Qwen-Image-2.1-Turbo : ce qu'est le checkpoint en 8 étapes, et en quoi il diffère de Qwen-Image-2.1

Qwen-Image-2.1-Turbo est un checkpoint accéléré de Qwen-Image-2.1 : le même socle de génération visuelle de 7B, les deux mêmes tâches — la génération texte-image et l'édition d'image guidée par instructions — et huit étapes de débruitage là où les propres exemples du checkpoint de base en utilisent quarante. Ce n'est pas une nouvelle architecture ni une nouvelle famille de modèles, et il n'y a pas de second modèle à l'intérieur du fichier. Le checkpoint a été mis en ligne sur Hugging Face le 9 octobre 2026, une date portée à la fois par l'horodatage de création du dépôt et par une ligne dans la liste d'actualités du projet Qwen-Image lui-même ; tout ce qui suit est la description en vigueur du modèle, rétablie le 13 octobre 2026 à partir des propres documents du fournisseur plutôt que du résumé qu'en aurait fait quiconque.

Si vous avez tapé le nom du modèle pour savoir de quoi il s'agit, la réponse courte est le paragraphe précédent. La réponse utile, c'est le contraste.

La variante Turbo, une dimension à la fois

Chaque ligne ci-dessous provient du dépôt propre au checkpoint — la fiche modèle, le model_index.json, le transformer/config.json et le LICENSE — ou du dépôt du projet Qwen-Image sur GitHub, consulté aujourd'hui. Lorsque le fournisseur ne publie rien, cela est indiqué plutôt que comblé.

• Nombre d'étapes — 8 étapes de débruitage pour Qwen-Image-2.1-Turbo, contre 40 pour Qwen-Image-2.1. Ce 40 est le chiffre avancé par le fournisseur lui-même, utilisé dans chaque exemple de Qwen-Image-2.1 sur sa fiche et indiqué comme valeur par défaut dans le tableau des paramètres du projet sur GitHub.

• Rapidité — le nombre d'étapes est la seule affirmation de rapidité faite par Qwen, et il s'agit d'un décompte plutôt que d'une mesure. Aucun chiffre de latence, de débit ou d'images par GPU n'apparaît pour l'un ou l'autre des checkpoints, et aucune des deux fiches n'indique le matériel sur lequel ses exemples ont été générés.

• Compromis de qualité — non quantifié. Il n'existe aucun score d'évaluation pour Qwen-Image-2.1-Turbo, aucun pour Qwen-Image-2.1, et aucune comparaison directe entre les deux, nulle part dans la documentation du fournisseur. Les images de démonstration sur la fiche Turbo sont des sorties en huit étapes sélectionnées par le fournisseur ; elles démontrent que le checkpoint produit des images, pas quelle part de fidélité a été sacrifiée pour atteindre huit étapes. Aucun benchmark tiers de l'un ou l'autre checkpoint n'était disponible pour nous au moment de la rédaction.

• Où réside le calendrier d'échantillonnage — c'est la seule différence structurelle que les fiches révèlent. Le model_index.json de Turbo contient un tableau sample_sigmas de huit valeurs, allant de 1.0 à 0.414568, et la fiche indique que le calendrier est enregistré avec le checkpoint et chargé automatiquement — « définir num_inference_steps seul ne le remplace pas. » Qwen-Image-2.1 prend le nombre d'étapes au moment de l'appel. La solution de repli est un argument sigmas explicite au moment de l'appel, et la fiche précise que les autres calendriers « n'ont pas été évalués pour ce checkpoint ».

• Backbone — identique. Pour Turbo, le transformer/config.json correspond champ pour champ à celui du checkpoint de base : 32 couches, 32 têtes d'attention de 128 dimensions chacune, taille de patch 1, 64 canaux d'entrée et de sortie, causal_condition true, dimension d'entrée du contexte 4096. La seule valeur qui diffère entre les deux fichiers est la version de Diffusers enregistrée.

• Encodeur de texte, VAE et planificateur — le model_index.json de Turbo nomme Qwen3VLForConditionalGeneration comme encodeur de texte avec un Qwen3VLProcessor, un VAE AutoencoderKLQwenImage21, et un FlowMatchEulerDiscreteScheduler. Ce sont les mêmes classes de composants que déclare Qwen-Image-2.1. Les notes d'architecture du projet décrivent l'encodeur de texte partagé comme un modèle vision-langage Qwen3-VL 8B et le VAE comme un autoencodeur RGBA à 64 canaux avec une compression spatiale 16×.

