Qwen-Image-2.1-Turbo: 8단계 체크포인트란 무엇이며, Qwen-Image-2.1과 어떻게 다른가

Qwen-Image-2.1-Turbo는 Qwen-Image-2.1: 동일한 7B 시각 생성 백본, 동일한 두 가지 작업 — 텍스트-투-이미지 생성 및 지시 기반 이미지 편집 — 그리고 기본 체크포인트 자체의 예시는 40단계를 사용하는 반면 8개의 디노이징 단계를 갖습니다. 이는 새로운 아키텍처도, 새로운 모델 패밀리도 아니며, 파일 안에 두 번째 모델이 들어 있지도 않습니다. 이 체크포인트는 2026년 10월 9일 Hugging Face에 공개되었으며, 이 날짜는 저장소의 생성 타임스탬프와 Qwen-Image 프로젝트 자체의 뉴스 목록에 있는 한 줄 모두에서 확인됩니다. 아래의 모든 내용은 2026년 10월 13일에 누군가의 요약이 아니라 벤더 자체 자료를 바탕으로 다시 정립된, 이 모델에 대한 상시 설명입니다.

모델의 이름을 입력해 그것이 무엇인지 알아보려 했다면, 짧은 답은 앞 단락입니다. 유용한 답은 그 대비입니다.

Turbo 변형, 한 번에 한 차원씩

아래의 각 줄은 체크포인트 자체 저장소 — 모델 카드, model_index.json, transformer/config.json 및 LICENSE — 또는 GitHub의 Qwen-Image 프로젝트 저장소에서 오늘 읽은 내용을 출처로 합니다. 공급업체가 아무것도 공개하지 않은 경우에는 채워 넣지 않고 그대로 명시합니다.

• 스텝 수 — Qwen-Image-2.1-Turbo는 디노이징 스텝이 8개인 반면, Qwen-Image-2.1은 40개입니다. 40은 벤더가 직접 제시한 수치로, 해당 카드에 있는 모든 Qwen-Image-2.1 예시에 사용되었으며 GitHub의 프로젝트 파라미터 표에 기본값으로 기재되어 있습니다.

• 속도 — 스텝 수는 Qwen이 내세우는 유일한 속도 관련 주장이며, 이는 측정값이 아니라 단순히 세는 횟수입니다. 어느 체크포인트에도 지연 시간, 처리량, GPU당 이미지 수치는 제시되지 않았고, 두 카드 모두 자사 예시가 어떤 하드웨어에서 생성되었는지 명시하지 않습니다.

• 품질 트레이드오프 — 정량화되지 않음. Qwen-Image-2.1-Turbo에 대한 평가 점수도 없고, Qwen-Image-2.1에 대한 점수도 없으며, 공급업체 자료 어디에도 두 모델 간의 직접 비교가 없습니다. Turbo 카드의 쇼케이스 이미지는 공급업체가 선별한 8단계 출력물로, 이는 해당 체크포인트가 이미지를 생성한다는 것을 보여줄 뿐 8단계에 도달하기 위해 얼마나 많은 충실도를 포기했는지는 보여주지 않습니다. 작성 시점에 두 체크포인트 중 어느 것에 대해서도 이용 가능한 제3자 벤치마크가 없었습니다.

• 샘플링 스케줄이 어디에 있는지 — 이것이 카드들이 드러내는 유일한 구조적 차이입니다. Turbo의 model_index.json에는 sample_sigmas 값 8개의 배열이 있고, 1.0에서 0.414568까지 내려갑니다. 그리고 카드에는 이 스케줄이 체크포인트와 함께 저장되고 자동으로 로드된다고 나와 있습니다 — "num_inference_steps만 설정한다고 해서 이를 재정의하지는 않습니다." Qwen-Image-2.1은 호출 시점에 스텝 수를 받습니다. 탈출구는 명시적인 sigmas 인수를 호출 시점에 전달하는 것이며, 카드에는 다른 스케줄은 "이 체크포인트에 대해 평가되지 않았습니다"라고 적혀 있습니다.

• 백본 — 동일합니다. Turbo의 transformer/config.json은(는) 베이스 체크포인트와 필드 하나하나까지 일치합니다: 레이어 32개, 각 128차원의 어텐션 헤드 32개, 패치 크기 1, 입력 및 출력 채널 64개, causal_condition true, 컨텍스트 입력 차원 4096. 두 파일 사이에서 유일하게 다른 값은 기록된 Diffusers 버전입니다.

