Qwen-Image-2.1-Turbo：8ステップチェックポイントとは何か、そしてQwen-Image-2.1との違い

Qwen-Image-2.1-Turboの高速化チェックポイントですQwen-Image-2.1：同じ7Bの視覚生成バックボーン、同じ2つのタスク — テキストから画像生成と指示に基づく画像編集 — そして、ベースチェックポイント自身の例では40ステップを使用するのに対し、8つのノイズ除去ステップ。それは新しいアーキテクチャではなく、新しいモデルファミリーでもなく、ファイル内に2つ目のモデルは存在しません。このチェックポイントは2026年10月9日にHugging Faceに公開されました。この日付は、リポジトリの作成タイムスタンプと、Qwen-Imageプロジェクト自身のニュースリストの一行の両方に記載されています。以下は、2026年10月13日に、誰かの要約ではなくベンダー自身の資料から再確立された、モデルの常設の説明です。

モデルの名前を入力してそれが何なのか調べようとしたなら、短い答えは前の段落にある。役に立つ答えは、その対比にある。

Turboバリアントを、1次元ずつ

以下の各行は、チェックポイント自身のリポジトリ——モデルカード、model_index.json、transformer/config.json、およびLICENSE——あるいはGitHub上のQwen-Imageプロジェクトリポジトリから本日参照したものです。ベンダーが何も公開していない箇所は、埋めずにその旨を明記しています。

• ステップ数 — Qwen-Image-2.1-Turbo ではデノイジングステップが8回であるのに対し、Qwen-Image-2.1 では40回です。この40という数字はベンダー自身が示したもので、カード上の Qwen-Image-2.1 のすべての例で使われており、GitHub にあるプロジェクトのパラメータ表でもデフォルトとして記載されています。

• 速度 — ステップ数はQw​enが示す唯一の速度に関する主張であり、それは測定値ではなくカウントです。どちらのチェックポイントにもレイテンシ、スループット、GPUあたりの画像数の数値は示されておらず、どちらのカードもサンプルの生成に使用されたハードウェアを明記していません。

• 品質のトレードオフ —定量化されていない。Qwen-Image-2.1-Turbo の評価スコアはなく、Qwen-Image-2.1 の評価スコアもなく、ベンダーの資料のどこにも両者の直接比較は存在しない。Turbo カードのショーケース画像は、ベンダーが選んだ8ステップの出力である。これらはそのチェックポイントが画像を生成できることを示しているにすぎず、8ステップに到達するためにどれだけの忠実度が犠牲になったかは示していない。執筆時点では、どちらのチェックポイントについても利用可能な第三者ベンチマークは存在しなかった。

• サンプリングスケジュールがどこにあるか —これがカードが明らかにする唯一の構造的な違いです。Turboのmodel_index.jsonにはsample_sigmasの8つの値の配列（1.0から0.414568まで減少）があり、カードにはスケジュールがチェックポイントと共に保存され自動的に読み込まれると記載されています — 「num_inference_stepsを設定するだけではそれを上書きしません。」Qwen-Image-2.1は呼び出し時にステップ数を取ります。回避策は呼び出し時の明示的なsigmas引数であり、カードには他のスケジュールは「このチェックポイントに対して評価されていない」と記載されています。

• バックボーン — は同一。Turbo の transformer/config.json はベースチェックポイントと項目ごとに一致している：32層、それぞれ128次元のアテンションヘッド32個、パッチサイズ1、入力および出力チャネル64、causal_condition true、コンテキスト入力次元4096。2つのファイル間で異なる唯一の値は、記録された Diffusers バージョンです。

• テキストエンコーダー、VAE、スケジューラー — Turbo の model_index.json は、Qwen3VLForConditionalGeneration をテキストエンコーダーとして、Qwen3VLProcessor、AutoencoderKLQwenImage21 VAE、および FlowMatchEulerDiscreteScheduler を指定しています。これらは Qwen-Image-2.1 が宣言しているものと同じコンポーネントクラスです。プロジェクトのアーキテクチャノートでは、共有テキストエンコーダーは Qwen3-VL 8B の視覚言語モデルであり、VAE は 16× の空間圧縮を備えた 64 チャンネル RGBA オートエンコーダーであると説明されています。

• ガイダンスのデフォルト —TurboのカードにはデフォルトでCFG 1と記載されており、これにより各ステップからclassifier-free guidanceのパスが削除されます。ベースモデルのカードには、ガイダンスのデフォルトについて一切記載がありません。

