Qwen-Image-2.1-Turbo: Apa Itu Checkpoint 8-Langkah, dan Bagaimana Perbedaannya dengan Qwen-Image-2.1

Qwen-Image-2.1-Turbo adalah checkpoint yang dipercepat dari Qwen-Image-2.1: backbone pembangkitan visual 7B yang sama, dua tugas yang sama — pembangkitan teks-ke-gambar dan penyuntingan gambar yang dipandu instruksi — dan delapan langkah denoising, sedangkan contoh-contoh dari checkpoint dasar itu sendiri menggunakan empat puluh. Ini bukan arsitektur baru dan bukan keluarga model baru, dan tidak ada model kedua di dalam berkas tersebut. Checkpoint ini diunggah ke Hugging Face pada 9 Oktober 2026, tanggal yang dibawa baik oleh stempel waktu pembuatan repositori maupun oleh satu baris dalam daftar berita proyek Qwen-Image sendiri; semua yang di bawah ini adalah deskripsi tetap model tersebut, yang ditetapkan kembali pada 13 Oktober 2026 dari materi vendor sendiri alih-alih dari ringkasan siapa pun tentangnya.

Jika Anda mengetik nama model ini untuk mengetahui apa itu, jawaban singkatnya ada pada paragraf sebelumnya. Jawaban yang berguna adalah kontrasnya.

Varian Turbo, satu dimensi pada satu waktu

Setiap baris di bawah ini bersumber dari repositori checkpoint itu sendiri — kartu model, model_index.json, transformer/config.json dan LICENSE — atau dari repositori proyek Qwen-Image di GitHub, yang dibaca hari ini. Jika vendor tidak menerbitkan apa pun, hal itu dinyatakan alih-alih diisi.

• Jumlah langkah — 8 langkah denoising untuk Qwen-Image-2.1-Turbo, dibandingkan dengan 40 untuk Qwen-Image-2.1. Angka 40 adalah angka dari vendor sendiri, yang digunakan dalam setiap contoh Qwen-Image-2.1 pada card-nya dan dicantumkan sebagai default di tabel parameter proyek di GitHub.

• Kecepatan — jumlah langkah adalah satu-satunya klaim kecepatan yang dibuat Qwen, dan itu hanyalah hitungan, bukan pengukuran. Tidak ada angka latensi, throughput, atau gambar-per-GPU yang ditampilkan untuk kedua checkpoint, dan tidak ada kartu yang menyebutkan perangkat keras yang digunakan untuk menghasilkan contoh-contohnya.

• Kompromi kualitas — tidak dikuantifikasi. Tidak ada skor evaluasi untuk Qwen-Image-2.1-Turbo, tidak ada untuk Qwen-Image-2.1, dan tidak ada perbandingan langsung antara keduanya di mana pun dalam materi vendor. Gambar showcase pada kartu Turbo adalah keluaran delapan langkah yang dipilih oleh vendor; gambar-gambar itu menunjukkan bahwa checkpoint tersebut menghasilkan gambar, bukan seberapa besar fidelitas yang dikorbankan untuk mencapai delapan langkah. Tidak ada benchmark pihak ketiga untuk kedua checkpoint tersebut yang tersedia bagi kami pada saat penulisan.

• Di mana jadwal sampling berada — inilah satu-satunya perbedaan struktural yang diungkapkan oleh kartu-kartu tersebut. Milik Turbo, model_index.json membawa sebuah sample_sigmas array berisi delapan nilai, mulai dari 1.0 turun ke 0.414568, dan kartu menyatakan bahwa jadwal disimpan bersama checkpoint dan dimuat secara otomatis — "menetapkan num_inference_steps saja tidak menimpanya." Qwen-Image-2.1 mengambil jumlah langkah saat pemanggilan. Pintu keluar daruratnya adalah argumen eksplisit sigmas saat pemanggilan, dan kartu mencatat bahwa jadwal lain "belum dievaluasi untuk checkpoint ini."

