Qwen-Image-2.1-Turbo vs Qwen-Image-2.1: 베이스 체크포인트와 가속 버전 사이에서 실제로 무엇이 달라졌을까

동일한 7B 시각 생성 컴포넌트. 동일한 32개의 단일 스트림 DiT 레이어. 동일한 일곱 가지 해상도 프리셋, 동일한 통합 생성 및 편집 인터페이스, 동일한 비상업적 라이선스, 그리고 이를 로드하는 동일한 파이프라인 클래스. Qwen-Image-2.1-Turbo와 Qwen-Image-2.1은 성능을 놓고 둘 중 하나를 고르는 두 개의 모델이 아니다. Turbo 체크포인트는 베이스 모델을 파인튜닝한 것이며, 저장소도 자체 메타데이터에서 그렇게 밝히고 있다. 이 둘을 갈라놓는 것은 단 하나의 샘플링 궤적, 그리고 그 궤적이 저장되는 방식이다. 하나는 40스텝을 실행한다. 다른 하나는 8스텝을 실행하며, 호출 시점에 그 외의 설정은 받아들이지 않는다. 이 짝에 관한 흥미로운 점은 모두 그 두 번째 문장 안에 있다.

동일한 부분부터 시작하세요

차이점을 따지기 전에, 동일한 점을 정리해 볼 가치가 있습니다. 그것은 "Turbo"라는 라벨이 시사하는 것보다 더 광범위하며, 바로 그 점이 교체를 매력적으로 만듭니다.

• 아키텍처. Turbo 카드는 Qwen-Image-2.1과 "동일한 7B 시각 생성 아키텍처를 사용한다"고 명시합니다. 이 프로젝트는 해당 구성 요소를 32개의 Single-Stream DiT 레이어에 걸친 7B 파라미터로 설명합니다. Turbo 리포지토리 어디에도 더 작거나, 가지치기되었거나, 아키텍처가 변경된 백본에 대한 언급은 없습니다.

• 역량. 두 체크포인트 모두 텍스트-투-이미지 생성과 이미지 편집을 수행하는 것으로 설명됩니다. Turbo는 기본 모델의 표면을 다시 서술하기보다 그대로 물려받습니다. 기본 모델의 카드에는 네이티브 RGBA 투명도, 최대 10개의 참조 이미지, 원이나 페인팅한 주석 또는 별도 마스크로 지정하는 로컬 편집, 그리고 사람과 제품에 대한 정체성 보존이 문서화되어 있습니다.

• 해상도. Turbo의 카드에는 "Qwen-Image-2.1과 동일한 해상도 프리셋을 사용하세요"라고 적혀 있고, 이어서 목록이 나옵니다: 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 × 2752입니다. 기본 모델의 카드에도 똑같은 표가 실려 있습니다. 두 카드 모두 예시에 2048 해상도 레벨을 사용합니다.

• 로드 경로. 둘 다 Diffusers의 QwenImage21Pipeline을 통해 로드됩니다. Turbo 카드의 빠른 시작은 기본 카드의 빠른 시작에서 체크포인트 이름이 바뀌고 torch_dtype 대신 bfloat16이 dtype으로 표기된 것입니다.

• 서류상으로는. 둘 다 Qwen-Image-2.1 Research License Agreement에 따라 라이선스가 부여되며, 둘 다 license: other에 license_name: qwen-research로 표기되어 있고, 두 저장소 모두 가중치 옆에 LICENSE 파일이 있습니다.

이미 Qwen-Image-2.1을 연동해 두었다면, 마이그레이션 범위는 정말 작습니다. 바로 그래서 예상대로 동작하지 않는 단 하나의 인수는 곱씹어 볼 가치가 있습니다.

스케줄이 코드 밖으로 나와 체크포인트로 이동했습니다

베이스 모델에서는 스텝 수를 직접 정하면 됩니다. Qwen-Image-2.1 모델 카드의 텍스트-투-이미지 예제, 편집 예제, RGBA 투명도 예제는 모두 num_inference_steps=40을 전달하며, 이 숫자는 일반적인 Diffusers 방식대로 호출 시 인수입니다. 그 카드에는 해당 체크포인트가 스케줄에 대해 나름의 의견을 갖고 있다고 알려주는 내용이 전혀 없습니다.

Turbo에서는 스케줄이 체크포인트 메타데이터입니다. 카드에는 체크포인트가 "권장 샘플링 스케줄을 포함하므로 스케줄러를 수동으로 구성하지 않고도 바로 사용할 수 있습니다"라고 명시되어 있으며, 이어서 샘플링 섹션에서 이것이 실제로 무엇을 의미하는지 자세히 설명합니다: "권장 8단계 샘플링 스케줄은 체크포인트와 함께 저장되고 자동으로 로드됩니다. num_inference_steps만 설정한다고 해서 이를 덮어쓰지는 않습니다."