• 解像度プリセット —どちらも同じ7種類で、Turbo card からそのまま引用しています：1:1 は 2048 × 2048、4:3 は 2400 × 1792、3:4 は 1792 × 2400、3:2 は 2528 × 1696、2:3 は 1696 × 2528、16:9 は 2752 × 1536、9:16 は 1536 × 2752。

• ディスク使用量 —Turbo リポジトリ自身のファイル一覧は、本日公開されているリポジトリのファイルサイズに基づくと、14.2 GB の Transformer、17.5 GB のテキストエンコーダー、0.7 GB の VAE を含め、合計でおよそ 32.5 GB になります。これは bfloat16 精度におけるベースチェックポイントのコンポーネント一式であり、ベンダーは自社製の量子化ビルドを提供していません。

Qwenが速度と忠実度のトレードオフについて実際に述べていること

ベンダーの主張は見出しから連想されるよりも控えめであり、カード自身の言葉で読む価値がある。Qwen-Image-2.1-Turbo は「8 回のデノイジングステップでテキストからの画像生成および画像編集を行うための Qwen-Image-2.1 の高速化チェックポイント」と説明されており、「同一の 7B 視覚生成アーキテクチャを使用し、QwenImage21Pipeline で直接読み込める」ものである。カードにおける利点の説明は視覚的なものではなく手続き的なものだ。このチェックポイントは「推奨されるサンプリングスケジュールを含んでいるため、スケジューラを手動で設定することなくすぐに使用できる」。

3つのメカニズムが挙げられており、それも3つだけだ。8ステップのスケジュールそのもの。デフォルトのCFG 1で、これはガイダンスパスを省く。そしてプレフィックスKVキャッシュ——これは「テキストと参照画像のコンテキストをデノイジングステップ間で再利用する」もので、Baseモデルも文書化しているメカニズムであり、ループがわずか8回しかない場合には、重要性が下がるどころかむしろ高まる。

次に、そこに書かれていない部分です。カードには、TurboチェックポイントがQwen-Image-2.1の出力品質に匹敵するとは一切書かれていません。どれだけの品質が犠牲になったのか、どのカテゴリから先に劣化するのか——テクスチャ、小さな文字、顔、複数参照の一貫性——についても一切触れられていません。蒸留という言葉は一度も使われておらず、リポジトリのどこにも教師と生徒の関係は記されていません。メタデータが実際に示しているのは派生的な関係です。Hugging Faceのタグにはbase_model:Qwen/Qwen-Image-2.1およびbase_model:finetune:Qwen/Qwen-Image-2.1が付いており、ModelScopeのモデルレコードも同じ親モデルを関係「finetune」として記載しています。言い換えれば、Qwen自身の位置づけはベースチェックポイントのファインチューニングであり、品質に関する疑問は実行する人に委ねられています。

それは批判というより、むしろこのリリースの形そのものだ。ベンチマークなしで高速化チェックポイントを提供するベンダーは、読者が今や自分で実行しなければならない比較を、まさに招いている。同じプロンプト、同じシード、両方のチェックポイント、40ステップ対8ステップ。

入力、出力、そしてそのものが実際どれくらいの大きさなのか

このカードには2つの入力モダリティと1つの出力モダリティが記載されており、それらはベースモデルのもので、変更は加えられていない。

• テキスト入力、画像出力 — テキストプロンプトからラスター画像が生成されます。このカードの実例は1696 × 2528の縦向きポスターで、ショーケースではポートレート写真、タイポグラフィとポスターデザイン、UIと情報レイアウトを順に取り上げています。これは、テキストレンダリングとレイアウトの忠実性に関するQw​enの主張であり、その測定結果ではありません。

• 画像を入力、画像を出力 — 同じパイプラインが、指示に基づく編集のためにプロンプトとともに入力画像を受け取ります。このカードの例では、ヨットのスケッチを2048 × 2048のフォトリアルな写真に変換し、入力をRGBAとして読み込みます。ショーケースでは、マルチリファレンス合成と、4枚の画像によるインテリア合成も実演しています。ここで注意すべき数字が1つあります。「最大10枚の参照画像」という数値はQwen-Image-2.1のドキュメントに属するものであり、Turboカードには参照画像の上限は再掲されていません。10はTurboの仕様ではなく、ベースモデルの公表値として扱ってください。

