Qwen-Image-2.1-Turbo vs Z-Image Turbo: Dua Model Delapan Langkah, Dua Taruhan yang Berbeda

Qwen-Image-2.1-Turbo dan Z-Image Turbo adalah dua checkpoint gambar terbuka yang paling banyak dipilih orang saat ini, dan alasan perbandingannya berputar-putar adalah karena keduanya mengiklankan angka utama yang sama. Keduanya berjalan dalam delapan langkah denoising. Keduanya cukup terbuka untuk diunduh dan dijalankan di mesin Anda sendiri. Keduanya diiklankan sebagai jauh lebih cepat daripada model asal mereka. Segala hal yang menentukan mana yang sebenarnya Anda inginkan terletak di balik angka yang sama itu, dan tidak satu pun dari itu adalah jumlah langkahnya. Z-Image Turbo diterbitkan pada 25 November 2025 sebagai model 6B di bawah lisensi Apache-2.0, didistilasi dari lini Z-Image dengan resep dua tahap yang dipublikasikan. Qwen-Image-2.1-Turbo muncul pada 9 Oktober 2026 sebagai checkpoint yang dipercepat dari Qwen-Image-2.1 — model dasar yang dirilis pada 20 September 2026 — mempertahankan arsitektur 7B dan lisensi riset non-komersial milik vendor. Delapan bulan memisahkan kedua repositori, dan perbedaan dalam cara keduanya dibangun lebih besar daripada yang disiratkan oleh jarak tanggalnya.

Delapan langkah adalah gejala bersama, bukan penyebab bersama

Ketika dua model mencapai jumlah langkah yang sama melalui jalur yang berbeda, jumlah langkah tidak lagi menjadi perbandingan yang berguna. Itu hanya memberi tahu Anda bahwa kedua model disetel untuk latensi yang sebanding, dan tidak lebih dari itu.

• Z-Image Turbo mencapainya melalui distilasi, lalu pembelajaran penguatan. Kartu keluarga Z-Image mendeskripsikannya sebagai "versi Z-Image yang telah didistilasi yang menyamai atau melampaui para pesaing terkemuka hanya dengan 8 NFE". Uraian teknisnya menyebutkan mekanismenya: Decoupled-DMD, sebuah varian dari Distribution Matching Distillation yang memisahkan dua mekanisme yang selama ini diperlakukan sebagai satu oleh metode DMD yang ada, diikuti oleh DMDR, yang menyatukan DMD dan RL selama tahap pasca-pelatihan. Tabel varian pada kartu tersebut menunjukkan jalur pelatihan secara eksplisit — pra-pelatihan, SFT dan RL semuanya ditandai, 8 langkah, CFG dinonaktifkan.

• Qwen-Image-2.1-Turbo mencapainya dengan mengemas ulang basis yang kuat. Kartunya mendeskripsikannya sebagai "checkpoint Qwen-Image-2.1 yang dipercepat untuk pembuatan gambar dari teks dan pengeditan gambar dengan 8 langkah denoising", pada arsitektur generasi visual 7B yang sama. Tidak ada resep distilasi yang dipublikasikan. Yang didokumentasikan adalah bahwa checkpoint tersebut membawa jadwal sampling yang direkomendasikan sendiri, sehingga Diffusers memuatnya secara otomatis dan mengatur `num_inference_steps` saja tidak akan menimpanya, serta bahwa pembuatan secara default menggunakan CFG=1 dengan prefix KV caching yang menggunakan kembali konteks teks dan gambar referensi di seluruh langkah.

Konsekuensi praktisnya: dengan Z-Image Turbo, Anda menjalankan model yang kecepatannya merupakan produk dari proses pelatihan, dan dengan Qwen-Image-2.1-Turbo, Anda menjalankan checkpoint dari model yang sudah bagus, dengan jalur sampling yang dipersingkat dan dibekukan ke dalam file. Keduanya sah. Keduanya gagal dengan cara yang berbeda. Model yang didistilasi memiliki anggaran kualitas yang dihabiskan selama pelatihan; checkpoint yang dikemas ulang memiliki anggaran yang dihabiskan selama pembuatan checkpoint. Tidak ada kartu yang mempublikasikan berapa banyak yang dihabiskan.

Garis yang benar-benar memisahkan mereka

Lima dimensi menentukan pertarungan ini. Masing-masing dinyatakan pada sumber primer yang dapat Anda buka.

• Ukuran: 6B parameter untuk Z-Image Turbo dibandingkan 7B untuk Qwen-Image-2.1-Turbo. Keduanya cukup kecil untuk perangkat keras konsumen, dan selisihnya bukan yang akan menentukan hasil Anda.