이어지는 두 가지가 있는데, 둘 다 서로 반대 방향으로 잘못 이해하기 쉽다.

첫 번째는 8이 위로 조정할 수 있는 기본값이 아니라는 점입니다. Turbo가 12단계 또는 20단계에서 어떤 모습인지 알고 싶다면, 카드는 유일한 경로가 호출 시점에 명시적인 sigmas 인수를 전달하는 것이라고 알려줍니다. 그리고는 다른 스케줄은 "이 체크포인트에 대해 평가된 적이 없다"고 언급하며 그 실험의 문을 닫아버립니다. 이는 벤더가 8단계 구성이 자신들이 보증하는 구성이며, 그 밖의 것은 당신이 혼자 들어가는 미탐사 영역이라고 말하는 것입니다. 이는 이례적으로 정직한 문장이며, 초대가 아니라 경계로 읽어야 합니다.

두 번째는 오류 메시지가 전혀 따라붙지 않는 재현 함정입니다. 베이스 모델의 예시를 가져와 저장소 문자열을 Turbo 체크포인트로 바꾸고 num_inference_steps=40을 그대로 남겨 두면 코드는 실행됩니다. 경고도 하지 않습니다. 저장된 8단계 스케줄을 사용해 이미지를 생성하며, 40이라는 값은 전혀 읽히지 않았기 때문에 Turbo 쇼케이스가 표시하는 출력이 아닙니다. 이것은 아무것도 망가져 보이지 않는 실패 모드입니다. 렌더링은 완료되고, 이미지는 그럴듯하며, 차이를 찾으려고 직접 살펴보지 않는 한 알아낼 방법이 없습니다. 그 옆에 숨겨진 두 번째 의존성도 있습니다. 체크포인트는 파이프라인 구성 샘플링 시그마를 이해하는 Diffusers 빌드가 필요하며, 이는 PR #14950에서 추가되었고, 이 글을 쓰는 시점에는 태그된 릴리스가 아니라 Diffusers 소스 트리에 있습니다. 안내된 설치 구성은 CUDA 호환 PyTorch 빌드와 Diffusers 소스, transformers>=5.17.0, accelerate, pillow입니다.

네가 걷지 않은 32걸음의 값을 무엇이 치르는가

카드에는 두 가지 메커니즘이 언급되어 있으며, 둘 다 알아 둘 가치가 있습니다. 왜냐하면 이들은 Turbo 체크포인트가 여러분이 그것을 어떻게 호출할지에 대해 무엇을 가정하는지 설명해 주기 때문입니다.

• 기본적으로 CFG 1. "생성은 기본적으로 CFG=1을 사용합니다." classifier-free guidance 스케일이 1일 때, 모델은 CFG가 보통 요구하는 두 번째 무조건부 패스를 실행하지 않습니다 — 이는 궤적이 단순히 잘리는 것이 아니라 짧아지는 방식의 상당 부분을 차지합니다. 또한 이는 기본 모델이 가이던스 스케일을 조정하던 습관이 그대로 이어지지 않는다는 뜻입니다. 여기에는 조정할 것이 없고, 카드에는 조정할 만한 가이던스 권장값도 없습니다.

• 프리픽스 KV 캐싱. 터보의 카드에는 "프리픽스 KV 캐싱은 디노이징 단계 전반에 걸쳐 텍스트와 참조 이미지 컨텍스트를 재사용한다"고 적혀 있습니다. 이것은 가속 체크포인트를 위해 새로 생긴 것이 아니라 물려받은 기반 구조입니다. Qwen-Image-2.1 발표에서는 프리픽스 KV 캐시 재사용을 기본 모델의 네 가지 대표 개선 사항 중 하나로 꼽았고, 혼합 세분성 어텐션과 나란히 언급했습니다. 또한 기본 모델의 데이제로 서빙 통합 — 프로젝트 뉴스 목록에 있는 vLLM-Omni와 SGLang 항목 — 은 지원 기능 가운데 프리픽스 KV 캐싱을 명시적으로 거론합니다. 40단계 루프에서 이 재사용은 하나의 최적화에 불과합니다. 8단계 루프에서는 그 비중이 상대적으로 더 큽니다. 캐시된 각 단계가 전체 작업에서 차지하는 몫이 더 크기 때문입니다.

