Qwen-Image 2.1 vs Z-Image Turbo：ステップ数、ライセンス、そしてそれぞれが適する場面

8ステップ対40ステップ、そして「はい」と言うライセンス対「いいえ」と言うライセンス。Qwen-Image 2.1はベンダーのオープンウェイト画像生成・編集モデルで、2026年9月20日に研究専用契約の下で公開され、デフォルトでは40ステップでノイズ除去を行う。Z-Image Turboは、同じ企業グループのTongyi-MAI組織による蒸留チェックポイントで、2025年11月26日に公開され、Apache-2.0の下で同じ仕事を8ステップでこなす。両者を隔てるのはほぼ11か月、新しいほうは名目上ダウンロードサイズがより小さく、古いほうこそ誰にも許可を求めずに商用製品に組み込めるものだ。この逆転こそが比較のすべてである。

短く答えるなら、理由の前に結論を知りたいならこうだ。画像あたりの速度、コンシューマー向けハードウェアでのVRAM、または寛容なライセンスが制約ならZ-Image Turboを選べ。既存の画像を編集したい、ネイティブの透明性がほしい、または独立系ボードでより高いスコアがほしいならQwen-Image 2.1を選べ。混在ワークロードを抱える人が片方だけを選ばなければならないことはなく、このページの大半は、そうしなければならないと人々が考える2つの理由に費やされている。

まず、命名の問題

この比較では2つのものがturboと呼ばれていますが、両者は同じturboではありません。Qwen-Image 2.1には独自の高速化バリアントがあります——「Qwen-Image 2.1のturboバリアント」で、2026年10月9日にリリースされ、ベースモデルのアーキテクチャとパイプラインクラスを共有していますが、8ステップでノイズ除去を行い、CFGはデフォルトで1です。それはこのページが比較対象としているモデルではありません。Z-Image Turboは別系統の別モデルで、Tongyi-MAIグループによって構築され、別のベース——Z-Imageチェックポイント——を蒸留しています。これは50ステップで動作します。

また、何から、どのように蒸留されたかという点でも両者は異なる。Tongyi-MAIは、Z-Image Turboについて、Decoupled-DMDと、DMDRと呼ぶ段階——DMDと強化学習を融合させたもの——を用いて蒸留されたものだと説明している。Qwen-Image 2.1のturbo版は、ベンダーによって、新しいアーキテクチャではなくチェックポイントの変更として提示されている。どちらも8ステップに到達しているが、両者は別物であり、一方について書かれた文が他方を対象に含むものとして読まれるべきではない。

「最速のQwen-Imageモデル」とZ-Image Turboを比較しているなら、このページは適切ではありません——その比較はQwen-Image 2.1のturbo版に対するものであり、「2つの8ステップ・チェックポイント」という枠組みは別の問いで、答えも異なります。

Z-Image Turboが実際に出荷するもの

これは要約サイトではなく、ベンダー自身の資料から取得してください。ほとんどの要約サイトはサイズを間違えているか、省略しているからです。Z-Imageファミリーは6Bパラメータで文書化されており、テキストトークン、視覚意味トークン、画像VAEトークンが1つの入力シーケンスに連結される単一ストリームのdiffusion-transformer設計を採用しています。Turboはそのファミリーの蒸留されたメンバーであり、8 NFEsで動作します — 参照コードはnum_inference_steps=9と設定し、これによりトランスフォーマーを通る8回のフォワードパスが生成されることを注記しています — ガイダンスは無効です。

ベンダーの性能に関する主張は次のとおりであり、それらはベンダーの主張である。エンタープライズクラスのH800 GPUでの1秒未満の推論レイテンシ、およびコンシューマー向けデバイスで「16G VRAMに余裕で収まる」こと。その後、コミュニティのツール群はstable-diffusion.cppを通じて約4GBで実行していると報告しており、これはベンダーの数値ではなくコミュニティの数値である。解像度はモデルカードに範囲として公開されていない。文書化された例は1024×1024で生成する。カードにはまた、アダプタ、ファインチューニング、量子化の数がそれぞれ879、170、93モデルであること、さらに約100のSpacesが記載されている。これはホスティングプラットフォーム上でのエコシステム活動の指標であり、品質の指標ではない。

独立系のテキスト画像生成ボードにおいて、Z-Image Turboは941 Eloに位置し、95%区間は933～949、8,991サンプルから、168件中83位、画像1,000枚あたり$5.00、オープンウェイトのマーカーが設定され、ボードはこの行を2025年12月付けとしている。すべての数値はArtificial Analysisによるもので、2026年10月13日に英語でライブ取得された。

ベンダー資料に含まれている、正しく読む価値のある歴史的注記が1つある。2025年12月8日、Artificial AnalysisはZ-Image Turboを総合8位、オープンソースモデルの中では1位に位置づけた。これは書かれた時点では事実であり、今では古くなった主張だ。今日では当てはまらない——現在のリーダーボードでは、その上にクローズドモデルとオープンモデルが16行分ある。理由はZ-Image Turboが悪くなったからではなく、10か月が経過したことにある。