• Lisensi: Apache-2.0 untuk Z-Image Turbo; perjanjian qwen-research untuk Qwen-Image-2.1-Turbo, yang memberikan hak "HANYA UNTUK TUJUAN NON-KOMERSIAL" dan mengharuskan lisensi yang diminta secara terpisah untuk penggunaan komersial. Ini adalah perbedaan terluas antara kedua model dan satu-satunya yang bersifat biner.

• Pengeditan: Qwen-Image-2.1-Turbo melakukan text-to-image dan pengeditan terpandu instruksi hanya dengan satu unduhan — kartunya mendemonstrasikan keduanya menggunakan jadwal tersimpan yang sama. Z-Image Turbo adalah model generasi; pengeditan berada di Z-Image-Edit, varian terpisah yang masih dicantumkan di kartu keluarga sebagai "belum dirilis". Jika pipeline Anda membutuhkan pengeditan berbasis instruksi hari ini, baris itulah penentunya.

• Perenderan teks dan bahasa: kartu Z-Image menyoroti perenderan teks bilingual Inggris dan Tionghoa sebagai keunggulan utama Turbo. Kartu Qwen-Image-2.1-Turbo tidak membuat klaim yang setara — pamerannya diorganisasi berdasarkan kategori keluaran (potret, pose dan gerak, RGBA transparan, tipografi dan desain poster, tata letak UI, transformasi gambar tunggal, komposisi multi-referensi) alih-alih berdasarkan bahasa.

• Kematangan memori dan penerapan: kartu Z-Image menyatakan Turbo "muat dengan nyaman dalam perangkat konsumen dengan VRAM 16G" dan mengklaim inferensi kurang dari satu detik pada perangkat keras kelas H800 — klaim vendor, tanpa disertai atribusi metode pengukuran. Kartu Qwen-Image-2.1-Turbo tidak mempublikasikan angka memori atau latensi sama sekali. Dalam empat hari setelah kemunculannya, port macOS independen mengukurnya pada puncak 1,8 hingga 2,7 GB tanpa swap pada M1 Pro 16 GB, dengan batas keluaran 1024×1536; itu adalah angka pihak ketiga pada implementasi pihak ketiga, bukan angka vendor.

Apa yang dicakup papan peringkat, dan dua baris yang tidak ada

Di sinilah perbandingan paling sering salah dibaca, jadi penting untuk tepat mengenai model mana setiap angka itu merujuk.

Di arena teks-ke-gambar publik terdapat baris untuk Z-Image Turbo pada 941 Elo dari sekitar 9.000 suara, dan baris terpisah untuk Z-Image Base pada 877. Terdapat baris untuk Qwen-Image-2.1 pada 1.038 Elo dari sekitar 5.500 suara, bertanggal September 2026 dan ditandai sebagai tidak tersedia API. Papan penyuntingan juga memuat baris Qwen-Image-2.1.

Perhatikan apa yang hilang. Tidak ada baris untuk Qwen-Image-2.1-Turbo di kedua papan — checkpoint-nya berasal dari 9 Oktober 2026 dan belum dievaluasi secara terpisah. Dan tidak ada baris Z-Image Turbo di papan penyuntingan, karena Z-Image Turbo tidak melakukan penyuntingan. Jadi perbandingan yang tampak rapi "Qwen pada 1,034 versus Z-Image pada 941" bukanlah perbandingan antara dua checkpoint yang menjadi topik artikel ini; itu adalah perbandingan antara model yang menjadi asal distilasi Z-Image Turbo dan model yang menjadi asal percepatan Qwen-Image-2.1-Turbo. Kualitas Qwen-Image-2.1-Turbo dalam delapan langkah belum diukur secara publik, dan begitu pula seberapa besar posisi model dasar yang bertahan setelah jadwal yang dipersingkat.

Cara yang tepat untuk membaca angka-angka itu adalah sebagai batas atas dengan satu catatan penting: keluarga asal Qwen-Image-2.1-Turbo berada sekitar 97 Elo di atas keluarga asal Z-Image Turbo di papan text-to-image, dan belum ada yang menerbitkan apakah checkpoint Turbo mempertahankan selisih itu.

Lisensi bukan catatan kaki dalam pertandingan ini.

Di antara dua model yang kemampuannya sedekat ini, keputusan sering kali sepenuhnya ditentukan oleh lisensi, dan dalam hal ini keduanya sama sekali tidak berdekatan.

Z-Image Turbo dirilis dengan lisensi Apache-2.0. Itu adalah lisensi permisif: gunakan, modifikasi, distribusikan, dan jual apa yang Anda bangun dengannya, dengan tunduk pada ketentuan atribusi dan pemberitahuan yang lazim.

