Qwen-Image-2.1-Turbo en un ordenador de sobremesa: BaoCut 3.5 y los primeros tiempos locales

El repositorio de Qwen-Image-2.1-Turbo apareció en Hugging Face el 9 de octubre de 2026 con 707 "me gusta", los pesos, un archivo de licencia y una única línea en la lista de noticias de Qwen-Image-2.1 en GitHub como todo su anuncio. Cinco días después, ya se está ejecutando en los escritorios de la gente. BaoCut 3.5, una herramienta china de edición de escritorio, integró el checkpoint y comenzó a generar imágenes en la máquina local en lugar de a través de un servidor; X/@dotey informó el 13 de octubre de 2026 que una imagen tarda aproximadamente de tres a cinco minutos a 1080p en su Mac Mini M2 y cerca de veinte minutos a 2K. Por separado, una aplicación de macOS de código abierto llamada Siliconed publicó en el propio foro de discusión del modelo el 11 de octubre de 2026 con 118 segundos medidos a 1024² en un M1 Pro, y la misma máquina ejecutando Z-Image Turbo — el otro checkpoint abierto de 8 pasos entre los que la gente elige — en 82 a 85 segundos. Qwen-Image-2.1, el modelo base del que derivan ambos ports locales, se lanzó el 20 de septiembre de 2026. El checkpoint acelerado es tres semanas más joven que su predecesor y no tiene una evaluación independiente propia.

Esa es la forma de esta historia: un checkpoint que nunca se lanzó, solo se publicó, y que ahora llega dentro del software de escritorio antes de que el proveedor haya dicho gran cosa sobre él en público. Lo que sigue separa lo que el repositorio afirma realmente de lo que están reportando los primeros usuarios, porque ambas cosas no son el mismo tipo de afirmación.

Lo que el repositorio confirma, y lo que no

Todo lo que aparece a continuación proviene de la tarjeta del modelo, el archivo de licencia y el registro de cambios del proyecto: fuentes primarias, verificables por cualquiera.

• Fechado, y fechado donde importa. La API de Hugging Face informa que el repositorio fue creado el 2026-10-09T04:50:01Z y modificado por última vez el 2026-10-12. La lista de noticias de GitHub de Qwen-Image-2.1 incluye la entrada correspondiente: «2026.10.09: hemos publicado Qwen-Image-2.1-Turbo para la generación y edición de imágenes en solo 8 pasos de eliminación de ruido». El mismo registro de cambios señala que las API Pro y Turbo entraron en funcionamiento en A​libaba Cloud Model Studio ese mismo día. Esto es un lanzamiento; es un lanzamiento sin presentación.

• Qué es. La ficha lo 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 eliminación de ruido", construido sobre la misma arquitectura de generación visual de 7B. No es una nueva familia ni una nueva arquitectura. Es el checkpoint base reempaquetado en torno a una trayectoria de muestreo mucho más corta.

• Ambas capacidades en una sola descarga. Tanto la generación de imagen a partir de texto como la edición guiada por instrucciones se sirven con este único checkpoint. Los ejemplos de la propia tarjeta usan el mismo programa guardado de 8 pasos y el mismo CFG=1 predeterminado para ambos, y demuestran la edición convirtiendo el boceto de un yate en una imagen fotorrealista.

• El programa de muestreo viaja junto con los pesos. El checkpoint incluye su programa de muestreo recomendado, por lo que Diffusers lo carga automáticamente. La tarjeta especifica claramente que establecer `num_inference_steps` por sí solo no anula ese programa guardado. El almacenamiento en caché KV de prefijo reutiliza el contexto de texto e imagen de referencia a lo largo de los pasos de eliminación de ruido.

• Se requieren dos versiones del kit de herramientas. La instalación indicada es una compilación de PyTorch compatible con CUDA, Diffusers desde el código fuente, transformers 5.17.0 o posterior, accelerate y pillow. El checkpoint necesita compatibilidad de Diffusers para las sigmas de muestreo configuradas en el pipeline, añadida en el PR #14950 — árbol de código fuente, no una versión etiquetada en el momento de escribir esto.

• La licencia no ha cambiado, y es la barrera comercial. El repositorio lleva la licencia qwen-research. Ese acuerdo otorga derechos “ÚNICAMENTE CON FINES NO COMERCIALES” y establece que el uso comercial requiere una licencia aparte solicitada al proveedor. Nada en Turbo la relaja.

• Ninguna prueba comparativa de ningún tipo. No hay puntuación para el checkpoint Turbo en la tarjeta, ninguna comparación con la base, ninguna cifra de latencia y ninguna cifra de memoria. El proveedor no publica nada de esto.

• No confundir con las cifras del modelo base. Si ves un Elo o una afirmación de calidad asociada al nombre Qwen-Image-2.1, comprueba a qué checkpoint pertenece. La fila pública de image-arena corresponde a Qwen-Image-2.1, el modelo base del 20 de septiembre, no a Turbo.