• 텍스트 인코더, VAE 및 스케줄러 — Turbo의 model_index.json이 지정합니다Qwen3VLForConditionalGeneration을 텍스트 인코더로, Qwen3VLProcessor, AutoencoderKLQwenImage21 VAE, 그리고 FlowMatchEulerDiscreteScheduler를 . 이들은 Qwen-Image-2.1이 선언한 것과 동일한 컴포넌트 클래스입니다. 프로젝트의 아키텍처 노트는 공유 텍스트 인코더를 Qwen3-VL 8B 비전-언어 모델로, VAE를 16배 공간 압축을 가진 64채널 RGBA 오토인코더로 설명합니다.

• 가이던스 기본값 — Turbo 카드에는 기본적으로 CFG 1이 명시되어 있으며, 이는 각 단계에서 classifier-free guidance 패스를 제거합니다. 베이스 모델의 카드에는 가이던스 기본값이 전혀 명시되어 있지 않습니다.

• 해상도 프리셋 — 두 곳 모두에서 동일한 일곱 가지이며, Turbo 카드에서 그대로 가져온 값입니다: 1:1은 2048 × 2048, 4:3은 2400 × 1792, 3:4는 1792 × 2400, 3:2는 2528 × 1696, 2:3은 1696 × 2528, 16:9는 2752 × 1536, 9:16은 1536 × 2752.

• 디스크 사용량 — Turbo 리포지토리 자체의 파일 목록은 대략 32.5GB에 달하며, 오늘 리포지토리에 공개된 파일 크기 기준으로 14.2GB 트랜스포머, 17.5GB 텍스트 인코더, 0.7GB VAE를 포함합니다. 이는 bfloat16 정밀도의 베이스 체크포인트 구성 요소 세트이며, 벤더는 자체 양자화 빌드를 제공하지 않습니다.

Qwen이 속도와 충실도 간의 트레이드오프에 대해 실제로 말하는 것

벤더의 주장은 헤드라인이 시사하는 것보다 좁으며, 카드에 적힌 표현 그대로 읽어볼 가치가 있습니다. Qwen-Image-2.1-Turbo는 "8개의 디노이징 스텝으로 텍스트-투-이미지 생성 및 이미지 편집을 위한 Qwen-Image-2.1의 가속화된 체크포인트"로 설명되며, "동일한 7B 비주얼 생성 아키텍처를 사용하고 QwenImage21Pipeline로 직접 로드됩니다." 카드에서 설명하는 이점은 시각적이라기보다 절차적입니다. 이 체크포인트는 "권장 샘플링 스케줄을 포함하므로 스케줄러를 수동으로 구성할 필요 없이 바로 사용할 수 있습니다."

세 가지 메커니즘이 거명되며, 오직 세 가지뿐이다. 8단계 스케줄 자체. 기본적으로 CFG 1을 사용해 가이던스 패스를 생략하는 것. 그리고 “디노이징 단계 전반에 걸쳐 텍스트와 참조 이미지 컨텍스트를 재사용”하는 프리픽스 KV 캐싱 — 이는 Base 모델도 문서화하는 메커니즘이며, 루프가 단 여덟 번 반복에 불과할 때에는 덜 중요해지는 게 아니라 더 중요해진다.

이제 빠져 있는 부분입니다. 이 카드에는 Turbo 체크포인트가 Qwen-Image-2.1의 출력 품질에 필적한다고 나온 적이 없습니다. 품질을 얼마나 희생했는지, 어떤 범주가 먼저 저하되는지 — 텍스처, 작은 텍스트, 얼굴, 다중 참조 일관성 — 도 결코 밝히지 않습니다. '증류'라는 단어를 쓰지 않으며, 저장소 어디에도 교사-학생 관계가 명시되어 있지 않습니다. 메타데이터가 실제로 말하는 것은 파생 관계입니다. Hugging Face 태그에는 base_model:Qwen/Qwen-Image-2.1 및 base_model:finetune:Qwen/Qwen-Image-2.1가 있으며, ModelScope의 모델 기록에는 동일한 부모가 "finetune" 관계로 나열되어 있습니다. 다시 말해 Qwen 자체의 입장은 베이스 체크포인트의 파인튜닝이며, 품질 문제는 그것을 실행하는 사람에게 맡겨집니다.