Qwen-Image-2.1-Turbo mewarisi Q​wen Research License Agreement tanpa perubahan dari model dasar. Bacalah, dan kalimat operatifnya tidak ambigu — pemberian izinnya adalah "HANYA UNTUK TUJUAN NON-KOMERSIAL", dan penggunaan komersial memerlukan lisensi terpisah yang diperoleh dari vendor. Perjanjian tersebut juga melarang penggunaan "Q​wen" sebagai nama utama atau pengenal karya turunan, sekaligus mengizinkan penggunaan deskriptif seperti "fine-tuned from Q​wen Image".

Jika Anda sedang membuat prototipe, mengevaluasi, atau melakukan riset, perbedaan itu tidak merugikan Anda dan Anda dapat memilih berdasarkan kemampuan. Jika Anda sedang membangun sesuatu yang ingin Anda jual atau operasikan secara komersial, salah satu dari dua ini dapat digunakan dan yang lainnya memerlukan pembicaraan dengan A​libaba Cloud. Itu fakta yang jauh lebih besar daripada jadwal 8 langkah.

Menjalankan salah satunya, dan di mana router menjadi relevan

Keduanya adalah unduhan bobot yang Anda hosting sendiri. Tidak satu pun merupakan endpoint yang dihosting di OrcaRouter, dan tidak jujur untuk menyiratkan sebaliknya — model gambar yang kami rutekan adalah keluarga OpenAI GPT-Image. Alasan produk ini sama sekali termasuk dalam percakapan ini adalah apa yang terjadi begitu checkpoint seperti salah satu dari ini mendapatkan penyedia hosting di belakangnya.

Pada hari itu terjadi, keputusannya berhenti menjadi "file mana yang saya unduh" dan berubah menjadi "berapa banyak integrasi vendor yang saya kelola". Itulah masalah yang ingin dipecahkan OrcaRouter: 200+ model di balik satu endpoint yang kompatibel dengan OpenAI pada harga daftar penyedia tanpa markup, DSL routing untuk menyatakan model mana yang Anda inginkan dalam kondisi apa, failover otomatis saat penyedia mengalami degradasi, dan fusi model untuk menggabungkan output. Checkpoint terbuka 8 langkah dan router bukanlah jawaban yang bersaing; yang satu adalah file di disk Anda dan yang lain adalah cara Anda berhenti peduli tentang endpoint mana yang berada di balik sebuah nama model.

Sampai saat itu, jalur lokal adalah seluruh jalurnya, dan batasannya adalah yang dinyatakan oleh kartu dan lisensi.

Yang mana yang harus diunduh dulu?

Versi jujur yang paling singkat dari keputusan itu:

• Pilih Z-Image Turbo jika Anda perlu merilis produk komersial, jika Anda menginginkan resep akselerasi yang lebih lengkap dokumentasinya dengan jalur pelatihan yang dipublikasikan, jika penyajian teks dwibahasa Tionghoa dan Inggris merupakan persyaratan nyata, atau jika Anda menyasar perangkat 16 GB dan menginginkan batas memori yang dinyatakan vendor.

• Ambil Qwen-Image-2.1-Turbo jika Anda membutuhkan pengeditan yang dipandu instruksi dan pembuatan gambar dari teks dari satu checkpoint hari ini alih-alih menunggu varian pengeditan terpisah, jika pekerjaan Anda adalah riset atau evaluasi, dan jika Anda lebih memilih memiliki garis keturunan model dasar yang lebih kuat serta menerima bahwa kualitasnya setelah delapan langkah saat ini belum terukur.

• Ambil keduanya jika Anda memilih untuk sebuah tim. Keduanya cukup kecil untuk ditempatkan berdampingan di disk yang sama, keduanya dilayani oleh kelas runner lokal yang sama, dan satu-satunya hal yang tidak dapat Anda lakukan dengan keduanya terpasang adalah merilis checkpoint Qwen secara komersial.

Yang tidak diberikan oleh keduanya kepada Anda hari ini adalah tolok ukur. Delapan langkah, 6B versus 7B, Apache-2.0 versus lisensi riset — semua itu hanyalah fakta di atas kartu. Mana di antara keduanya yang menghasilkan gambar lebih baik setelah delapan langkah denoising adalah pertanyaan yang belum dijawab oleh sumber primer mana pun, dan untuk sekarang hal yang jujur adalah menjalankan keduanya dengan prompt Anda sendiri alih-alih mempercayai baris papan peringkat yang berasal dari checkpoint berbeda.

Perbandingan seperti ini juga menjadi tempat munculnya mode kegagalan: insiden AI yang terdokumentasi dan kegagalan agen di balik model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan penanda disengketakan.