Los dos primeros informes locales, y por qué no coinciden

Dos personas independientes dieron cifras sobre la inferencia local en los cuatro días posteriores a la aparición del repositorio. Midieron máquinas distintas, resoluciones distintas y flujos de procesamiento distintos, y sus resultados difieren en aproximadamente un orden de magnitud para la misma tarea nominal. Vale la pena leer ambos; ninguno constituye un benchmark.

El informe del editor de escritorio. X/@dotey, 13 de octubre de 2026: BaoCut 3.5 ha integrado Qwen-Image-2.1-Turbo, y la generación de imágenes ocurre en la máquina local en lugar de a través de un servidor. En su Mac Mini M2, una imagen de 1080p tarda entre tres y cinco minutos, y una imagen 2K cerca de veinte. También señalan que la herramienta producirá contenido NSFW y que se puede apuntar un agente al servicio de imágenes local de la máquina.

El informe de la aplicación nativa. El 11 de octubre de 2026, el autor de Siliconed publicó en el propio tablero de debate de Hugging Face del checkpoint. Siliconed es una aplicación de macOS de código abierto con licencia Apache 2.0 que ejecuta el modelo en Swift y Metal, sin Python ni ComfyUI de por medio, y compara cada etapa —codificador de texto, transformer, VAE— canal por canal con la implementación de Diffusers en fp32. En la máquina de referencia, un MacBook Pro M1 Pro con 16 GB de memoria unificada, a 1024², 8 pasos y CFG 1, Qwen-Image-2.1-Turbo renderiza en 118 segundos; un renderizado de 1024×1536 tarda 190 segundos, una edición con una imagen de referencia, 212 segundos, y una edición con dos imágenes de referencia, 285 segundos. El pico de memoria se mantiene entre 1,8 y 2,7 GB sin ningún uso de swap. Z-Image Turbo en la misma máquina y a la misma resolución tarda entre 82 y 85 segundos.

• Por qué 3–5 minutos y 118 segundos no son una contradicción. La cifra que da el autor del post es una Mac Mini M2 a 1080p dentro de una aplicación; la cifra de la app es una M1 Pro a 1024² ejecutada directamente. Distinto silicio, distinta cantidad de píxeles, distinta cantidad de trabajo ocurriendo alrededor del modelo. Ninguno de los dos números te dice lo que hará tu máquina.

• Lo que informa la app es autoinformado, y así lo dice. El autor es el autor. Frente a eso: el método está publicado, cada cifra viene con un instrumento de medición declarado — `phys_footprint` muestreado cada 100 ms, swap de `vm_stat` — y el proyecto publica una tabla de chips con una línea completada y un formulario público para que los lectores añadan la suya. Eso es más de lo que te da el proveedor y menos de lo que te da un laboratorio independiente.

• La memoria es el número que decide la viabilidad. Una instalación Estándar de 31,2 GB se ejecuta en un Mac de 16 GB porque los pesos se transmiten desde el disco a medida que se necesitan, dentro de un presupuesto declarado de tres cuartos de la memoria del sistema menos 2 GB. Por eso, un tamaño de instalación mayor que tu RAM no es automáticamente un impedimento, y por eso el rendimiento de lectura del disco —no la VRAM— es la restricción.

• El techo de resolución es un límite real. El port para macOS limita la salida a una superficie de 1024×1536, con cualquier lado de 512 o más y múltiplo de 16, con el argumento de que este es el tamaño más grande medido con cero swap en una máquina de 16 GB. Los renders más grandes se rechazan de antemano en lugar de permitir que saturen el sistema. Si tu trabajo necesita los presets de clase 2048 del modelo base, esta ruta local no te los dará.

Los pesos locales implican que no haya capa de moderación, y eso juega en ambos sentidos

La frase más citada de la publicación del 13 de octubre es que el modelo genera imágenes NSFW. Vale la pena ser precisos sobre qué es eso y qué no lo es.

No es una característica que el proveedor anuncie. La tarjeta del modelo no dice nada sobre la política de contenido para el checkpoint abierto, y la licencia no contempla ninguna excepción: concede el uso no comercial y exige que cumplas con la legislación aplicable, y punto. Lo que describe el informe es la consecuencia habitual de ejecutar un modelo de difusión en tu propio hardware: no hay ningún proveedor entre tu prompt y el muestreador, así que no hay ningún filtro del lado del proveedor que se active. Todos los checkpoint abiertos de imágenes se comportan así. La diferencia aquí es la velocidad y el empaquetado: un modelo de 8 pasos de esta clase ahora es lo bastante rápido en hardware de consumo como para que la vía local ya no se sienta como una concesión.

La cuestión del cumplimiento recae enteramente en usted. Si pretende distribuir cualquier cosa construida sobre este checkpoint, la licencia es la restricción vinculante, y no es permisiva: el modelo base se distribuye bajo los mismos términos de investigación no comercial, y el checkpoint Turbo los hereda sin cambios. La inferencia local no cambia lo que se le permite hacer con la salida.

