Qwen-Image-2.1-Turbo על מחשב שולחני: BaoCut 3.5 והמדידות המקומיות הראשונות
- OrcaחדשOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 54 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 818 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 41 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 2230 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040אינטליגנציה
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 57 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 לכל 1M טוקנים · 125 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642אינטליגנציה72כתיבת קוד
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 לכל 1M טוקנים · 205 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845אינטליגנציה75כתיבת קוד
המאגר של Qwen-Image-2.1-Turbo הופיע ב-Hugging Face ב-9 באוקטובר 2026 עם 707 לייקים, משקלים, קובץ רישיון, ושורה אחת ברשימת החדשות של Qwen-Image-2.1 ב-GitHub ככל ההכרזה עליו. חמישה ימים לאחר מכן הוא כבר רץ על השולחנות של אנשים. BaoCut 3.5, כלי עריכה שולחני סיני, שילב את ה-checkpoint והחל לייצר תמונות על המכונה המקומית במקום דרך שרת; X/@dotey דיווח ב-13 באוקטובר 2026 שתמונה אורכת בערך שלוש עד חמש דקות ב-1080p על ה-Mac Mini M2 שלהם וכמעט עשרים דקות ב-2K. בנפרד, אפליקציית macOS בקוד פתוח בשם Siliconed פרסמה בלוח הדיונים של המודל עצמו ב-11 באוקטובר 2026 מדידה של 118 שניות ב-1024² על M1 Pro, ואותה מכונה מריצה Z-Image Turbo — ה-checkpoint הפתוח האחר עם 8 צעדים שאנשים בוחרים ביניהם — ב-82 עד 85 שניות. Qwen-Image-2.1, מודל הבסיס ששתי היציאות המקומיות נגזרות ממנו, שוחרר ב-20 בספטמבר 2026. ה-checkpoint המואץ צעיר בשלושה שבועות מהמודל האב שלו ואין לו הערכה עצמאית משלו.
זו הצורה של הסיפור הזה: צ'קפוינט שמעולם לא הושק, רק פורסם, וכעת מגיע בתוך תוכנת שולחן עבודה לפני שהספק אמר עליו כמעט דבר בפומבי. מה שלהלן מפריד בין מה שהמאגר מציין בפועל לבין מה שהמשתמשים הראשונים מדווחים, משום ששני אלה אינם אותו סוג של טענה.
מה שהמאגר מאשר, ומה שלא
כל מה שלהלן מגיע מכרטיס המודל, מקובץ הרישיון ומתיעוד השינויים של הפרויקט — מקורות ראשוניים, שכל אחד יכול לבדוק.
• מתוארך, ומתוארך במקום שקובע. ה-API של Hugging Face מדווח שהמאגר נוצר ב-2026-10-09T04:50:01Z ושונה לאחרונה ב-2026-10-12. רשימת החדשות של Qwen-Image-2.1 ב-GitHub כוללת את הרשומה המתאימה: "2026.10.09: שחררנו את Qwen-Image-2.1-Turbo ליצירה ועריכה של תמונות בשמונה צעדי דה-נויזינג בלבד." אותו יומן שינויים מתעד שממשקי ה-API של Pro ו-Turbo עלו לאוויר ב-Alibaba Cloud Model Studio באותו יום. זהו שחרור; זהו שחרור בלי השקה.
• מה זה. הכרטיס מכנה אותו "צ'ק-פוינט מואץ של Qwen-Image-2.1 ליצירת תמונות מטקסט ועריכת תמונות עם 8 צעדי הפחתת רעש", הבנוי על אותה ארכיטקטורת יצירה חזותית בת 7B. הוא אינו משפחה חדשה ואינו ארכיטקטורה חדשה. זהו צ'ק-פוינט הבסיס שארוז מחדש סביב מסלול דגימה קצר בהרבה.
• שתי היכולות בהורדה אחת.יצירת תמונות מטקסט ועריכה מונחית הוראות מסופקות על ידי צ'קפוינט בודד זה. הדוגמאות של הכרטיס עצמו משתמשות באותו לוח זמנים שמור של 8 צעדים ובאותו CFG=1 כברירת מחדל עבור שתיהן, ומדגימות עריכה על ידי הפיכת סקיצה של יאכטה לתמונה פוטוריאליסטית.
• לוח הזמנים מגיע יחד עם המשקלים. הצ'קפוינט מספק את לוח הדגימה המומלץ שלו, כך ש-Diffusers טוען אותו אוטומטית. הכרטיס מבהיר במפורש שהגדרת `num_inference_steps` בלבד אינה עוקפת את לוח הזמנים השמור הזה. מטמון KV של קידומת עושה שימוש חוזר בהקשר הטקסט ובהקשר תמונת הייחוס בין שלבי הסרת הרעש.
