Qwen-Image-2.1-Turbo di Desktop: BaoCut 3.5 dan Timing Lokal Pertama

Repositori untuk Qwen-Image-2.1-Turbo muncul di Hugging Face pada 9 Oktober 2026 dengan 707 suka, bobot, berkas lisensi, dan satu baris dalam daftar berita GitHub Qwen-Image-2.1 sebagai satu-satunya pengumuman. Lima hari kemudian, model itu sudah berjalan di meja orang-orang. BaoCut 3.5, alat penyunting desktop asal Tiongkok, mengintegrasikan checkpoint tersebut dan mulai menghasilkan gambar di mesin lokal alih-alih melalui server; X/@dotey melaporkan pada 13 Oktober 2026 bahwa sebuah gambar memerlukan waktu sekitar tiga hingga lima menit pada 1080p di Mac Mini M2 milik mereka dan hampir dua puluh menit pada 2K. Secara terpisah, aplikasi macOS sumber terbuka bernama Siliconed memposting ke papan diskusi model itu sendiri pada 11 Oktober 2026 dengan hasil terukur 118 detik pada 1024² di M1 Pro, dan mesin yang sama menjalankan Z-Image Turbo — checkpoint terbuka 8 langkah lainnya yang menjadi pilihan orang-orang — dalam 82 hingga 85 detik. Qwen-Image-2.1, model dasar yang menjadi asal kedua port lokal tersebut, dirilis pada 20 September 2026. Checkpoint yang dipercepat ini tiga pekan lebih muda daripada induknya dan tidak memiliki evaluasi independennya sendiri.

Itulah bentuk cerita ini: sebuah checkpoint yang tidak pernah diluncurkan, hanya dipublikasikan, kini hadir di dalam perangkat lunak desktop sebelum vendor mengatakan banyak hal tentangnya di publik. Apa yang menyusul memisahkan apa yang sebenarnya dinyatakan oleh repositori dari apa yang dilaporkan oleh pengguna pertama, karena keduanya bukan jenis klaim yang sama.

Apa yang dikonfirmasi oleh repositori, dan apa yang tidak.

Semua yang ada di bawah ini berasal dari kartu model, file lisensi, dan changelog proyek — sumber utama, dapat diperiksa oleh siapa pun.

• Bertanggal, dan bertanggal di tempat yang penting. API Hugging Face melaporkan repositori tersebut dibuat pada 2026-10-09T04:50:01Z dan terakhir dimodifikasi pada 2026-10-12. Daftar berita GitHub Qwen-Image-2.1 memuat entri yang cocok: "2026.10.09: Kami merilis Qwen-Image-2.1-Turbo untuk pembuatan dan penyuntingan gambar hanya dalam 8 langkah denoising." Catatan perubahan yang sama mencatat bahwa API Pro dan Turbo mulai aktif di A​libaba Cloud Model Studio pada hari yang sama. Ini adalah rilis; ini adalah rilis tanpa peluncuran.

• Apa itu. Kartu ini menyebutnya "checkpoint yang dipercepat dari Qwen-Image-2.1 untuk generasi text-to-image dan pengeditan gambar dengan 8 langkah denoising", yang dibangun di atas arsitektur generasi visual 7B yang sama. Ini bukan keluarga baru dan bukan arsitektur baru. Ini adalah checkpoint dasar yang dikemas ulang dengan lintasan sampling yang jauh lebih pendek.

• Kedua kemampuan dalam satu unduhan. Teks-ke-gambar dan penyuntingan yang dipandu instruksi dilayani oleh checkpoint tunggal ini. Contoh-contoh pada kartu ini sendiri menggunakan jadwal 8 langkah tersimpan yang sama dan CFG=1 bawaan yang sama untuk keduanya, serta mendemonstrasikan penyuntingan dengan mengubah sketsa kapal pesiar menjadi gambar fotorealistis.

• Jadwal tersebut menyertai bobotnya. Checkpoint ini menyertakan jadwal pengambilan sampel yang direkomendasikannya, sehingga Diffusers memuatnya secara otomatis. Kartu tersebut secara eksplisit menyatakan bahwa mengatur `num_inference_steps` saja tidak menimpa jadwal yang tersimpan itu. Cache KV prefiks menggunakan kembali konteks teks dan gambar referensi di seluruh langkah denoising.