La parte que es realmente nueva: una herramienta que un agente puede invocar.

Ambos informes convergen en el mismo detalle, y es el que tiene la cola más larga. La publicación del 13 de octubre menciona que se puede apuntar un agente al servicio de imágenes local de la máquina. La versión para macOS incluye exactamente esa interfaz: un binario auxiliar llamado `silicontrol` dentro del paquete de la aplicación que controla la ventana en ejecución desde una terminal, con comandos para listar modelos, encolar un renderizado con `--wait --out` y leer el estado, emitiendo líneas JSON con un campo final `"ok"`. Hay una sola cola y nunca dos renderizados a la vez.

Un endpoint de imagen local que responde en líneas JSON y devuelve una ruta de archivo es un objetivo de llamada de herramienta. Eso es una propuesta distinta a pegar prompts en una interfaz web: un agente de programación puede decidir que necesita un diagrama, un marcador de posición o una variante, llamar al servicio local y seguir trabajando sin clave de API, sin facturación por imagen y sin que los datos salgan de la máquina. Para trabajos no comerciales —investigación, prototipos internos, arneses de evaluación—, eso es una capacidad genuinamente nueva con 8 pasos y menos de 3 GB de memoria máxima.

También tiene un borde duro, y es la misma licencia la que lo traza. En el momento en que lo que estás construyendo es un producto y no un artefacto de investigación, la vía local deja de ser la respuesta fácil y la restricción no comercial se convierte en el hecho decisivo.

Dónde encaja una capa de enrutamiento, y dónde no

Qwen-Image-2.1-Turbo es una descarga de pesos con licencia para investigación. No es un endpoint alojado en OrcaRouter, y nada de lo que aquí se dice debe interpretarse en sentido contrario. La división honesta es por carga de trabajo.

Si tus imágenes tienen que generarse en una máquina que tú controlas, ya sea por privacidad, por coste o porque no hay conectividad, entonces este checkpoint y un runner local son la respuesta, y la cuestión del enrutamiento nunca se plantea: la licencia no comercial y el presupuesto de disco son tus dos restricciones. Si, en cambio, estás llamando a modelos de imagen en producción, donde una solicitud tiene que aterrizar en algún lugar fiable y prefieres no mantener una relación con un proveedor por cada modelo, ese es el problema OrcaRouter existe para: más de 200 modelos detrás de un único endpoint compatible con OpenAI al precio de lista del proveedor y sin ningún recargo, conmutación automática por error cuando un proveedor se degrada, y un DSL de enrutamiento para los casos en los que quieres expresar una preferencia en lugar de aceptar un valor predeterminado. Las dos configuraciones no compiten entre sí. Un checkpoint local es una herramienta sobre tu escritorio; un enrutador es lo que pones delante de los modelos alojados a los que llamas cuando el trabajo sale del escritorio.

La razón práctica para mantenerlos separados en tu cabeza es que fallan de forma distinta. Un renderizado local falla cuando la máquina está ocupada, el disco es lento o se supera el presupuesto de memoria. Una llamada alojada falla cuando falla un proveedor. Solo una de esas merece resolverse con conmutación por error.

Lo que aún no podemos decir

Tres cosas zanjarían la reputación de este punto de control, y ninguna de ellas existe todavía.

• Sin evaluación independiente. Turbo no tiene fila en arena, ni Elo publicado, ni comparación de calidad de terceros frente a Qwen-Image-2.1 o Z-Image Turbo. El costo en calidad de pasar de la trayectoria de muestreo más larga del modelo base a 8 pasos simplemente no se ha medido públicamente.

• Ninguna cifra de rendimiento o memoria del proveedor. La ficha caracteriza el checkpoint y no dice nada sobre lo que cuesta ejecutarlo. Todos los números de este artículo que no sean una fecha provienen de un usuario, y cada uno de ellos lleva la marca de la máquina en la que se midió.

• Un chip en la tabla pública. La tabla de resultados del port de macOS tiene exactamente una fila completada, un M1 Pro, y una invitación para que todos los demás añadan la suya. Si estás a punto de comprar hardware para esto, estás extrapolando a partir de esa fila más una anécdota de un Mac Mini M2.

Lo que se puede decir con confianza es más acotado y más útil. El checkpoint existe, está fechado el 9 de octubre de 2026, realiza generación y edición en 8 pasos a 7B, su programación está integrada en los pesos, es no comercial, y pasó de un repositorio a ejecutarse dentro de un software de escritorio en menos de una semana sin lanzamiento alguno. Eso es un evento real en la generación de imágenes local, y está ocurriendo antes de que nadie haya publicado un número con el que se pueda responsabilizar al proveedor.

Elecciones de modelo como esta son también donde aparecen los modos de fallo: los incidentes de IA y fallos de agentes documentados que hay detrás de los modelos de esta clase se recopilan en the OrcaRouter AI Incident Archive , donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza y marca de disputa.