Qwen-Image 2.1 が実際に提供するもの

まったく異なる形です。Qwen-Image 2.1は、視覚生成コンポーネントに32のシングルストリームDiTレイヤーにわたって7Bパラメータを持ち、はるかに大きなテキストエンコーダー — Qwen3-VL 8B — と、16倍の空間圧縮を行う64チャンネルRGBA VAEを備えています。その最後の部分が透明度の源です。それは後から切り抜かれるのではなく、ネイティブに生成されます。デフォルトのサンプリングは、ベースチェックポイントで40ステップ、デフォルトの2048×2048で、1:1から9:16までの7つの公開プリセットにわたります。

• 入力の柔軟性 — プロンプトのみ、画像1枚を伴うプロンプト、または最大10枚の参照画像を伴うプロンプト。

• ローカル編集コントロール — 描画した円、ペイントによる注釈、または独立した入力として渡される別個のマスクにより、元の写真は未変更のまま保たれます。

• 双方向の透明性 — RGBAを生成し、透明レイヤー内で編集したり、通常のRGB写真から被写体をRGBAレイヤーとして切り出したりできます。

• ダウンロードサイズDiffusersリポジトリのQwen/Qwen-Image-2.1は33.1 GBで、そのうち約17.5 GBがテキストエンコーダーです。これが視覚言語モデルをスタックに組み込む実際のコストです。

同じボード上で、Qwen-Image 2.1は1,038 Eloに位置し、区間は1,029～1,047、5,554サンプル、168件中20位で、オープンウェイトのマーカーが設定され、価格列には「No API available」と表示されています。編集ボードでは、2つのうち掲載されているのはこれだけです。1,072 Elo、区間は1,063～1,081、6,132サンプル、81件中21位です。Z-Image Turboには編集ボードの行がありません。

その2つの行——1,038対941、区間が重ならない97ポイントの差——はこの記事の中で最も強力な独立した証拠であり、それでもなお、ここでのEloはブラインド投票による選好スコアであるという但し書き付きで読むべきだ。それは群衆がどちらの出力を好んだかを示すものであって、どちらのモデルがより高速か、安価か、あるいはあなたの用途に適したライセンスを持つかを示すものではない。

歩数は秒ではありません

この対決を読むうえで最もよくある間違いは、8ステップと40ステップを5倍の速度差として扱ってしまうことだ。両者は2つのモデルにまたがる比較可能な単位ではない。ステップ数とはデノイザーが実行される回数のことであり、その各回にどれだけ時間がかかるかは、トランスフォーマーのサイズ、解像度、精度、アテンションの実装、そしてハードウェアによって決まる。Z-Image Turboのベンダーは、ある1つの解像度・ある1つのGPUクラスにおけるレイテンシ値のみを公開している。Qwen-Image 2.1のベンダーはレイテンシ値を一切公開していない。

正直に比較できるのは、方向性と制約のほうだ。Z-Image Turboは、コンシューマー向けVRAM上で8 NFEで動作するように作られており、ベンダー公称では16GBの範囲内、コミュニティの報告ではそれを下回る。Qwen-Image 2.1のベースチェックポイントは、33GBのダウンロードとQwen3-VL 8Bエンコーダーに加えて40ステップで動作する。40ステップが高速な構成ではないからこそ、同モデル独自のturbo版が存在するのだ。推論コストがあなたの拘束条件であるなら、比率はともかく方向性は疑いようがない。

また、どちらのベンダーも定量化していない、ステップあたりの品質のトレードオフも存在する。蒸留された少数ステップのチェックポイントは多ステップの軌跡を近似するように訓練されるが、その近似が最も弱くなる領域——細かい文字、密なレイアウト、小さく繰り返されるディテール——はモデル固有であり、公表されていない。8ステップモデルの8番目のステップが、40ステップモデルの40番目のステップと等しいと仮定してはならない。この特定の組み合わせについて、条件を揃えた独立の比較証拠は存在せず、このページは、証拠が支持しないランキングをでっち上げたりはしない。

ライセンスこそが、判断が下される場面です

Z-Image TurboはApache-2.0です。それはこのリポジトリのライセンスであり、ゲートも登録も収益条件もなく、明確に明記されています。Tongyi-MAIに連絡することなく、それを実行し、改変し、ファインチューニングし、派生版を再配布し、そこから商用出力を出荷できます。

Qwen-Image 2.1はそうではない。そのリポジトリにはlicense: otherが記載されており、ライセンス名はqwen-research、LICENSEファイルは2026年9月20日付のQwen Research License Agreementである。2026年10月13日に読んだところ、本素材を使用、複製、配布、改変するための非独占的、世界的、ロイヤルティフリーのライセンスを非商用目的に限り付与しており、「非商用」を研究または評価目的と定義し、それ以外の用途には電子メールで申請する別途の商用ライセンスを必要としている。再配布にはさらに条件が付く。本契約を引き継ぐこと、改変したファイルを明示すること、Hangzhou Tongyi Laboratory Technology Co., Ltdの名称を含む通知を保持すること、出力が別の配布モデルの学習に使用される場合は「Built with Qwen」を表示すること、そして「Qwen」を派生物の主要名称として使用しないことである。