그건 비판이라기보다는 이번 릴리스의 모양새에 가깝다. 벤치마크도 없이 가속 체크포인트를 내놓는 공급업체는, 독자가 이제 스스로 돌려야 하는 바로 그 비교를 유도하는 셈이다: 같은 프롬프트, 같은 시드, 두 체크포인트, 40스텝 대 8스텝.

입력, 출력, 그리고 그것이 실제로 얼마나 큰지

이 카드는 두 가지 입력 모달리티와 한 가지 출력 모달리티를 문서화하며, 이들은 변경되지 않은 기본 모델의 것입니다.

• 텍스트 입력, 이미지 출력 — 텍스트 프롬프트가 래스터 이미지를 생성합니다. 카드의 구체적 예시는 1696 × 2528의 세로 방향 포스터이며, 쇼케이스는 인물 사진, 타이포그래피와 포스터 디자인, UI 및 정보 레이아웃을 아우르는데, 이는 텍스트 렌더링과 레이아웃 충실도에 관한 Qwen의 주장이지 그에 대한 측정값은 아닙니다.

• 이미지 입력, 이미지 출력 — 동일한 파이프라인이 프롬프트와 함께 입력 이미지를 받아 지시 기반 편집을 수행합니다. 이 카드의 예시는 요트 스케치를 2048 × 2048의 사실적인 사진으로 변환하고 입력을 RGBA로 로드합니다. 쇼케이스에서는 다중 참조 구성과 4개 이미지 인테리어 구성도 보여줍니다. 여기서 주의해야 할 숫자가 하나 있습니다. "최대 10개의 참조 이미지"라는 수치는 Qwen-Image-2.1 문서에 해당하는 내용이며, Turbo 카드에는 참조 이미지 제한이 다시 명시되어 있지 않습니다. 10은 Turbo 사양이 아니라 기본 모델의 공개된 수치로 보아야 합니다.

• 투명도 — 이 카드는 투명 이미지 생성을 쇼케이스 카테고리 중 하나로 나열하고 있으며, 제공되는 VAE 클래스는 베이스 모델이 사용하는 것과 동일한 64채널 RGBA 오토인코더이므로, 알파 출력은 단순히 이름만 물려받은 것이 아니라 이 체크포인트에 대해 문서화되어 있습니다.

• 출력 해상도 — 위에 나열된 것과 동일한 7가지 프리셋으로, 가로 방향에서는 최대 2752 × 1536, 세로 방향에서는 최대 1536 × 2752이며, 기본 수준은 2048 × 2048입니다. 이 프로젝트는 Qwen-Image-2.1이 2K 해상도를 네이티브로 지원한다고 설명합니다. 두 저장소 중 어디에도 그보다 높은 네이티브 등급을 주장하는 내용은 없으며, 업스케일링 단계를 문서화한 내용도 없습니다.

• 모델 크기 — 시각 생성 구성 요소에서 32개의 단일 스트림 DiT 레이어에 걸쳐 7B 파라미터, bfloat16, 전체 저장소 기준 디스크에서 약 32.5 GB입니다. 텍스트 모델이 아니므로 인용할 텍스트 컨텍스트 창은 없습니다. 트랜스포머 구성의 4096차원 컨텍스트 입력은 인코딩된 프롬프트와 조건 이미지 표현이며, 토큰 창이 아닙니다.

라이선스, 그리고 가중치의 위치

Qwen-Image-2.1-Turbo는 Qw​en Research License Agreement에 따라 공개되었습니다. 저장소의 메타데이터에는 license: other가 있고 license_name: qwen-research와 license_link: LICENSE가 명시되어 있으며, LICENSE 파일이 가중치와 함께 저장소에 자리하고 있습니다. 우리는 오늘 두 라이선스 파일을 비교해 보았습니다. Turbo 저장소의 LICENSE는 베이스 모델의 것과 바이트 단위로 완전히 동일했는데, 이는 가속이 조건 면에서 아무런 변화도 가져오지 않았다는 뜻이므로 알아둘 만한 사실입니다.