• Guidage par défaut — la fiche du Turbo indique CFG 1 par défaut, ce qui supprime la passe de guidage sans classifieur à chaque étape. La fiche du modèle de base n'indique pas du tout de valeur de guidage par défaut.

• Préréglages de résolution —les mêmes sept dans les deux, repris mot pour mot de la carte Turbo : 1:1 à 2048 × 2048, 4:3 à 2400 × 1792, 3:4 à 1792 × 2400, 3:2 à 2528 × 1696, 2:3 à 1696 × 2528, 16:9 à 2752 × 1536 et 9:16 à 1536 × 2752.

• Empreinte disque — la liste des fichiers du dépôt Turbo totalise à elle seule environ 32,5 Go, en comptant un transformer de 14,2 Go, un encodeur de texte de 17,5 Go et un VAE de 0,7 Go, d'après les tailles de fichiers publiées aujourd'hui dans le dépôt. Il s'agit de l'ensemble des composants du checkpoint de base en précision bfloat16, et le fournisseur ne livre aucune version quantifiée de son côté.

Ce que Qw​en dit vraiment sur le compromis entre vitesse et fidélité

L'affirmation du fournisseur est plus étroite que ne le suggère le titre, et il vaut la peine de la lire dans les propres termes de la fiche. Qwen-Image-2.1-Turbo est décrit comme « un checkpoint accéléré de Qwen-Image-2.1 pour la génération texte-image et l'édition d'images avec 8 étapes de débruitage », un modèle qui « utilise la même architecture de génération visuelle 7B et se charge directement avec QwenImage21Pipeline. » La formulation de l'avantage par la fiche est procédurale, et non visuelle : le checkpoint « inclut son calendrier d'échantillonnage recommandé, de sorte qu'il est prêt à l'emploi sans avoir à configurer manuellement le planificateur. »

Trois mécanismes sont nommés, et seulement trois. Le programme en huit étapes lui-même. CFG 1 par défaut, qui supprime la passe de guidage. Et la mise en cache KV du préfixe, qui « réutilise le contexte du texte et de l'image de référence à travers les étapes de débruitage » — un mécanisme que le modèle Base documente aussi, et qui compte davantage, pas moins, lorsque la boucle ne dure que huit itérations.

Maintenant, la partie qui n'est pas là. La fiche ne dit jamais que le checkpoint Turbo correspond à la qualité de sortie de Qwen-Image-2.1. Elle ne dit jamais combien de qualité a été sacrifiée, ni quelles catégories se dégradent en premier — texture, petit texte, visages, cohérence multi-référence. Elle n'utilise jamais le mot distillation, et rien dans le dépôt n'indique une relation enseignant-étudiant. Ce que les métadonnées disent bel et bien, c'est que c'est dérivé : les étiquettes Hugging Face portent base_model:Qwen/Qwen-Image-2.1 et base_model:finetune:Qwen/Qwen-Image-2.1, et la fiche modèle de ModelScope répertorie le même parent avec la relation « finetune ». La position de Qwen lui-même, en d'autres termes, est un fine-tuning du checkpoint de base, et la question de la qualité est laissée à quiconque l'exécute.

Ce n’est pas tant une critique que la forme que prend la publication. Un fournisseur qui livre un checkpoint accéléré sans benchmark invite exactement à la comparaison qu’un lecteur doit désormais mener lui-même : même prompt, même graine, les deux checkpoints, quarante étapes contre huit.

Entrées, sorties, et la taille réelle de la chose

La fiche documente deux modalités d'entrée et une modalité de sortie, et elles sont celles du modèle de base, inchangées.

• Texte en entrée, image en sortie — une invite textuelle produit une image matricielle. L'exemple concret de la fiche est une affiche au format portrait de 1696 × 2528, et la vitrine passe en revue la photographie de portrait, la typographie et le design d'affiche, ainsi que l'interface utilisateur et la mise en page d'informations, ce qui relève d'une affirmation de Qw​en sur le rendu du texte et la fidélité de la mise en page plutôt que d'une mesure de ceux-ci.

• Image en entrée, image en sortie — le même pipeline accepte une image d'entrée en plus du prompt pour l'édition guidée par instruction. L'exemple de la fiche convertit un croquis de yacht en photographie photoréaliste en 2048 × 2048 et charge l'entrée au format RGBA. La démonstration illustre également la composition multi-références et une composition d'intérieur à quatre images. Un chiffre auquel il faut faire attention ici : la mention « jusqu'à 10 images de référence » appartient à la documentation de Qwen-Image-2.1, et la fiche Turbo ne réaffirme aucune limite d'images de référence. Considérez 10 comme le chiffre publié du modèle de base, et non comme une spécification de Turbo.