• 透明性 — カードにはショーケースカテゴリの一つとして透過画像生成が記載されており、出荷されているVAEクラスはベースモデルが使用するものと同じ64チャンネルRGBAオートエンコーダであるため、アルファ出力は名目上受け継がれているだけでなく、このチェックポイント用に文書化されています。

• 出力解像度 — 上記に挙げた同じ7つのプリセットで、横長では最大2752 × 1536、縦長では1536 × 2752、デフォルトは2048 × 2048です。このプロジェクトは、Qwen-Image-2.1が2K解像度をネイティブにサポートすると説明しています。どちらのリポジトリにも、それを上回るネイティブ階層を主張する記述はなく、アップスケーリング段階について文書化したものもありません。

• モデルサイズ — 視覚生成コンポーネントは32層のシングルストリームDiT層にわたり7Bパラメータ、bfloat16で、リポジトリ全体のディスク容量は約32.5 GBです。これはテキストモデルではないため、引用できるテキストコンテキストウィンドウはありません。transformer設定の4096次元のコンテキスト入力は、エンコードされたプロンプトと条件画像の表現であり、トークンウィンドウではありません。

ライセンス、および重みがどこにあるか

Qwen-Image-2.1-Turbo は Qw​en Research License Agreement の下でリリースされています。リポジトリのメタデータには license: other と license_name: qwen-research および license_link: LICENSE があり、LICENSE ファイルが重みとともにリポジトリ内に置かれています。本日、2つのライセンスファイルを比較しました。Turbo リポジトリの LICENSE はベースモデルのものとバイト単位で同一です。これは、高速化が条件に何の変更ももたらさなかったことを意味するため、知っておく価値があります。

契約が述べている内容をファイル自体から読み取ると、許諾は「FOR NON-COMMERCIAL PURPOSES ONLY（非商業的目的に限る）」であり、「Non-Commercial」は「研究または評価目的のみ」と定義され、商業利用には「当社からの別途の商業ライセンス」が必要で、model-business@notice.qwencloud.com にて申請するものとされている。契約自体のヘッダーには、そのバージョンが2026年9月20日付であると記載されている。8ステップ生成を望む理由が、モデルを製品の背後に置けるほど安価にすることにあるのなら、ここで拘束力を持つ制約はライセンスであり、ステップ数ではない。そして、このリポジトリ内のどのページもそれを解決してはいない。

重みは2か所からダウンロードでき、どちらもファーストパーティ製です。Hugging FaceではQwen/Qwen-Image-2.1-Turbo、ModelScopeではQwen/Qwen-Image-2.1-Turbo。Hugging Faceのリポジトリはゲートされていません。そのメタデータにはホスト型推論プロバイダーが記載されていないため、ベンダー自身の掲載情報を見る限り、この正確なチェックポイントを今日実行してくれるサードパーティのエンドポイントは存在しません。

ホスト型の手段としては Qwen 自身のものがある。プロジェクトのニュース一覧には、Qwen-Image-2.1 Pro と Turbo の API が 2026年10月9日に Alibaba Cloud Model Studio で公開されたと記録されており、GitHub の README は「ホスト型 API を使うか、Diffusers を使って Turbo チェックポイントを自分の環境で実行する」という選択肢を提示している。Turbo エンドポイントの画像1枚あたりの料金は、私たちが読んだベンダーの API リファレンスページには記載されておらず、代わりに別のモデル料金ページを指している。したがって、私たちが確認できた資料では価格は非公開であるものとして扱い、それを前提に計画を立てる前にベンダーの料金ページを確認してほしい。

ファインチューニング：ドキュメント化されているものと、コミュニティにしかないもの

率直に言えば、Turboカードにはいかなる種類のファインチューニングについても記載されていません。扱っているのはインストール、テキストから画像生成、画像編集、サンプリングとアスペクト比だけで、そこで終わりです。Qwen-Imageプロジェクトリポジトリのどこにも、トレーニングのセクションも、LoRAの手順も、アダプターのガイダンスも、データセットに関する注記も、トレーニングスクリプトもありません——そのファイルツリーを確認しましたが、含まれているのはアセットと2つのプロンプト書き換えデータファイルだけです。

ベースモデルのほうがやや良好で、それは別のモデルのドキュメントです。Qwen-Image-2.1 の資料には、オープンソースの DiffSynth-Studio フレームワーク上に構築された、ModelScope を通じた LoRA トレーニングが記録されています。その記述は Qwen-Image-2.1 に関するものであり、Turbo カードには、それを高速化チェックポイントに拡張するものは何もありません。