• Backbone — identik. Turbo transformer/config.json cocok dengan checkpoint dasar bidang per bidang: 32 lapisan, 32 kepala atensi pada 128 dimensi masing-masing, ukuran patch 1, 64 saluran input dan output, causal_condition true, dimensi input konteks 4096. Satu-satunya nilai yang berbeda antara kedua file adalah versi Diffusers yang tercatat.

• Encoder teks, VAE, dan penjadwal —Turbo model_index.json menyebut Qwen3VLForConditionalGeneration sebagai encoder teks dengan Qwen3VLProcessor, sebuah AutoencoderKLQwenImage21 VAE, dan FlowMatchEulerDiscreteScheduler. Itu adalah kelas komponen yang sama dengan yang dideklarasikan Qwen-Image-2.1. Catatan arsitektur proyek mendeskripsikan encoder teks bersama sebagai model bahasa-visi Qwen3-VL 8B dan VAE sebagai autoencoder RGBA 64 kanal dengan kompresi spasial 16×.

• Default panduan — kartu Turbo menyatakan CFG 1 secara default, yang menghilangkan proses panduan bebas pengklasifikasi dari setiap langkah. Kartu model dasar sama sekali tidak menyatakan default panduan.

• Preset resolusi — tujuh yang sama di keduanya, diambil persis dari kartu Turbo: 1:1 pada 2048 × 2048, 4:3 pada 2400 × 1792, 3:4 pada 1792 × 2400, 3:2 pada 2528 × 1696, 2:3 pada 1696 × 2528, 16:9 pada 2752 × 1536 dan 9:16 pada 1536 × 2752.

• Jejak disk — daftar file milik repositori Turbo sendiri berjumlah total sekitar 32,5 GB, mencakup transformer 14,2 GB, encoder teks 17,5 GB, dan VAE 0,7 GB, seperti yang diukur dari ukuran file yang dipublikasikan repositori hari ini. Itu adalah kumpulan komponen checkpoint dasar pada presisi bfloat16, dan vendor tidak merilis build terkuantisasi sendiri.

Apa yang sebenarnya dikatakan Qwen tentang trade-off antara kecepatan dan fidelitas

Klaim vendor lebih sempit daripada yang disiratkan judul, dan ada baiknya membacanya dalam kata-kata kartu itu sendiri. Qwen-Image-2.1-Turbo dijelaskan sebagai "checkpoint yang dipercepat dari Qwen-Image-2.1 untuk pembuatan gambar dari teks dan pengeditan gambar dengan 8 langkah denoising," yang "menggunakan arsitektur pembuatan visual 7B yang sama dan dimuat langsung dengan QwenImage21Pipeline." Kerangka kartu mengenai manfaatnya bersifat prosedural, bukan visual: checkpoint tersebut "menyertakan jadwal pengambilan sampel yang direkomendasikan, sehingga siap digunakan tanpa mengonfigurasi penjadwal secara manual."

Tiga mekanisme disebutkan, dan hanya tiga. Jadwal delapan langkah itu sendiri. CFG 1 secara default, yang menghilangkan proses guidance. Dan prefix KV caching, yang "menggunakan kembali konteks teks dan gambar referensi di seluruh langkah denoising" — mekanisme yang juga didokumentasikan oleh model Base, dan yang justru lebih penting, bukan kurang penting, ketika loop hanya sepanjang delapan iterasi.

Sekarang bagian yang tidak ada. Kartu tersebut tidak pernah menyatakan bahwa checkpoint Turbo menyamai kualitas keluaran Qwen-Image-2.1. Tidak pernah disebutkan seberapa besar kualitas yang dikorbankan, atau kategori mana yang lebih dulu menurun — tekstur, teks kecil, wajah, konsistensi multi-referensi. Kata distilasi tidak pernah digunakan, dan tidak ada apa pun di repositori yang menyatakan hubungan guru-siswa. Yang justru dikatakan metadata bersifat turunan: tag Hugging Face memuat base_model:Qwen/Qwen-Image-2.1 dan base_model:finetune:Qwen/Qwen-Image-2.1, dan catatan model ModelScope mencantumkan induk yang sama dengan relasi "finetune." Dengan kata lain, posisi Qwen sendiri adalah fine-tune dari checkpoint dasar, dan pertanyaan soal kualitas diserahkan kepada siapa pun yang menjalankannya.

