デスクトップ上のQwen-Image-2.1-Turbo：BaoCut 3.5と初のローカルタイミング計測

のリポジトリはQwen-Image-2.1-Turbo2026年10月9日に Hugging Face に登場した。707件のいいね、重み、ライセンスファイル、そして Qwen-Image-2.1 の GitHub ニュースリストのたった一行が、発表のすべてだった。5日後には、すでに人々の机の上で動いている。中国のデスクトップ編集ツールである BaoCut 3.5 はこのチェックポイントを統合し、サーバー経由ではなくローカルマシン上で画像を生成し始めた。X/@dotey は2026年10月13日、Mac Mini M2 で1080pなら1枚に約3～5分、2Kなら20分近くかかると報告した。別に、Siliconed というオープンソースの macOS アプリが、2026年10月11日にモデル自身のディスカッションボードに、M1 Pro で1024²を計測118秒という結果を投稿し、同じマシンでZ-Image Turbo——人々が比較検討しているもう一つの8ステップのオープンチェックポイント——が82～85秒で動作した。Qwen-Image-2.1は、両方のローカル移植版の派生元であるベースモデルで、2026年9月20日にリリースされた。高速化されたチェックポイントは親モデルより3週間新しく、独自の独立した評価は一切ない。

これがこの話の構図だ。一度もローンチされず、ただ公開されただけのチェックポイントが、ベンダーがそれについて公の場でほとんど何も語らないうちに、デスクトップソフトウェアの中に現れつつある。以下では、リポジトリが実際に述べていることと、最初のユーザーたちが報告していることを分けて示す。この二つは同じ種類の主張ではないからだ。

リポジトリが確認するもの、そして確認しないもの

以下はすべて、モデルカード、ライセンスファイル、プロジェクトの変更履歴から得たものです — 一次情報源であり、誰でも確認できます。

• 日付は明記され、しかも肝心なところに日付がある。 Hugging Face APIは、このリポジトリが2026-10-09T04:50:01Zに作成され、最終更新が2026-10-12であると報告している。Qwen-Image-2.1のGitHubニュース一覧にも、対応する項目がある。「2026.10.09: We released Qwen-Image-2.1-Turbo for image generation and editing in just 8 denoising steps.」同じ変更履歴には、Pro版とTurbo版のAPIが同日にAlibaba Cloud Model Studioで公開されたことも記録されている。これはリリースだ。ローンチを伴わないリリースである。

• これは何か。モデルカードではこれを「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と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」と説明しており、同じ 7B の視覚生成アーキテクチャに基づいています。新しいファミリーでも新しいアーキテクチャでもありません。はるかに短いサンプリング軌道に合わせて再パッケージ化されたベースチェックポイントです。

• 両方の機能を1回のダウンロードで。テキストから画像への生成と指示に基づく編集は、この単一のチェックポイントで提供されます。カード自体の例では、どちらも同じ保存済みの8ステップスケジュールと同じデフォルトのCFG=1を使用しており、ヨットのスケッチをフォトリアルな画像に変換する編集を実演しています。

• スケジュールは重みと一緒に配布されます。 チェックポイントには推奨のサンプリングスケジュールが同梱されているため、Diffusers が自動的に読み込みます。カードには、`num_inference_steps` を設定するだけではその保存済みスケジュールを上書きできないことが明記されています。プレフィックス KV キャッシュは、デノイジングの各ステップにわたってテキストと参照画像のコンテキストを再利用します。

• ツールキットの2つのバージョンが必要です。記載されているインストール内容は、CUDA対応のPyTorchビルド、ソースからのDiffusers、transformers 5.17.0以降、accelerate、およびpillowです。このチェックポイントには、パイプラインで設定されたサンプリングシグマに対するDiffusersのサポートが必要であり、これはPR #14950で追加されました — 執筆時点ではタグ付きリリースではなく、ソースツリーです。

• ライセンスは変わっておらず、それが商用利用の壁となっています。 このリポジトリは qwen-research ライセンスを採用しています。同契約は「FOR NON-COMMERCIAL PURPOSES ONLY」の権利を付与し、商用利用にはベンダーへ別途ライセンスを申請する必要があると明記しています。Turbo によってこれが緩和されることは何もありません。

• いかなる種類のベンチマークも存在しない。 カードにはTurboチェックポイントのスコアはなく、ベースとの比較も、レイテンシの数値も、メモリの数値もない。ベンダーはそのいずれも公開していない。

• ベースモデルの数値と混同しないでください。 Qwen-Image-2.1 という名前で Elo や品質に関する主張を見かけたら、それがどのチェックポイントのものかを確認してください。公開されている image-arena の行は、9月20日のベースモデルである Qwen-Image-2.1 に属するものであり、Turbo のものではありません。