Turbo 向けに存在するのはコミュニティの成果物だけです。本日時点で、Hugging Face 上の 47 個のリポジトリが Qwen/Qwen-Image-2.1-Turbo をベースモデルとして宣言しており、そのほぼすべてが量子化ポートです — GGUF、FP8、INT8、INT4、NVFP4、MLX、OpenVINO ビルド。LoRA アダプターはちょうど 1 つだけで、2026年10月10日に公開されたキャラクタースワップ用アダプターです。これらはいずれもベンダーによるサポートではなく、Qwen によって検証されたものでもありません。また、ベースチェックポイントの 40 ステップの軌跡に対して学習されたアダプターが、保存された 8 ステップのスケジュールに対しても自動的に正しいとは限りません。Turbo LoRA のワークフローを探してここにたどり着いたのであれば、正確な答えは「ベンダーはそれを公開していない」ということです。

実行方法と、呼び出し方法

セルフホスティングはごく普通のDiffusersの作業ですが、一つだけ厄介なポイントがあります。カードに記載されているインストール方法は、CUDA対応のPyTorchビルド、ソースからのDiffusers（git+https://github.com/huggingface/diffusers.git）、transformers>=5.17.0、accelerateおよびpillowです。厄介なのは、このチェックポイントが、パイプラインで設定されるサンプリングシグマをサポートするDiffusersビルドを必要とする点です。この機能はPR #14950で追加されましたが、執筆時点ではタグ付きリリースではなくソースツリー内に存在するため、カードにはバージョン番号をインストールするようには書かれていません。

ロード行は、ベースモデルのパイプラインクラスのチェックポイント名を差し替えたものです：QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda")。生成は、プロンプト、プリセットリストにある幅と高さ、use_kv_cache=True、およびジェネレーターのシードを指定した呼び出しです。カードのテキストから画像への例では 1696 × 2528 をシード 42 で使用し、編集の例では RGBA 画像をimage引数として 2048 × 2048、シード 20261009 で渡します。num_inference_stepsに何か効果があることを期待して渡さないでください。

計画しておくべきギャップが1つあります。Turboカードにはメモリに関するガイダンスが一切公開されていません。ベースモデルのカードにはメモリ最適化セクションがあり、次のコードを示しています：pipe.enable_model_cpu_offload()。Turboカードはそこで単に終わっています。リポジトリには17.5 GBのテキストエンコーダーがあるため、それが見込むべき数値であり、カードはそれがどのGPUに収まるかを教えてくれません。

それを実行するのではなく呼び出すということは、Aliba​ba Cloud Model Studio 上の Qw​en 自身のホスト型 Turbo API を意味します。ベンダーの API リファレンスページで確認できる画像あたりの公開価格はなく、確認できる公開レート制限もありません — そのため、利用量を計画している読者は、契約する前にベンダーから入手すべき2つの数値があります。

OrcaRouterの立ち位置を、平易に述べる

OrcaRouterはQwen-Image-2.1-Turboをルーティングしておらず、Qwen-Image-2.1もルーティングしていません — 本日確認した当社の現行モデルリストにどちらの識別子も存在せず、このページのいかなる記述も、そのいずれかを提供するという申し出として解釈されるべきではありません。当社が実際に提供している画像系は、ホスト型のラインナップです：OpenAI GPT-Image ファミリー、GoogleのImagen 4の各ティア、およびxAIのGrok Imagine画像エンドポイントです。

その区別こそが、このチェックポイントにおいて実用的なものです。OrcaRouter は 200 以上のモデルを、プロバイダー定価のままマークアップゼロで、単一の OpenAI 互換エンドポイントの背後に集約します、さらに プロバイダーが性能劣化した際には自動フェイルオーバーを追加します — これは、ホスト型の画像モデルを本番環境で呼び出しているときにこそ必要なものであり、問題のモデルが 32.5 GB の研究ライセンス付きダウンロードである場合には無関係です。Qwen-Image-2.1-Turbo を自分で動かす予定なら、制約となるのはルーティング層ではなく、Qw​en Research License Agreement です。

つまり、判断は明確に分かれる。8ステップ、保存済みのスケジュール、バイト単位で同一の研究ライセンス、そしてベンチマークがないということは、Qwenが評価を公開するか、あなた自身が評価を実行するまでの間、そのチェックポイントは研究・プロトタイピング用ツールであることを意味する。今週、本番環境で画像エンドポイントが必要なら、それは別の購入であり、当社が販売しているのはそちらだ。