계약서 자체에서 읽어낸 내용은 이렇습니다. 부여되는 권리는 "FOR NON-COMMERCIAL PURPOSES ONLY"이고, "Non-Commercial"은 "for research or evaluation purposes only"로 정의되며, 상업적 사용에는 "a commercial license from us"가 필요하고, 요청은 다음 주소로 하면 됩니다: model-business@notice.qwencloud.com. 계약서 자체의 머리말에는 해당 버전이 2026년 9월 20일자라고 명시되어 있습니다. 8단계 생성이 필요한 이유가 그것이 모델을 제품에 얹을 수 있을 만큼 저렴하게 만들어 주기 때문이라면, 여기서 구속력 있는 제약은 라이선스이며 단계 수가 아닙니다. 이 저장소의 어떤 페이지도 이 문제를 해결해 주지 않습니다.

가중치는 두 곳에서 다운로드할 수 있으며, 둘 다 자사(퍼스트파티) 채널입니다. Hugging Face의 Qwen/Qwen-Image-2.1-Turbo, 그리고 ModelScope의 Qwen/Qwen-Image-2.1-Turbo. Hugging Face 저장소는 게이트가 걸려 있지 않습니다. 메타데이터에 호스팅된 추론 제공자가 나열되어 있지 않으므로, 벤더 자체 목록에서 확인되는 바로는 오늘 이 정확한 체크포인트를 대신 실행해 줄 제3자 엔드포인트는 없습니다.

호스팅 방식을 원한다면 Qwen 자체 옵션이 있습니다: 프로젝트의 뉴스 목록에는 Qwen-Image-2.1 Pro 및 Turbo API가 2026년 10월 9일 Alibaba Cloud Model Studio에서 정식 출시되었다고 기록되어 있으며, GitHub README는 "호스팅된 API를 사용하거나, Diffusers로 자신의 환경에서 Turbo 체크포인트를 실행하세요."라고 안내합니다. Turbo 엔드포인트의 이미지당 요금은 우리가 읽은 벤더의 API 참조 페이지에 명시되어 있지 않고, 대신 별도의 모델 가격 페이지를 가리킵니다 — 따라서 우리가 검증할 수 있었던 자료에서는 해당 가격을 미공개로 간주하고, 그 가격을 전제로 계획을 세우기 전에 벤더의 가격 페이지를 확인하세요.

파인튜닝: 문서화된 것과 커뮤니티에만 있는 것

솔직한 답은 Turbo 카드에는 어떤 종류의 파인튜닝도 문서화되어 있지 않다는 것입니다. 이 카드는 설치, 텍스트-투-이미지, 이미지 편집, 샘플링 및 종횡비를 다루고 거기서 끝입니다. Qwen-Image 프로젝트 저장소 어디에도 학습 섹션, LoRA 지침, 어댑터 가이드, 데이터셋 관련 메모, 학습 스크립트가 없습니다 — 우리는 파일 트리를 확인했고, 그 안에는 에셋과 두 개의 프롬프트 재작성 데이터 파일만 있습니다.

베이스 모델이 약간 더 나은 편이며, 그것은 다른 모델의 문서입니다: Qwen-Image-2.1 자료에는 ModelScope를 통한 LoRA 학습이 기록되어 있는데, 이는 오픈소스 DiffSynth-Studio 프레임워크를 기반으로 합니다. 그 진술은 Qwen-Image-2.1에 관한 것이며, Turbo 카드 어디에도 그것을 가속 체크포인트로 확장하는 내용은 없습니다.

Turbo를 위해 존재하는 것은 커뮤니티 작업입니다. 오늘 기준으로 Hugging Face의 47개 리포지토리가 Qwen/Qwen-Image-2.1-Turbo를 기본 모델로 선언하고 있으며, 그중 거의 모두가 양자화 이식판입니다 — GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO 빌드. 정확히 하나는 LoRA 어댑터이며, 2026년 10월 10일에 공개된 캐릭터 교체 어댑터입니다. 그중 어느 것도 벤더 지원이 아니고, Qwen의 검증을 받은 것도 아니며, 기본 체크포인트의 40단계 궤적에 맞춰 훈련된 어댑터가 저장된 8단계 스케줄에 대해서도 자동으로 올바른 것은 아닙니다. Turbo LoRA 워크플로를 찾아 여기 오셨다면, 정확한 답은 벤더가 그러한 워크플로를 공개하지 않았다는 것입니다.