最初の2つの現地報告書、そしてそれらがなぜ一致しないのか

独立した2人が、リポジトリが登場してから4日以内にローカル推論の数値を公表した。彼らは異なるマシン、異なる解像度、異なるパイプラインを測定しており、同じ名目上のタスクでも結果はおよそ一桁違う。どちらも読む価値はあるが、どちらもベンチマークではない。

デスクトップエディターの報告。 X/@dotey、2026年10月13日：BaoCut 3.5 は Qwen-Image-2.1-Turbo を統合しており、画像生成はサーバー経由ではなくローカルマシン上で行われる。同氏の Mac Mini M2 では、1080p の画像に約3～5分、2K の画像には20分近くかかる。また、このツールは NSFW な出力を生成すること、そしてエージェントをマシンのローカル画像サービスに向けられることも指摘している。

ネイティブアプリのレポートです。 2026年10月11日、Siliconedの作者がチェックポイント自身のHugging Faceディスカッションボードに投稿しました。SiliconedはApache-2.0ライセンスのオープンソースmacOSアプリで、PythonもComfyUIも介さずにSwiftとMetalでモデルを実行し、テキストエンコーダー、トランスフォーマー、VAEというすべての段階をfp32のDiffusers実装とチャンネルごとに比較しています。参照マシンである統合メモリ16 GBのMacBook Pro M1 Pro上で、1024²、8ステップ、CFG 1の場合、Qwen-Image-2.1-Turboは118秒でレンダリングします。1024×1536のレンダリングには190秒、参照画像1枚を使った編集には212秒、参照画像2枚を使った編集には285秒かかります。ピークメモリは1.8～2.7 GBの間に収まり、スワップアウトはまったく発生しません。同じマシン、同じ解像度でのZ-Image Turboは82～85秒かかります。

• 3〜5分と118秒が矛盾しない理由。 投稿者の数値はアプリ内での1080pにおけるMac Mini M2のもので、アプリの数値は直接駆動した1024²でのM1 Proのものです。異なるシリコン、異なるピクセル数、モデルの周辺で行われている処理量も異なります。どちらの数値も、あなたのマシンでどうなるかを教えてはくれません。

• アプリが報告する内容は自己申告であり、そう明記されている。 著者は著者である。それに対して言えば、手法は公開されており、すべての数値には明示された測定器が付いている——`phys_footprint` は100 msごとにサンプリング、スワップは `vm_stat` から——そしてプロジェクトはチップ表を公開しており、1行だけ記入済みで、読者が自分で追加できる公開フォームも用意されている。それはベンダーが与えてくれるものより多く、独立したラボよりは少ない。

• メモリは、実行可能性を決める数値です。31.2 GBのStandardインストールが16 GBのMacで動作するのは、必要に応じて重みがディスクからストリーミングされるためであり、これはシステムメモリの4分の3から2 GBを引いた、明記された予算の範囲内です。だからこそ、RAMより大きいインストールサイズが自動的に障害になるわけではなく、制約となるのはVRAMではなくディスクの読み取りスループットなのです。

• 解像度の上限は紛れもない制約です。 macOS 版は出力を 1024×1536 のサーフェスに制限しており、各辺は 512 以上かつ 16 の倍数です。これは 16 GB マシンでスワップがゼロだった最大サイズとして測定されたことを根拠としています。それより大きなレンダリングは、スラッシングを起こすに任せるのではなく、事前に拒否されます。作業にベースモデルの 2048 クラスのプリセットが必要な場合、このローカル経路では得られません。

ローカルウェイトはモデレーション層が存在しないことを意味し、それは諸刃の剣だ

10月13日の投稿で最も多く引用されたのは、そのモデルがNSFW画像を生成するという一節だ。それが何であり、何でないのかについては、正確を期しておく価値がある。

これはベンダーが宣伝している機能ではない。モデルカードには、そのオープンなチェックポイントのコンテンツポリシーについて何も書かれておらず、ライセンスも例外を設けていない。非商用利用を許諾し、適用法を遵守することを求める、それだけだ。報告書が述べているのは、自分のハードウェアで拡散モデルを動かすことの普通の帰結である。プロンプトとサンプラーの間にプロバイダーが存在しないため、作動するプロバイダー側フィルターも存在しない。あらゆるオープンな画像チェックポイントはこのように振る舞う。ここでの違いは速度とパッケージングだ。このクラスの8ステップモデルは、今やコンシューマー向けハードウェア上で十分高速であり、ローカル経路はもはや妥協のように感じられない。

コンプライアンス上の問題は、完全にあなたの側に移ります。このチェックポイントを基に構築したものを出荷するつもりなら、ライセンスが拘束力のある制約条件であり、それは寛容なものではありません — ベースモデルは同じ非商用研究条件で配布されており、Turboチェックポイントはそれらを変更なく継承します。ローカル推論によって、出力を使って何が許されるかは変わりません。