• Diperlukan dua versi toolkit. Instalasi yang disebutkan adalah build PyTorch yang kompatibel dengan CUDA, Diffusers dari sumber, transformers 5.17.0 atau lebih baru, accelerate, dan pillow. Checkpoint tersebut memerlukan dukungan Diffusers untuk sigma sampling yang dikonfigurasi pipeline, yang ditambahkan pada PR #14950 — pohon sumber, bukan rilis bertag pada saat penulisan ini.

• Lisensi tersebut tidak berubah, dan itulah penghalang komersialnya. Repositori ini membawa lisensi qwen-research. Perjanjian itu memberikan hak "HANYA UNTUK TUJUAN NON-KOMERSIAL" dan menyatakan bahwa penggunaan komersial memerlukan lisensi terpisah yang diminta dari vendor. Tidak ada apa pun tentang Turbo yang melonggarkannya.

• Tidak ada tolok ukur dalam bentuk apa pun. Tidak ada skor untuk checkpoint Turbo di kartu, tidak ada perbandingan dengan model dasar, tidak ada angka latensi, dan tidak ada angka memori. Vendor tidak mempublikasikan satu pun dari itu.

• Jangan tertukar dengan angka model dasar. Jika Anda melihat klaim Elo atau kualitas yang disematkan pada nama Qwen-Image-2.1, periksa checkpoint mana yang dimaksud. Baris image-arena publik merupakan milik Qwen-Image-2.1, model dasar 20 September, bukan Turbo.

Dua laporan lokal pertama, dan mengapa keduanya tidak sesuai

Dua orang independen mempublikasikan angka tentang inferensi lokal dalam waktu empat hari sejak repositori itu muncul. Mereka mengukur mesin, resolusi, dan pipeline yang berbeda, dan hasil mereka berbeda sekitar satu orde besaran pada tugas nominal yang sama. Keduanya layak dibaca; tidak satu pun merupakan tolok ukur.

Laporan editor desktop. X/@dotey, 13 Oktober 2026: BaoCut 3.5 telah mengintegrasikan Qwen-Image-2.1-Turbo, dan pembuatan gambar terjadi di mesin lokal, bukan melalui server. Di Mac Mini M2 mereka, gambar 1080p memerlukan waktu sekitar tiga hingga lima menit dan gambar 2K hampir dua puluh menit. Mereka juga mencatat bahwa alat ini akan menghasilkan keluaran NSFW, dan bahwa sebuah agen dapat diarahkan ke layanan gambar lokal mesin tersebut.

Laporan aplikasi native. Pada 11 Oktober 2026, penulis Siliconed memposting ke papan diskusi Hugging Face milik checkpoint itu sendiri. Siliconed adalah aplikasi macOS sumber terbuka berlisensi Apache-2.0 yang menjalankan model dalam Swift dan Metal tanpa Python dan tanpa ComfyUI dalam alurnya, membandingkan setiap tahap — text encoder, transformer, VAE — kanal demi kanal terhadap implementasi Diffusers dalam fp32. Pada mesin referensi, MacBook Pro M1 Pro dengan memori terpadu 16 GB, pada 1024², 8 langkah dan CFG 1, Qwen-Image-2.1-Turbo merender dalam 118 detik; render 1024×1536 memerlukan 190 detik, edit dengan satu gambar referensi 212 detik, dan edit dengan dua gambar referensi 285 detik. Memori puncak tetap antara 1,8 dan 2,7 GB dengan nol swap-out. Z-Image Turbo pada mesin yang sama dan resolusi yang sama memerlukan 82 hingga 85 detik.

• Mengapa 3–5 menit dan 118 detik bukanlah suatu kontradiksi. Angka yang disebutkan poster adalah Mac Mini M2 pada 1080p di dalam sebuah aplikasi; angka dari aplikasi adalah M1 Pro pada 1024² yang dijalankan secara langsung. Silikon yang berbeda, jumlah piksel yang berbeda, jumlah pekerjaan yang terjadi di sekitar model yang berbeda. Tidak satu pun dari angka tersebut memberi tahu Anda apa yang akan dilakukan mesin Anda.

• Apa yang dilaporkan aplikasi itu adalah laporan sendiri, dan ia menyatakannya secara terbuka. Penulisnya adalah penulisnya sendiri. Sebagai imbangannya: metodenya diterbitkan, setiap angka disertai instrumen pengukuran yang dinyatakan — `phys_footprint` disampel setiap 100 ms, swap dari `vm_stat` — dan proyek itu menerbitkan tabel chip dengan satu baris yang sudah diisi serta formulir publik bagi pembaca untuk menambahkan milik mereka sendiri. Itu lebih banyak daripada yang diberikan vendor kepada Anda, dan lebih sedikit daripada laboratorium independen.