카드가 명시하지 않는 것은 바로 어떤 증류 기법이다. 베이스 모델의 Qwen-Image-2.1 카드와 프로젝트 README는 아키텍처와 기능을 설명하고, Turbo 카드는 메커니즘을 설명한다. 품질 측면에서 여덟 단계가 무엇을 치르는지 따져보려 한다면, 저장소는 추론할 방법을 전혀 주지 않는다 — 오직 스케줄과 일련의 쇼케이스 이미지만을 제공할 뿐이다.

걸음 수는 벤치마크가 아닙니다.

이것은 비교에서 정직한 답이 '비교가 성립하지 않는다'인 부분이며, 그 이유를 두고 솔직하게 말할 가치가 있다.

• Turbo 체크포인트에는 공개된 점수가 없습니다. 해당 카드에는 어떤 종류의 평가 수치도 실려 있지 않습니다. Turbo에 대한 Qwen-Image-Bench 결과도, 베이스 체크포인트와의 비교도, 스텝 수에 대한 절제 실험도, 품질이 어디서 평탄해지는지 보여주는 표도 없습니다.

• 베이스 체크포인트의 점수는 벤더가 보고한 것입니다. Qwen-Image-2.1 라인의 유일한 대표 수치는 벤더가 베이스 체크포인트를 기준으로 보고한, 베이스 모델 자체의 Qwen-Image-Bench 결과입니다. 이는 Turbo 체크포인트에 대한 측정값이 아니며, Turbo 체크포인트에 그대로 옮겨 적용해서도 안 됩니다 — 가속은 바로 그러한 수치를 바꿀 것으로 예상되는 요소이며, 벤더는 그 폭이 얼마인지 밝히지 않았습니다.

• 어느 카드도 시간이나 메모리를 보고하지 않습니다. 두 체크포인트 모두 지연 시간 수치도, 처리량 수치도, 메모리 사용량도 제시하지 않으며, 어느 카드도 자사의 예시가 실행된 하드웨어를 밝히지 않습니다. 베이스 모델의 카드는 적어도 메모리 최적화 섹션을 문서화하고 있습니다. Turbo 카드는 설치, 생성, 편집, 샘플링, 종횡비를 문서화하고 거기서 멈춥니다.

그래서 기본 체크포인트보다 Turbo를 선택하는 근거는 현재 측정된 결과가 아니라 설계 의도에 관한 근거입니다. 동일한 아키텍처와 동일한 2048 해상도 수준에서 8단계는 이미지당 비용이 상당히 더 적게 들어야 합니다. 그 진술에서 "상당히"는 실질적인 역할을 하고 있으며, 이를 숫자로 바꾸는 유일한 방법은 두 체크포인트를 자신의 워크로드에서 실행해 보는 것이고, 이는 또한 단축된 궤적이 당신이 중요하게 여기는 특정 이미지에 어떤 영향을 미치는지 알아내는 유일한 방법입니다.

라이선스를 포함해 다른 것은 아무것도 움직이지 않았습니다.

독자가 바뀌었을 것이라고 합리적으로 기대할 만하지만 바뀌지 않은 두 가지.

첫 번째는 생태계입니다. Qwen-Image-2.1이 2026년 9월 20일에 출시되었을 때, 프로젝트의 뉴스 목록에는 같은 날 다섯 건의 별도 출시 당일 통합이 기록되었습니다: PR #14804를 통한 Diffusers 지원, 텍스트-투-이미지 및 편집용 워크플로 템플릿이 공개된 네이티브 ComfyUI 지원, 단계별 실행과 CUDA Graph 디코드, FP8 양자화, 텐서 병렬 처리를 갖춘 vLLM-Omni 지원, Cache-DiT 및 컴포넌트 오프로드를 갖춘 SGLang 지원, 그리고 LightX2V 프로젝트의 가속입니다. Qwen-Image-2.1-Turbo를 다루는 2026년 10월 9일자 항목에는 체크포인트 자체와 Pro 및 Turbo API가 Alibaba Cloud Model Studio에서 라이브 상태라는 메모가 기록되어 있습니다. Turbo에 대한 출시 당일 프레임워크 목록은 없으며, 뉴스 목록의 모든 프레임워크 항목은 여전히 기본 모델을 가리킵니다. Turbo 체크포인트는 이미 존재하던 파이프라인 클래스를 통해 로드됩니다. 저장된 스케줄에 대한 지원이 유일한 새로운 부분이며, 이는 태그된 릴리스가 아니라 Diffusers 소스를 통해 제공됩니다.