本当に新しい部分：エージェントが呼び出せるツール

どちらの報告も同じ細部で一致しており、それはより長い尾を引く方のものだ。10月13日の投稿は、エージェントをそのマシンのローカル画像サービスに向けられることに言及している。macOS版はまさにそのインターフェースを同梱している。アプリバンドル内にある`silicontrol`というヘルパーバイナリで、ターミナルから実行中のウィンドウを操作し、モデルの一覧表示、`--wait --out`によるレンダーのキュー投入、ステータスの読み取りといったコマンドを備え、最後に`"ok"`フィールドを持つJSON行を出力する。キューは1つだけで、同時に2つのレンダーが行われることは決してない。

JSON 行で応答し、ファイルパスを返すローカル画像エンドポイントは、ツール呼び出しの対象です。これは、プロンプトを Web UI に貼り付けるのとは別の話です。コーディングエージェントは、図やプレースホルダー、バリアントが必要だと判断し、ローカルサービスを呼び出して、API キーなし、画像ごとの課金なし、データがマシンから出ない状態で作業を続けられます。非商用の作業 — 研究、社内プロトタイプ、評価ハーネス — にとって、これは 8 ステップ以下、ピークメモリ 3 GB 未満で実現する、真に新しい能力です。

それには厳しい境界線もあり、その線を引いているのは同じライセンスだ。あなたが作っているものが研究用の成果物ではなく製品になった瞬間、ローカルという道は簡単な答えではなくなり、非商用制限が決定的な事実になる。

ルーティング層が適する場所と、適さない場所

Qwen-Image-2.1-Turbo は、研究ライセンスで提供されるウェイトのダウンロードです。OrcaRouter 上のホスト型エンドポイントではなく、ここにある記述をそれ以外の意味に読むべきではありません。正直なところ、その分け方はワークロードによります。

画像を、プライバシーのため、コストのため、あるいは接続環境がないために、自分で管理するマシン上で生成しなければならないのであれば、このチェックポイントとローカルランナーが答えであり、ルーティングの話はそもそも出てきません——非商用ライセンスとディスク容量という2つの制約だけが問題になります。一方、本番環境で画像モデルを呼び出していて、リクエストをどこか信頼できる場所に届ける必要があり、モデルごとにベンダーとの関係を抱えたくないのであれば、それがまさにOrcaRouterの存在理由です：プロバイダーの定価で、マークアップゼロで、1つのOpenAI互換エンドポイントの背後に200以上のモデル、プロバイダーが劣化したときの自動フェイルオーバー、そして既定値を受け入れるのではなく好みを表現したい場合のためのルーティングDSL。この2つの構成は競合するものではありません。ローカルのチェックポイントは机の上のツールであり、ルーターは、仕事が机を離れるときに呼び出すホスト型モデルの手前に置くものです。

これらを頭の中で別々に保っておく実用的な理由は、失敗の仕方が異なるからです。ローカルレンダリングが失敗するのは、マシンがビジー状態、ディスクが低速、またはメモリ予算を超過しているときです。ホスト型呼び出しが失敗するのは、プロバイダーが失敗したときです。フェイルオーバーで解決する価値があるのは、そのうちの一方だけです。

{{1}}私たちがまだ言えないこと{{/1}}

このチェックポイントの評判を決めるには三つのものが必要だが、そのいずれもまだ存在していない。

• 独立した評価はありません。 Turboにはアリーナの行も、公開されたEloも、Qwen-Image-2.1やZ-Image Turboに対する第三者による品質比較もありません。ベースモデルのより長いサンプリング軌道から8ステップに減らすことによる品質コストは、単に公には測定されていません。

• ベンダーによるスループットやメモリの数値はない。 このカードはチェックポイントを特徴づけているだけで、実行にいくらコストがかかるかについては何も語っていない。本記事中の日付以外の数値はすべてユーザーによるもので、その一つひとつには測定に使用されたマシンが記されている。

• 公開されている表にあるチップは1つだけです。macOS移植版の結果表には、埋まっている行がちょうど1つ（M1 Pro）あるだけで、それ以外の全員が自分の結果を追加できるよう招待されています。このためにハードウェアを購入しようとしているのであれば、あなたはその1行とMac Mini M2の逸話1つだけから外挿していることになります。

確信を持って言えることは、より狭く、より有用だ。そのチェックポイントは存在し、日付は2026年10月9日で、7Bで8ステップの生成と編集を行い、そのスケジュールは重みに焼き込まれており、非商用であり、リポジトリからデスクトップソフトウェア内で動作するまでに、わずか1週間足らずで、しかも一切のローンチなしに到達した。これはローカル画像生成における実際の出来事であり、誰もベンダーに責任を負わせられる数値を公表しないうちに起きている。

このようなモデル選択は、障害モードが表面化する場でもあります。このクラスのモデルの背後にある、記録されたAIインシデントやエージェント障害は、OrcaRouter AIインシデントアーカイブに収められており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。