그것을 실행하는 방법, 그리고 호출하는 방법

셀프 호스팅은 평범한 Diffusers 작업이지만 날카로운 함정이 하나 있습니다. 카드의 설치 방식은 CUDA 호환 PyTorch 빌드, 소스에서 설치하는 Diffusers(git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate 및 pillow입니다. 날카로운 함정은 이 체크포인트가 파이프라인 구성 샘플링 시그마 지원이 포함된 Diffusers 빌드를 필요로 한다는 점이며, 이 지원은 PR #14950에서 추가되었습니다 — 작성 시점 기준으로 이는 태그가 지정된 릴리스가 아니라 소스 트리에 있기 때문에, 카드에서 버전 번호를 설치하라고 안내하지 않습니다.

로드 라인은 베이스 모델의 파이프라인 클래스에서 체크포인트 이름만 바꾼 것입니다: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). 생성은 프롬프트, 프리셋 목록의 너비와 높이, use_kv_cache=True, 그리고 제너레이터 시드를 사용한 호출로 이루어집니다. 카드의 텍스트-투-이미지 예시는 시드 42로 1696 × 2528을 사용하고, 편집 예시는 RGBA 이미지를 image 인수로 2048 × 2048에서 시드 20261009로 전달합니다. num_inference_steps를 전달하면서 그것이 무언가를 해줄 것이라고 기대하지 마세요.

계획할 때 염두에 둬야 할 한 가지 공백: Turbo 카드는 메모리 지침을 전혀 게시하지 않습니다. 기본 모델의 카드에는 메모리 최적화 섹션이 있어 pipe.enable_model_cpu_offload()를 보여줍니다. Turbo 카드는 거기서 그냥 끝납니다. 리포지토리에 17.5GB 텍스트 인코더가 있으면 그것이 예산으로 잡아야 할 수치인데, 카드는 이것이 어떤 GPU에 맞는지 알려주지 않습니다.

그것을 실행하는 대신 호출한다는 것은 Aliba​ba Cloud Model Studio에서 Qw​en이 자체 호스팅하는 Turbo API를 뜻한다. 공급업체의 API 참조 페이지에서 확인할 수 있는 공개된 이미지당 가격은 없고, 확인할 수 있는 공개된 요청 속도 제한도 없습니다 — 따라서 대량 사용을 계획하는 독자는 도입을 확정하기 전에 공급업체로부터 두 가지 수치를 확인해야 합니다.

OrcaRouter의 위치를, 간결하게 말하자면

OrcaRouter는 Qwen-Image-2.1-Turbo를 라우팅하지 않으며 Qwen-Image-2.1도 라우팅하지 않습니다 — 두 식별자 모두 오늘 확인한 당사의 라이브 모델 목록에 나타나지 않으며, 이 페이지의 어떤 내용도 둘 중 하나를 제공하겠다는 제안으로 해석되어서는 안 됩니다. 우리가 실제로 제공하는 이미지 라인은 호스팅되는 라인입니다: Open​AI GPT-Image 제품군, Goog​le의 Imagen 4 등급 및 x​AI의 Grok Imagine 이미지 엔드포인트.

그 구분이 이 체크포인트에서 실질적인 기준입니다. OrcaRouter는 200개 이상의 모델을 공급사 정가에 마진 없이 하나의 OpenAI 호환 엔드포인트 뒤에 배치하며, 공급사 성능이 저하될 때 자동 페일오버를 추가합니다 — 이는 프로덕션에서 호스팅된 이미지 모델을 호출할 때 원하는 바로 그것이고, 문제의 모델이 32.5GB짜리 연구용 라이선스 다운로드일 때는 무관합니다. Qwen-Image-2.1-Turbo를 직접 실행할 계획이라면, 라우팅 계층은 제약이 아니며, Qw​en Research License Agreement가 제약입니다.

그래서 결정은 깔끔하게 갈린다. 여덟 단계, 저장된 일정, 바이트 단위로 동일한 연구용 라이선스, 그리고 벤치마크의 부재는 Qw​en이 평가를 발표하거나 여러분이 직접 실행하기 전까지 이 체크포인트가 연구 및 프로토타이핑 도구라는 뜻이다. 이번 주에 프로덕션용 이미지 엔드포인트가 필요하다면, 그것은 다른 구매이며, 바로 우리가 판매하는 것이다.