두 번째는 라이선스입니다. Turbo는 기본 모델과 정확히 마찬가지로 Qwen Research License Agreement를 적용받습니다. 가속화에는 상업적 예외 조항도, 별도 등급도, 조건 완화도 따라오지 않았습니다. 비상업적 제한은 기본 모델에 적용되는 만큼 파인튜닝에도 적용됩니다. 저장소 자체의 메타데이터와 가중치 옆에 있는 라이선스 파일이 증거이며, 카드의 라이선스 섹션은 같은 계약을 가리키는 한 문장입니다. 8단계가 당신에게 중요한 이유가 그것이 모델을 제품에 넣을 만큼 저렴하게 만들어 주기 때문이라면, 라이선스는 바로 앞을 가로막고 있으며, 그에 대해 책임을 져야 하는 것은 이 저장소가 아니라 벤더입니다.

호스팅 엔드포인트, 그리고 OrcaRouter가 어디에 들어맞는지

OrcaRouter는 Qwen-Image-2.1-Turbo도 Qwen-Image-2.1도 라우팅하지 않습니다. 두 모델 모두 우리 카탈로그에 없으며, 여기 있는 어떤 것도 이들 중 어느 하나를 제공하겠다는 제안이 아닙니다. 이것들을 원하신다면, 경로는 벤더 자체 호스팅 API, 여러 서드파티 플랫폼, 또는 Turbo 체크포인트의 저장된 샘플링 스케줄을 처리할 수 있을 만큼 최신 Diffusers 빌드와 함께 사용하는 가중치입니다.

이 특정 비교에서 OrcaRouter가 관련되는 지점은 체크포인트를 자체 호스팅하는 것이 더 이상 정답이 아닐 때 여러분이 하게 되는 전환입니다. 직접 실행하는 오픈 가중치 모델에서 호스팅된 이미지 엔드포인트로 옮겨가는 것은 단순한 모델 변경이 아니라 실패 모드의 변경입니다. 로컬 프로세스는 눈에 보이는 방식으로 실패하지만, 호스팅된 엔드포인트는 어느 제공자가 응답했는지, 그리고 요청 도중 제공자 중 하나가 성능이 저하될 때 무슨 일이 일어나는지에 따라 달라지는 방식으로 실패합니다. OrcaRouter는 200개 이상의 모델을 단일 OpenAI 호환 엔드포인트 뒤에 배치하고 제공자 정가를 마크업 없이 그대로 전달합니다, 따라서 벤더의 가격 인하가 재가격 책정 작업을 기다리지 않고 당일 우리 쪽에도 반영됩니다. 게다가 제공자 전반에 걸친 자동 장애 조치를 추가합니다, 요청이 사용할 수 있는 모델과 제공자를 지정하기 위한 라우팅 DSL, 그리고 여러 모델을 하나의 호출로 구성하는 모델 퓨전을 제공합니다. 우리가 실제로 프런트하는 이미지 모델은 OpenAI GPT-Image 제품군입니다, 빠른 변형과 울트라 변형을 포함한 Google의 Imagen 4 등급, Google의 Gemini 이미지 프리뷰 엔드포인트, 그리고 xAI Grok Imagine 이미지 엔드포인트입니다.

구체적으로, 두 Qwen 체크포인트 중에서 선택하고 있다면 그것은 셀프 호스팅 결정이며, 한쪽을 다른 쪽보다 선호할 이유는 스케줄 동작과 스텝 수입니다. 실제로 필요한 것이 GPU를 소유하지 않고 프로덕션에서 이미지를 얻는 것이라면, 그것이 우리가 도움을 줄 수 있는 결정이며, 그것은 다른 결정입니다.

간략 버전

• Qwen-Image-2.1을 선택하세요샘플링 동작이 문서와 일치하는 체크포인트를 원하거나, 스텝 수를 바꾸거나 스케줄을 탐색해야 하거나, Diffusers, ComfyUI, vLLM-Omni, SGLang 및 LightX2V 전반에서 출시 첫날부터 지원되는 릴리스를 원한다면

• Qwen-Image-2.1-Turbo를 선택하세요. 동일한 아키텍처와 동일한 기능을 원하면서 궤적이 훨씬 짧고, 8단계를 고정으로 간주할 의향이 있으며, 로드하기 위해 소스에서 Diffusers를 설치할 의향이 있다면.

• 라이선스는 어느 쪽이든 동일할 것으로 예상하세요, 그리고 가속 체크포인트에 대해서는 베이스와 비교할 만한 공개된 품질 수치가 없을 것으로 예상하세요. 스텝 감소는 실재하며 문서화되어 있습니다. 그것이 이미지 품질을 얼마나 희생시키는지는 어디에도 문서화되어 있지 않고, 두 카드를 아무리 읽어봐도 알 수 없습니다 — 그 답은 오직 자신의 하드웨어에서, 자신의 프롬프트를 상대로만 존재합니다.