• Transparence — la fiche répertorie la génération d'images transparentes parmi les catégories de vitrine, et la classe VAE livrée est le même autoencodeur RGBA à 64 canaux que celui utilisé par le modèle de base, de sorte que la sortie alpha est documentée pour ce checkpoint plutôt que simplement héritée de nom.

• Résolution de sortie — les mêmes sept préréglages listés ci-dessus, jusqu'à 2752 × 1536 en paysage et 1536 × 2752 en portrait, 2048 × 2048 étant le niveau par défaut. Le projet décrit Qwen-Image-2.1 comme prenant nativement en charge la résolution 2K ; rien dans l'un ou l'autre dépôt ne revendique un palier natif supérieur, et rien ne documente d'étape de mise à l'échelle.

• Taille du modèle — 7 milliards de paramètres dans le composant de génération visuelle répartis sur 32 couches DiT à flux unique, en bfloat16, environ 32,5 Go sur disque pour le dépôt complet. Il n'y a pas de fenêtre de contexte textuel à citer, car ce n'est pas un modèle de texte ; l'entrée de contexte à 4096 dimensions dans la configuration du transformer est la représentation encodée du prompt et de l'image de condition, et non une fenêtre de tokens.

Licence, et où se trouvent les poids

Qwen-Image-2.1-Turbo est publié sous l'accord de licence Qwen Research. Les métadonnées du dépôt indiquent license: other avec license_name: qwen-research et license_link: LICENSE, et un fichier LICENSE se trouve dans le dépôt aux côtés des poids. Nous avons comparé les deux fichiers de licence aujourd'hui : le LICENSE du dépôt Turbo est identique octet pour octet à celui du modèle de base, ce qu'il est bon de savoir, car cela signifie que l'accélération n'a entraîné aucun changement sur le plan des conditions.

Ce que dit l'accord, lu directement dans le fichier : la concession est « À DES FINS NON COMMERCIALES UNIQUEMENT », « Non commercial » est défini comme « à des fins de recherche ou d'évaluation uniquement », et l'usage commercial exige « une licence commerciale distincte de notre part », à demander à model-business@notice.qwencloud.com. L'en-tête de l'accord lui-même date cette version du 20 septembre 2026. Si la raison pour laquelle vous voulez une génération en huit étapes est qu'elle rend le modèle assez bon marché pour être placé derrière un produit, la licence est ici la contrainte déterminante, et non le nombre d'étapes, et aucune page de ce dépôt ne la résout.

Les poids sont téléchargeables à deux endroits, tous deux officiels : Hugging Face à Qwen/Qwen-Image-2.1-Turbo et ModelScope à Qwen/Qwen-Image-2.1-Turbo. Le dépôt Hugging Face n'est pas soumis à autorisation. Ses métadonnées n'indiquent aucun fournisseur d'inférence hébergé ; d'après ce que montre la fiche du fournisseur lui-même, aucun point de terminaison tiers ne fera donc tourner ce checkpoint exact pour vous aujourd'hui.

Pour une solution hébergée, il y a celle propre à Qwen : la liste d’actualités du projet indique que les API Qwen-Image-2.1 Pro et Turbo ont été mises en ligne sur Alibaba Cloud Model Studio le 9 octobre 2026, et le README GitHub propose « les API hébergées, ou exécutez le checkpoint Turbo dans votre propre environnement avec Diffusers ». Le tarif par image pour le point de terminaison Turbo n’est pas indiqué sur la page de référence de l’API du fournisseur que nous avons consultée, qui renvoie plutôt à une page distincte de tarification des modèles — considérez donc le prix comme non publié dans les documents que nous avons pu vérifier, et consultez la page de tarification du fournisseur avant de planifier en fonction de celui-ci.

Fine-tuning : ce qui est documenté, et ce qui n’est que communautaire

La réponse honnête est que la carte Turbo ne documente aucun type de fine-tuning. Elle couvre l'installation, le texte-vers-image, l'édition d'images, l'échantillonnage et les ratios d'aspect, puis s'arrête. Il n'y a aucune section d'entraînement, aucune instruction LoRA, aucun guide sur les adaptateurs, aucune note sur les jeux de données et aucun script d'entraînement nulle part dans le dépôt du projet Qwen-Image — nous avons vérifié son arborescence de fichiers, qui ne contient que des ressources et deux fichiers de données de réécriture de prompts.

Le modèle de base s’en sort légèrement mieux, et il s’agit de la documentation d’un autre modèle : la documentation de Qwen-Image-2.1 décrit l’entraînement LoRA via ModelScope, bâti sur le framework open source DiffSynth-Studio. Cette affirmation concerne Qwen-Image-2.1, et rien dans la fiche Turbo ne l’étend au checkpoint accéléré.