• Memori adalah angka yang menentukan kelayakan. Instalasi Standard berukuran 31,2 GB dapat berjalan di Mac 16 GB karena bobotnya dialirkan dari disk saat dibutuhkan, dalam anggaran yang telah ditetapkan sebesar tiga perempat memori sistem dikurangi 2 GB. Itulah sebabnya ukuran instalasi yang lebih besar daripada RAM Anda tidak otomatis menjadi penghalang, dan mengapa throughput baca disk — bukan VRAM — yang menjadi kendala.

• Batas atas resolusi adalah batas yang nyata. Port macOS membatasi keluaran pada permukaan 1024×1536, dengan sisi mana pun 512 atau lebih dan kelipatan 16, dengan alasan bahwa ini adalah ukuran terbesar yang terukur tanpa swap pada mesin 16 GB. Render yang lebih besar ditolak di awal alih-alih dibiarkan membuat sistem tersendat. Jika pekerjaan Anda memerlukan preset kelas 2048 dari model dasar, jalur lokal ini tidak akan memberikannya kepada Anda.

Bobot lokal berarti tidak ada lapisan moderasi, dan hal itu bisa berdampak dua arah

Kalimat yang paling banyak dikutip dari postingan 13 Oktober adalah bahwa model tersebut menghasilkan gambar NSFW. Ada baiknya kita bersikap tepat mengenai apa yang termasuk dan tidak termasuk di dalamnya.

Itu bukan fitur yang diiklankan vendor. Kartu model tidak menyebut apa pun tentang kebijakan konten untuk checkpoint terbuka, dan lisensinya tidak membuat pengecualian apa pun: lisensi tersebut memberikan penggunaan nonkomersial dan mewajibkan Anda untuk mematuhi hukum yang berlaku, titik. Apa yang dijelaskan dalam laporan adalah konsekuensi biasa dari menjalankan model difusi di perangkat keras Anda sendiri — tidak ada penyedia di antara prompt Anda dan sampler, jadi tidak ada filter sisi penyedia yang bisa terpicu. Setiap checkpoint gambar terbuka berperilaku seperti ini. Perbedaannya di sini adalah kecepatan dan pengemasan: model 8 langkah dari kelas ini sekarang cukup cepat di perangkat keras konsumen sehingga jalur lokal tidak lagi terasa seperti kompromi.

Pertanyaan kepatuhan sepenuhnya menjadi tanggung jawab Anda. Jika Anda berniat merilis apa pun yang dibangun di atas checkpoint ini, lisensi adalah batasan yang mengikat, dan lisensi ini bukan lisensi yang permisif — model dasar didistribusikan di bawah ketentuan riset nonkomersial yang sama, dan checkpoint Turbo mewarisinya tanpa perubahan. Inferensi lokal tidak mengubah apa yang boleh Anda lakukan dengan outputnya.

Bagian yang benar-benar baru: alat yang dapat dipanggil oleh agen

Kedua laporan mengerucut pada detail yang sama, dan itulah yang memiliki ekor lebih panjang. Postingan 13 Oktober menyebutkan bahwa agen dapat diarahkan ke layanan image lokal mesin tersebut. Port macOS menyertakan persis antarmuka itu: sebuah biner pembantu bernama `silicontrol` di dalam app bundle yang mengendalikan jendela yang sedang berjalan dari terminal, dengan perintah untuk menampilkan daftar model, mengantrekan render dengan `--wait --out`, dan membaca status, memancarkan baris JSON dengan field `"ok"` di akhir. Ada satu antrean dan tidak pernah ada dua render sekaligus.

Endpoint gambar lokal yang menjawab dalam JSON lines dan mengembalikan jalur file adalah target pemanggilan alat. Itu adalah proposisi yang berbeda dari menempelkan prompt ke UI web: agen coding dapat memutuskan bahwa ia membutuhkan diagram, placeholder, atau varian, memanggil layanan lokal, dan terus bekerja tanpa API key, tanpa penagihan per gambar, dan tanpa data yang meninggalkan mesin. Untuk pekerjaan non-komersial — riset, prototipe internal, harness evaluasi — itu adalah kemampuan yang benar-benar baru pada 8 langkah dan di bawah 3 GB memori puncak.