• נדרשות שתי גרסאות של ערכת הכלים. ההתקנה המוצהרת היא בנייה של PyTorch תואמת CUDA, Diffusers מהמקור, transformers 5.17.0 ואילך, accelerate ו-pillow. נקודת הבדיקה זקוקה לתמיכת Diffusers בסיגמות דגימה המוגדרות על ידי pipeline, שנוספה ב-PR #14950 — עץ המקור, לא מהדורה מתויגת בזמן כתיבת הדברים.
• הרישיון לא השתנה, והוא החומה המסחרית. המאגר נושא את רישיון qwen-research. ההסכם הזה מקנה זכויות "למטרות לא-מסחריות בלבד" ומציין ששימוש מסחרי מחייב רישיון נפרד שיש לבקש מהספק. שום דבר בנוגע ל-Turbo אינו מקל עליו.
• אין בנצ'מרק מכל סוג שהוא. אין ציון עבור ה-Turbo checkpoint בכרטיס, אין השוואה מול הבסיס, אין נתון השהיה, ואין נתון זיכרון. הספק לא מפרסם דבר מזה.
• לא להתבלבל עם המספרים של מודל הבסיס. אם אתם רואים טענת Elo או טענת איכות המיוחסת לשם Qwen-Image-2.1, בדקו לאיזה צ'קפוינט היא שייכת. שורת ה-image-arena הציבורית שייכת ל-Qwen-Image-2.1, מודל הבסיס מ-20 בספטמבר, ולא ל-Turbo.
שני הדוחות המקומיים הראשונים, ומדוע הם חלוקים
שני אנשים בלתי תלויים פרסמו מספרים על הסקה מקומית בתוך ארבעה ימים מהופעת המאגר. הם מדדו מכונות שונות, רזולוציות שונות וצינורות עיבוד שונים, והתוצאות שלהם נבדלות בכסדר גודל בערך באותה משימה נומינלית. את שניהם שווה לקרוא; אף אחד מהם אינו בנצ'מרק.
דוח עורך שולחן העבודה. X/@dotey, 13 באוקטובר 2026: BaoCut 3.5 שילבה את Qwen-Image-2.1-Turbo, ויצירת התמונות מתבצעת במחשב המקומי ולא דרך שרת. ב-Mac Mini M2 שלהם, תמונה ב-1080p אורכת כשלוש עד חמש דקות ותמונה ב-2K קרוב לעשרים. הם גם מציינים שהכלי יפיק תוכן NSFW, ושניתן לכוון סוכן אל שירות התמונות המקומי של המחשב.
הדוח של אפליקציית הנייטיב. ב-11 באוקטובר 2026, מחבר Siliconed פרסם בלוח הדיונים של Hugging Face של הצ'קפוינט עצמו. Siliconed היא אפליקציית macOS בקוד פתוח ברישיון Apache-2.0, שמריצה את המודל ב-Swift וב-Metal, ללא Python וללא ComfyUI בתהליך, ומשווה כל שלב — מקודד טקסט, טרנספורמר, VAE — ערוץ אחר ערוץ מול מימוש ה-Diffusers ב-fp32. במכונת הייחוס, MacBook Pro M1 Pro עם 16 GB של זיכרון מאוחד, ברזולוציה 1024², 8 צעדים ו-CFG 1, Qwen-Image-2.1-Turbo מרנדר תוך 118 שניות; רינדור של 1024×1536 אורך 190 שניות, עריכה עם תמונת ייחוס אחת 212 שניות, ועריכה עם שתי תמונות ייחוס 285 שניות. שיא הזיכרון נשאר בין 1.8 ל-2.7 GB ללא אף swap-out. Z-Image Turbo על אותה מכונה ובאותה רזולוציה אורך 82 עד 85 שניות.
• למה 3–5 דקות ו-118 שניות אינן סתירה. הנתון שבעל הפוסט מציין הוא Mac Mini M2 ב-1080p בתוך אפליקציה; הנתון של האפליקציה הוא M1 Pro ב-1024² בהרצה ישירה. שבבים שונים, מספר פיקסלים שונה, וכמות שונה של עבודה שמתרחשת סביב המודל. אף אחד מהמספרים לא אומר לך מה המחשב שלך יעשה.