Itu bukanlah sebuah kritik, melainkan lebih merupakan bentuk dari rilis ini. Vendor yang merilis checkpoint yang dipercepat tanpa tolok ukur justru mengundang persis perbandingan yang kini harus dijalankan sendiri oleh pembaca: prompt yang sama, seed yang sama, kedua checkpoint, empat puluh langkah berbanding delapan.

Masukan, keluaran, dan seberapa besar benda itu sebenarnya

Kartu ini mendokumentasikan dua modalitas masukan dan satu modalitas keluaran, dan ketiganya milik model dasar, tanpa perubahan.

• Teks masuk, gambar keluar — prompt teks menghasilkan gambar raster. Contoh yang diuraikan pada kartu ini adalah poster berorientasi potret berukuran 1696 × 2528, dan etalase ini mencakup fotografi potret, tipografi dan desain poster, serta tata letak UI dan informasi, yang merupakan klaim Qw​en tentang ketepatan rendering teks dan tata letak, bukan pengukurannya.

• Gambar masuk, gambar keluar — pipeline yang sama menerima gambar masukan bersama prompt untuk pengeditan yang dipandu instruksi. Contoh pada card ini mengubah sketsa kapal pesiar menjadi foto fotorealistis berukuran 2048 × 2048 dan memuat masukan sebagai RGBA. Showcase ini juga mendemonstrasikan komposisi multi-referensi dan komposisi interior empat gambar. Ada satu angka yang perlu diperhatikan di sini: angka "hingga 10 gambar referensi" berasal dari dokumentasi Qwen-Image-2.1, dan kartu Turbo tidak menyebutkan lagi batas gambar referensi. Perlakukan 10 sebagai angka yang dipublikasikan model dasar, bukan spesifikasi Turbo.

• Transparansi — kartu ini mencantumkan pembuatan gambar transparan di antara kategori pameran, dan kelas VAE yang disertakan adalah autoencoder RGBA 64-kanal yang sama dengan yang digunakan model dasar, sehingga keluaran alpha didokumentasikan untuk checkpoint ini, bukan sekadar diwarisi berdasarkan namanya.

• Resolusi keluaran — tujuh preset yang sama yang tercantum di atas, hingga 2752 × 1536 dalam mode lanskap dan 1536 × 2752 dalam mode potret, dengan 2048 × 2048 sebagai tingkat default. Proyek ini mendeskripsikan Qwen-Image-2.1 sebagai mendukung resolusi 2K secara native; tidak ada apa pun di kedua repositori yang mengklaim tingkat native di atas itu, dan tidak ada yang mendokumentasikan tahap upscaling.

• Ukuran model — 7B parameter pada komponen generasi visual di seluruh 32 lapisan DiT single-stream, dalam bfloat16, sekitar 32,5 GB di disk untuk repositori lengkap. Tidak ada jendela konteks teks untuk dikutip, karena ini bukan model teks; input konteks berdimensi 4096 dalam konfigurasi transformer adalah representasi prompt dan gambar kondisi yang telah dikodekan, bukan jendela token.

Lisensi, dan di mana bobotnya berada

Qwen-Image-2.1-Turbo dirilis di bawah Qwen Research License Agreement. Metadata repositori tersebut berbunyi license: other dengan license_name: qwen-research dan license_link: LICENSE, serta sebuah berkas LICENSE berada di dalam repositori bersama bobotnya. Kami membandingkan kedua berkas lisensi tersebut hari ini: LICENSE milik repositori Turbo identik byte-per-byte dengan milik model dasar, yang perlu diketahui karena artinya akselerasi tidak membawa perubahan apa pun pada ketentuannya.

