licencia de investigación de 32,5 GB. Si tu plan es ejecutar Qwen-Image-2.1-Turbo tú mismo, la capa de enrutamiento no es la restricción; el Acuerdo de Licencia de Investigación de Qwen lo es.

Así que la decisión se divide con claridad. Ocho pasos, un horario guardado, una licencia de investigación idéntica byte a byte y ningún benchmark significan que el checkpoint es una herramienta de investigación y prototipado hasta que Qw​en publique una evaluación o tú ejecutes la tuya. Si necesitas un endpoint de imágenes en producción esta semana, esa es otra compra, y es la que vendemos.