• מה שהאפליקציה מדווחת הוא דיווח עצמי, והיא אומרת זאת. המחבר הוא המחבר. מנגד: השיטה מפורסמת, כל מספר מגיע עם מכשיר מדידה מוצהר — `phys_footprint` נדגם כל 100 מילישניות, swap מ-`vm_stat` — והפרויקט מפרסם טבלת שבבים עם שורה אחת מלאה וטופס ציבורי לקוראים להוסיף את שלהם. זה יותר ממה שהספק נותן לך, ופחות ממעבדה עצמאית.
• הזיכרון הוא המספר שקובע את ההיתכנות. התקנה סטנדרטית של 31.2 GB רצה על Mac עם 16 GB כי המשקלים מוזרמים מהדיסק לפי הצורך, במסגרת תקציב מוצהר של שלושה רבעים מזיכרון המערכת פחות 2 GB. זו הסיבה שגודל התקנה הגדול מהזיכרון שלך אינו בהכרח חסם, ושתפוקת קריאת הדיסק — ולא ה-VRAM — היא האילוץ.
• תקרת הרזולוציה היא מגבלה אמיתית. גרסת ה-macOS מגבילה את הפלט למשטח של 1024×1536, כל צד 512 או יותר וכפולה של 16, מהנימוק שזהו הגודל הגדול ביותר שנמדד עם אפס סוואפ במכונה עם 16 GB. רינדורים גדולים יותר נדחים מראש במקום לאפשר להם לגרום להחלפה מתמדת. אם העבודה שלך זקוקה לפריסטים בדרגת 2048 של מודל הבסיס, הנתיב המקומי הזה לא ייתן לך אותם.
משקלים מקומיים פירושם שאין שכבת מודרציה, ולכך יש השלכות לשני הכיוונים.
המשפט המצוטט ביותר מהפוסט מ-13 באוקטובר הוא שהמודל מייצר תמונות NSFW. כדאי לדייק לגבי מה זה כן ומה זה לא.
זה לא מאפיין שהיצרן מפרסם. כרטיס המודל אינו אומר דבר על מדיניות תוכן עבור הצ'קפוינט הפתוח, והרישיון אינו מחריג שום יוצא מן הכלל: הוא מעניק שימוש לא-מסחרי ומחייב אותך לציית לחוק החל, נקודה. מה שהדוח מתאר הוא התוצאה הרגילה של הרצת מודל דיפוזיה על החומרה שלך — אין ספק בין הפרומפט שלך לבין הסמפלר, ולכן אין מסנן בצד הספק שיופעל. כל צ'קפוינט תמונות פתוח מתנהג כך. ההבדל כאן הוא מהירות ואריזה: מודל בן 8 שלבים מהסוג הזה מהיר כעת מספיק על חומרת צרכנים, עד כדי כך שהמסלול המקומי כבר לא מרגיש כמו פשרה.
שאלת הציות עוברת כולה אליך. אם אתה מתכוון לשחרר משהו שנבנה על הצ'קפוינט הזה, הרישיון הוא האילוץ המחייב, והוא אינו מתירני — מודל הבסיס מופץ תחת אותם תנאי מחקר לא מסחריים, וצ'קפוינט Turbo יורש אותם ללא שינוי. הסקה מקומית אינה משנה את מה שמותר לך לעשות עם הפלט.
החלק שבאמת חדש: כלי שסוכן יכול לקרוא לו
שתי הדוחות מתכנסים לאותו פרט, והוא דווקא זה עם הזנב הארוך יותר. הפוסט מ-13 באוקטובר מזכיר שאפשר לכוון סוכן אל שירות התמונות המקומי של המכונה. גרסת ה-macOS מגיעה בדיוק עם הממשק הזה: קובץ בינארי עזר בשם `silicontrol` בתוך חבילת האפליקציה, שמפעיל את החלון הפעיל מהמסוף, עם פקודות להצגת רשימת מודלים, להכניס רינדור לתור עם `--wait --out`, ולקרוא סטטוס, תוך פליטת שורות JSON עם שדה `"ok"` בסופן. יש תור אחד ולעולם לא שני רינדורים בו-זמנית.
נקודת קצה מקומית לתמונות שמשיבה ב-JSON lines ומחזירה נתיב קובץ היא יעד לקריאת כלי. זהו דבר שונה מהדבקת פרומפטים בממשק משתמש וובי: סוכן קוד יכול להחליט שהוא זקוק לתרשים, למציין מקום, או לווריאציה, לקרוא לשירות המקומי, ולהמשיך לעבוד בלי מפתח API, בלי חיוב לפי תמונה, ובלי שנתונים יוצאים מהמכונה. לעבודה לא מסחרית — מחקר, אבות טיפוס פנימיים, מערכי הערכה — זו יכולת חדשה ממש ב-8 צעדים ובפחות מ-3 GB של זיכרון שיא.