Apa yang dinyatakan oleh perjanjian, yang dibaca dari berkasnya sendiri: pemberian lisensi tersebut adalah "FOR NON-COMMERCIAL PURPOSES ONLY," "Non-Commercial" didefinisikan sebagai "for research or evaluation purposes only," dan penggunaan komersial memerlukan "a separate commercial license from us," yang diminta melalui model-business@notice.qwencloud.com. Tajuk perjanjian itu sendiri mencantumkan tanggal versi tersebut pada 20 September 2026. Jika alasan Anda menginginkan generasi delapan langkah adalah karena hal itu membuat model cukup murah untuk ditempatkan di balik suatu produk, lisensi itulah kendala yang mengikat di sini, bukan jumlah langkahnya, dan tidak ada halaman di repositori ini yang menyelesaikannya.

Bobotnya dapat diunduh di dua tempat, keduanya pihak pertama: Hugging Face di Qwen/Qwen-Image-2.1-Turbo dan ModelScope di Qwen/Qwen-Image-2.1-Turbo. Repositori Hugging Face tidak dibatasi aksesnya. Metadatanya tidak mencantumkan penyedia inferensi terkelola, jadi tidak ada endpoint pihak ketiga yang akan menjalankan checkpoint persis ini untuk Anda saat ini sejauh yang ditunjukkan oleh daftar resmi vendor tersebut.

Untuk jalur hosted, ada milik Qwen sendiri: daftar berita proyek mencatat bahwa API Qwen-Image-2.1 Pro dan Turbo mulai aktif di Alibaba Cloud Model Studio pada 9 Oktober 2026, dan README GitHub menawarkan "API yang dihosting, atau jalankan checkpoint Turbo di lingkungan Anda sendiri dengan Diffusers." Harga per gambar untuk endpoint Turbo tidak dinyatakan di halaman referensi API vendor yang kami baca, yang justru mengarah ke halaman harga model terpisah — jadi anggap harga tersebut belum dipublikasikan dalam materi yang dapat kami verifikasi, dan periksa halaman harga vendor sebelum Anda merencanakan berdasarkan harga itu.

Fine-tuning: apa yang terdokumentasi, dan apa yang hanya dari komunitas

Jawaban jujurnya adalah bahwa kartu Turbo tidak mendokumentasikan penyetelan halus dalam bentuk apa pun. Kartu itu mencakup instalasi, teks-ke-gambar, penyuntingan gambar, sampling dan rasio aspek, lalu berhenti. Tidak ada bagian pelatihan, tidak ada instruksi LoRA, tidak ada panduan adaptor, tidak ada catatan kumpulan data, dan tidak ada skrip pelatihan di mana pun dalam repositori proyek Qwen-Image — kami memeriksa pohon berkasnya, yang hanya berisi aset dan dua berkas data penulisan ulang prompt.

Model dasar tampil sedikit lebih baik, dan itu adalah dokumentasi model yang berbeda: materi Qwen-Image-2.1 mencatat pelatihan LoRA melalui ModelScope, yang dibangun di atas kerangka kerja open-source DiffSynth-Studio. Pernyataan itu tentang Qwen-Image-2.1, dan tidak ada apa pun di kartu Turbo yang memperluasnya ke checkpoint yang dipercepat.

Yang ada untuk Turbo adalah kerja komunitas. Hingga hari ini, 47 repositori di Hugging Face mendeklarasikan Qwen/Qwen-Image-2.1-Turbo sebagai model dasar mereka, dan hampir semuanya adalah port kuantisasi — build GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO. Tepat satu adalah adaptor LoRA, adaptor penukaran karakter yang diterbitkan pada 10 Oktober 2026. Tidak satu pun dari itu merupakan dukungan vendor, tidak satu pun divalidasi oleh Qw​en, dan adaptor yang dilatih terhadap lintasan empat puluh langkah dari checkpoint dasar tidak otomatis benar terhadap jadwal delapan langkah yang tersimpan. Jika Anda sampai di sini mencari alur kerja Turbo LoRA, jawaban yang akurat adalah bahwa vendor belum menerbitkannya.