Hal itu juga memiliki batas yang tegas, dan lisensi yang sama menariknya. Begitu hal yang Anda bangun adalah produk, bukan artefak riset, jalur lokal tidak lagi menjadi jawaban yang mudah dan pembatasan non-komersial menjadi fakta yang menentukan.

Di mana lapisan perutean cocok, dan di mana tidak

Qwen-Image-2.1-Turbo adalah unduhan bobot berlisensi riset. Ini bukan endpoint yang dihosting di OrcaRouter, dan tidak ada apa pun di sini yang boleh ditafsirkan sebagai menyatakan sebaliknya. Pembagian yang jujur adalah berdasarkan beban kerja.

Jika gambar Anda harus dihasilkan di mesin yang Anda kendalikan, demi privasi, biaya, atau karena tidak ada konektivitas, maka checkpoint ini dan runner lokal adalah jawabannya, dan pertanyaan routing tidak akan muncul — lisensi non-komersial dan anggaran disk menjadi dua kendala Anda. Jika sebaliknya Anda memanggil model gambar di produksi, ketika sebuah permintaan perlu mendarat di tempat yang andal dan Anda lebih memilih tidak memiliki hubungan vendor per model, itulah masalah yang OrcaRouter hadir untuk: 200+ model di balik satu endpoint yang kompatibel dengan OpenAI pada harga daftar penyedia tanpa markup, failover otomatis saat penyedia menurun, dan DSL routing untuk kasus di mana Anda ingin menyatakan preferensi alih-alih menerima default. Kedua pengaturan tersebut tidak bersaing. Checkpoint lokal adalah alat di meja Anda; router adalah apa yang Anda letakkan di depan model yang dihosting yang Anda panggil saat pekerjaan meninggalkan meja.

Alasan praktis untuk memisahkan keduanya di dalam pikiran Anda adalah karena keduanya gagal dengan cara yang berbeda. Render lokal gagal ketika mesin sibuk, disk lambat, atau anggaran memori terlampaui. Panggilan yang dihosting gagal ketika penyedianya gagal. Hanya salah satu dari itu yang layak diatasi dengan failover.

Apa yang masih belum bisa kita katakan

Tiga hal akan menentukan reputasi pos pemeriksaan ini, dan belum ada satu pun dari ketiganya.

• Tidak ada evaluasi independen. Turbo tidak memiliki baris arena, tidak ada Elo yang dipublikasikan, dan tidak ada perbandingan kualitas pihak ketiga terhadap Qwen-Image-2.1 maupun Z-Image Turbo. Biaya kualitas akibat penurunan dari lintasan sampling model dasar yang lebih panjang menjadi 8 langkah sama sekali tidak terukur secara publik.

• Tidak ada angka throughput atau memori dari vendor. Kartu ini menggambarkan karakteristik checkpoint dan tidak menyebutkan sama sekali berapa biaya untuk menjalankannya. Setiap angka dalam artikel ini yang bukan tanggal berasal dari pengguna, dan setiap angka tersebut ditandai dengan mesin tempat angka itu diukur.

• Satu chip di tabel publik. Tabel hasil port macOS memiliki tepat satu baris terisi, sebuah M1 Pro, dan undangan bagi semua orang lain untuk menambahkan milik mereka. Jika Anda hendak membeli perangkat keras untuk ini, Anda sedang mengekstrapolasi dari baris itu ditambah satu anekdot Mac Mini M2.

Yang dapat dikatakan dengan yakin lebih sempit dan lebih berguna. Checkpoint itu ada, bertanggal 9 Oktober 2026, ia melakukan pembuatan dan penyuntingan dalam 8 langkah pada 7B, jadwalnya tertanam di dalam bobot, ia nonkomersial, dan ia berpindah dari sebuah repositori ke berjalan di dalam perangkat lunak desktop dalam waktu kurang dari sepekan tanpa peluncuran sama sekali. Itu adalah peristiwa nyata dalam pembuatan gambar lokal, dan hal itu terjadi sebelum siapa pun menerbitkan angka yang dapat Anda gunakan untuk menuntut vendor.

Pilihan model seperti ini juga merupakan tempat mode kegagalan muncul: insiden AI dan kegagalan agen yang terdokumentasi di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive , di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda diperdebatkan.