יש לו גם קצה קשה, ואותו רישיון יוצר אותו. ברגע שהדבר שאתה בונה הוא מוצר ולא ארטיפקט מחקרי, הנתיב המקומי מפסיק להיות התשובה הקלה, וההגבלה הלא-מסחרית הופכת לעובדה המכריעה.
היכן שכבת ניתוב משתלבת, והיכן שהיא לא
Qwen-Image-2.1-Turbo הוא הורדת משקולות ברישיון מחקרי. הוא אינו נקודת קצה מתארחת ב-OrcaRouter, ואין לקרוא דבר כאן כאומר אחרת. החלוקה הכנה היא לפי עומס העבודה.
אם התמונות שלך חייבות להיות מיוצרות על מכונה שבשליטתך — מטעמי פרטיות, עלות, או משום שאין קישוריות — אז הצ'קפוינט הזה ורץ מקומי הם הפתרון, ושאלת הניתוב כלל אינה מתעוררת: הרישיון הלא-מסחרי ותקציב הדיסק הם שתי המגבלות שלך. אם לעומת זאת אתה קורא למודלים של תמונות בסביבת ייצור, שבה בקשה צריכה לנחות במקום אמין ואתה מעדיף שלא להחזיק קשר עם ספק נפרד לכל מודל, זו הבעיה OrcaRouter קיים עבורה: יותר מ-200 מודלים מאחורי נקודת קצה אחת תואמת OpenAI במחיר המחירון של הספק וללא תוספת, מעבר אוטומטי בין ספקים כשספק נחלש, ו-DSL לניתוב למקרים שבהם אתה רוצה להביע העדפה במקום להסתפק בברירת מחדל. שני ההסדרים אינם מתחרים זה בזה. צ'קפוינט מקומי הוא כלי על השולחן שלך; ראוטר הוא מה שאתה מציב לפני המודלים המאוחסנים שאליהם אתה פונה כשהעבודה יוצאת מהשולחן.
הסיבה המעשית להחזיק אותם נפרדים בראש היא שהם נכשלים באופן שונה. רינדור מקומי נכשל כאשר המכונה עמוסה, הדיסק איטי, או שתקציב הזיכרון מוצה. קריאה לשירות מתארח נכשלת כאשר הספק נכשל. רק אחד מאלה שווה לפתור באמצעות מעבר לגיבוי.
מה שאנחנו עדיין לא יכולים לומר
שלושה דברים יכריעו את המוניטין של נקודת הביקורת הזו, ואף אחד מהם עדיין לא קיים.
• אין הערכה בלתי תלויה. ל-Turbo אין שורה בארנה, אין Elo מפורסם, ואין השוואת איכות מצד שלישי מול Qwen-Image-2.1 או Z-Image Turbo. המחיר באיכות של המעבר ממסלול הדגימה הארוך יותר של מודל הבסיס ל-8 צעדים פשוט לא נמדד בפומבי.
• אין נתון תפוקה או זיכרון מטעם הספק. הכרטיס מאפיין את נקודת הביקורת ואינו אומר דבר על מה שעולה להריץ אותה. כל מספר במאמר זה שאינו תאריך מגיע ממשתמש, וכל אחד מהם חתום בשם המכונה שעליה נמדד.
• שבב אחד בטבלה הציבורית. בטבלת התוצאות של הפורט ל-macOS יש בדיוק שורה מלאה אחת, M1 Pro, והזמנה לכל השאר להוסיף את שלהם. אם אתם עומדים לקנות חומרה בשביל זה, אתם עושים אקסטרפולציה מהשורה הזו ועוד אנקדוטה אחת של Mac Mini M2.
מה שאפשר לומר בביטחון הוא צר יותר ושימושי יותר. הצ'קפוינט קיים, הוא מתוארך ל-9 באוקטובר 2026, הוא מבצע יצירה ועריכה ב-8 צעדים ב-7B, לוח הזמנים שלו טבוע במשקלים, הוא לא מסחרי, והוא עבר ממאגר לפעול בתוך תוכנה למחשב שולחני בפחות משבוע, בלי שום השקה כלל. זהו אירוע אמיתי ביצירת תמונות מקומית, והוא מתרחש לפני שמישהו פרסם מספר שאפשר לחייב את הספק לעמוד בו.
בחירות מודל כמו זו הן גם המקום שבו מתגלים מצבי הכשל: תקריות ה-AI המתועדות וכשלי הסוכנים מאחורי מודלים בקטגוריה הזו נאספים בthe OrcaRouter AI Incident Archive, שבו כל ערך נושא מקורות משלו, חומרה, דרגת ביטחון וסימון מחלוקת.