Cara menjalankannya, dan cara memanggilnya

Self-hosting adalah pekerjaan Diffusers biasa dengan satu jebakan. Instalasi di kartu adalah build PyTorch yang kompatibel dengan CUDA, Diffusers dari sumber (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate dan pillow. Jebakannya adalah checkpoint ini memerlukan build Diffusers dengan dukungan untuk sigma sampling yang dikonfigurasi oleh pipeline, yang ditambahkan di PR #14950 — yang pada saat penulisan berada di pohon sumber, bukan di rilis bertag, itulah sebabnya kartu tidak meminta Anda memasang nomor versi.

Baris pemuatan adalah kelas pipeline milik model dasar dengan nama checkpoint yang ditukar: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). Pembuatan gambar kemudian dilakukan dengan pemanggilan yang berisi prompt, lebar dan tinggi dari daftar preset, use_kv_cache=True, serta seed generator; contoh text-to-image pada card tersebut menggunakan 1696 × 2528 dengan seed 42, dan contoh pengeditannya memberikan gambar RGBA sebagai argumen image pada 2048 × 2048 dengan seed 20261009. Jangan berikan num_inference_steps dengan harapan itu akan berpengaruh.

Satu celah yang perlu diperhitungkan: kartu Turbo tidak mencantumkan panduan memori. Kartu model dasarnya memiliki bagian pengoptimalan memori yang menampilkan pipe.enable_model_cpu_offload(); kartu Turbo hanya berakhir begitu saja. Dengan encoder teks 17,5 GB di repositori, itulah angka yang perlu dianggarkan, dan kartu tersebut tidak memberi tahu Anda GPU mana yang dapat memuatnya.

Memanggilnya alih-alih menjalankannya berarti memakai API Turbo yang dihosting milik Qwen sendiri di Alibaba Cloud Model Studio. Tidak ada harga per gambar yang dipublikasikan yang dapat kami verifikasi di halaman referensi API vendor, dan tidak ada batas laju yang dipublikasikan yang juga dapat kami verifikasi — jadi pembaca yang merencanakan volume perlu mengambil dua angka dari vendor sebelum berkomitmen.

Posisi OrcaRouter, dinyatakan secara gamblang

OrcaRouter tidak merutekan Qwen-Image-2.1-Turbo dan tidak merutekan Qwen-Image-2.1 — tidak ada satu pun pengenal tersebut yang muncul dalam daftar model aktif kami, yang kami periksa hari ini, dan tidak ada apa pun di halaman ini yang boleh ditafsirkan sebagai penawaran untuk melayani salah satu dari keduanya. Lini gambar yang kami sediakan adalah yang dihosting: keluarga Open​AI GPT-Image, tingkatan Imagen 4 milik Goog​le, dan endpoint gambar Grok Imagine milik x​AI.

Perbedaan itulah yang praktis untuk checkpoint ini. OrcaRouter menempatkan 200+ model di balik satu endpoint yang kompatibel dengan OpenAI dengan harga daftar penyedia tanpa markup, dan ia menambahkan failover otomatis saat penyedia mengalami penurunan kinerja — itulah yang Anda inginkan ketika memanggil model gambar terkelola di produksi, dan tidak relevan ketika model yang dimaksud adalah unduhan berlisensi riset berukuran 32,5 GB. Jika rencana Anda adalah menjalankan Qwen-Image-2.1-Turbo sendiri, lapisan perutean bukanlah kendalanya; Perjanjian Lisensi Riset Qwen-lah kendalanya.

Jadi keputusannya terbagi dengan jelas. Delapan langkah, jadwal yang tersimpan, lisensi riset yang identik byte, dan tidak adanya tolok ukur berarti checkpoint tersebut adalah alat riset dan prototipe sampai entah Qw​en menerbitkan evaluasi atau Anda menjalankan evaluasi sendiri. Jika Anda membutuhkan endpoint gambar di produksi minggu ini, itu adalah pembelian yang berbeda, dan itulah yang kami jual.