これは単発の話ではなく、モデルファミリーに関する事実として述べておく価値がある。というのも、これは方向転換だからだ。以前のQwen-Imageチェックポイント——Qwen-Image、Qwen-Image-Edit、-2509、-2511、-Layered、-2512リリース——は、2026年10月13日時点で確認した限り、すべてApache-2.0である。Qwen-Image 2.1は、そのパターンが破れたものだ。すでに付与されたライセンスは遡って変更されることはないため、古いチェックポイントは元の条件のまま利用できるが、最新のQwen-Imageモデルが寛容型ライセンスであると仮定して商用パイプラインを計画すべきではない。

つまり、この2つのモデルはスペックシートではなく、ライセンスファイルと同じ形をしているということだ。Z-Image Turbo は今日から会話込みで使えるほうで、Qwen-Image 2.1 は、したくないかもしれない交渉を必要とするほうだ。

それぞれを実行できる環境

Qwen-Image 2.1は、後からランタイムサポートを獲得するのではなく、文書化されたランタイムサポートを備えて出荷されました。QwenImage21Pipelineを介したDiffusers、テンプレートワークフローを備えたネイティブComfyUI、vLLM-Omniのオフラインおよびオンラインサービング、sglang generateによるSGLang、高速化のためのLightX2V、そしてAMD ROCmと8つのチッププラットフォームにまたがるFlagOSのパス。プロンプト書き換え用のチェックポイント2つが、別々のダウンロードとして併せて公開されています。

Z-Image Turboのサポートは、ある特定の点でより広範です。小規模でApache-2.0であり、登場からまもなく1年になるため、幅広い量子化とパッケージングのエコシステム——GGUF変換、FP8やSDNQのバリアント、int4ビルド、ComfyUIの単一ファイル再パッケージ——が蓄積されており、それによって16GB未満や8GB未満の道が可能になっています。寛容なライセンスの6Bモデルは移植されますが、研究ライセンスの33 GBのモデルはよりゆっくり、より慎重に移植されます。こうした二次的な効果はスペックシートでは見落とされがちで、読者が今週実際に何をできるかを決めるのは、しばしばこれなのです。

両方で動作し、2つ目のスタックは不要です

OrcaRouterはQwen-Image 2.1をルーティングしておらず、Z-Image Turboもルーティングしていません。私たちは2026年10月13日にライブモデルリストを確認しましたが、どちらも掲載されていないため、以下は当社がそれらを提供しているという主張ではありません — 両方のルートはセルフホスティングか、ベンダー自身のホスト型エンドポイントです。

この2つを引き合わせるパターンこそ、このペアが誘うものだ。Z-Image Turboを安価な初回パスとして、より強力なモデルを最終レンダーとして使う。これは理にかなったパイプラインであり、その隠れたコストは運用面にある——2つのダウンロードスタック、2組の設定、そしてどちらか一方が変わった瞬間に生じる2つ目の統合だ。OrcaRouterは200以上のモデルを、1つのOpenAI互換エンドポイントの背後に、プロバイダの定価で、マークアップなしで提供し、あるプロバイダが劣化した際のプロバイダ間の自動フェイルオーバーを備えている。そのため、ドラフトと最終のパイプラインは、実際に呼び出すモデルを単一のキーと単一のクライアントの背後に置くことができ、プロバイダの一時的な不調はバッチの停滞ではなくリトライになる。ルーティングDSLは構成自体にも同じ役割を果たし、複数のモデルを複数の統合としてではなく1回の呼び出しとして扱えるようにする。

どれを、誰のために

• あなたは商用製品を出荷している — Z-Image Turbo。Apache-2.0、会話なし、確認すべき収益ラインもない。

• 既存の画像を編集したり、マスクを使用したり、透過アセットを生成したりする必要がある場合 — Qwen-Image 2.1。Z-Image Turbo の文書化されているモードはプロンプトからの画像生成です。このファミリーには編集用チェックポイントはなく、文書化された経路にマスク入力もありません。

• 制約がVRAMか画像あたりのコストなら — Z-Image Turbo。10年にわたる量子化の取り組みに支えられた6Bモデルが、8Bの視覚言語エンコーダーを備えた33 GBのスタックと渡り合う。

• あなたの制約は、第三者が評価する出力品質です — 両方がランク付けされているボード上で、およそ100 Eloポイント差でQwen-Image 2.1、信頼区間は重複していません。

• あなたが行っているのは研究であり、本番運用ではありません — Qwen-Image 2.1 はまさにそのためのライセンスであり、その編集機能こそがダウンロードのコストを引き受ける理由です。

最も多くの場面で決め手となる事実を一言でいえば、答えを出荷しなければならないとき、あるいは読者がすでに持っているマシン上で動かさなければならないときは常に Z-Image Turbo が勝ち、タスクがすでに存在する画像を扱うものであるときは常に Qwen-Image 2.1 が勝つ。