Ce qui existe pour Turbo est un travail communautaire. À ce jour, 47 dépôts sur Hugging Face déclarent Qwen/Qwen-Image-2.1-Turbo comme modèle de base, et presque tous sont des ports de quantification — des builds GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO. Un seul exactement est un adaptateur LoRA, un adaptateur de remplacement de personnage publié le 10 octobre 2026. Rien de tout cela ne relève du support du fournisseur, rien de tout cela n'est validé par Qw​en, et un adaptateur entraîné sur la trajectoire de quarante étapes du checkpoint de base n'est pas automatiquement correct face à un programme de huit étapes enregistré. Si vous êtes arrivé ici en cherchant un workflow LoRA pour Turbo, la réponse exacte est que le fournisseur n'en a publié aucun.

Comment l'exécuter, et comment l'appeler

L'auto-hébergement est une tâche Diffusers normale avec une particularité délicate. L'installation de la carte consiste en une version de PyTorch compatible CUDA, Diffusers depuis les sources (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate et pillow. La particularité délicate est que ce checkpoint nécessite une version de Diffusers prenant en charge les sigmas d'échantillonnage configurés dans le pipeline, ajoutée dans la PR #14950 — qui, au moment de la rédaction, se trouve dans l'arborescence des sources plutôt que dans une version étiquetée, c'est pourquoi la carte ne vous indique pas d'installer un numéro de version.

La ligne de chargement est la classe de pipeline du modèle de base avec le nom du checkpoint remplacé : QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). La génération est ensuite un appel avec un prompt, une largeur et une hauteur issues de la liste prédéfinie, use_kv_cache=True, et une graine de générateur ; l'exemple texte-image de la fiche utilise 1696 × 2528 avec la graine 42, et son exemple d'édition passe une image RGBA comme argument image en 2048 × 2048 avec la graine 20261009. Ne passez pas num_inference_steps en espérant que cela ait un effet.

Une lacune à anticiper : la fiche du modèle Turbo ne publie aucune indication sur la mémoire. La fiche du modèle de base comporte une section d'optimisation de la mémoire présentant pipe.enable_model_cpu_offload() la fiche du modèle Turbo s'arrête simplement. Avec un encodeur de texte de 17,5 Go dans le dépôt, c'est le chiffre à prévoir, et la fiche ne vous dit pas sur quel GPU il peut tenir.

L'appeler au lieu de l'exécuter signifie passer par l'API Turbo hébergée propre à Qwen sur Alibaba Cloud Model Studio. Il n'existe aucun prix par image publié que nous ayons pu vérifier sur la page de référence de l'API du fournisseur, et aucune limite de débit publiée que nous ayons pu vérifier non plus — un lecteur qui prévoit un volume important a donc deux chiffres à obtenir auprès du fournisseur avant de s'engager.

Où se situe OrcaRouter, en clair

OrcaRouter n'achemine pas Qwen-Image-2.1-Turbo et n'achemine pas Qwen-Image-2.1 — aucun de ces deux identifiants n'apparaît dans notre liste de modèles en direct, que nous avons consultée aujourd'hui, et rien sur cette page ne doit être interprété comme une offre de servir l'un ou l'autre. La gamme d'images que nous proposons est bien celle hébergée : la famille Open​AI GPT-Image, les paliers Imagen 4 de Goog​le et le point de terminaison d'images Grok Imagine de x​AI.

Cette distinction est la plus utile en pratique pour ce point de contrôle. OrcaRouter place plus de 200 modèles derrière un seul point de terminaison compatible OpenAI, au prix catalogue du fournisseur et sans marge, et il ajoute un basculement automatique lorsqu'un fournisseur se dégrade — ce que vous voulez lorsque vous appelez un modèle d'image hébergé en production, et sans importance lorsque le modèle en question est un téléchargement de 32,5 Go sous licence de recherche. Si votre plan est d'exécuter Qwen-Image-2.1-Turbo vous-même, la couche de routage n'est pas la contrainte ; l'accord de licence de recherche Qw​en l'est.

Ainsi, la décision se scinde nettement. Huit étapes, un calendrier enregistré, une licence de recherche identique octet pour octet et aucun benchmark signifient que le checkpoint est un outil de recherche et de prototypage jusqu'à ce que Qw​en publie une évaluation ou que vous exécutiez la vôtre. Si vous avez besoin d'un point de terminaison d'image en production cette semaine, c'est un autre achat, et c'est celui que nous vendons.