Qwen-Image 2.1 vs Z-Image Turbo: 스텝, 라이선스, 그리고 각각이 적합한 곳

8스텝 대 40스텝, 그리고 '예'라고 말하는 라이선스 대 '아니오'라고 말하는 라이선스. Qwen-Image 2.1은 해당 벤더의 오픈 웨이트 이미지 생성 및 편집 모델로, 2026년 9월 20일 연구 전용 계약 아래 공개되었으며 기본적으로 40스텝으로 디노이징한다. Z-Image Turbo는 같은 기업 계열의 Tongyi-MAI 조직에서 나온 증류 체크포인트로, 2025년 11월 26일 공개되었으며 Apache-2.0 아래에서 8스텝 만에 같은 작업을 해낸다. 두 모델 사이의 간격은 거의 11개월이고, 서류상으로는 더 새로운 쪽이 더 작은 다운로드이며, 아무에게도 허락을 구하지 않고 상용 제품에 넣을 수 있는 쪽은 더 오래된 쪽이다. 이 역전이 바로 이 비교의 전부다.

간단히 답하자면, 추론보다 먼저 결론을 원한다면: 이미지당 속도, 소비자용 하드웨어에서의 VRAM, 또는 관대한 라이선스가 제약일 때는 Z-Image Turbo를 고르세요. 기존 이미지를 편집해야 하거나, 네이티브 투명도를 원하거나, 독립 리더보드에서 더 높은 점수를 원할 때는 Qwen-Image 2.1을 고르세요. 혼합 워크로드를 가진 사람이 꼭 하나만 골라야 하는 것은 아니며, 이 페이지의 대부분은 사람들이 그렇게 해야 한다고 생각하는 두 가지 이유를 설명하는 데 할애됩니다.

먼저, 이름 짓기 문제입니다

이번 비교에서 두 가지가 터보라고 불리는데, 둘은 같은 터보가 아니다. Qwen-Image 2.1에는 자체 가속 변형이 있다. 바로 "Qwen-Image 2.1의 터보 변형"으로, 2026년 10월 9일에 공개되었으며 기본 모델의 아키텍처와 파이프라인 클래스를 공유하지만 8단계로 디노이징하고 CFG는 기본값이 1이다. 그것은 이 페이지가 비교 대상으로 삼는 모델이 아니다. Z-Image Turbo는 별도 계열의 별개 모델로, Tongyi-MAI 그룹이 만들었으며 다른 기반 모델인 Z-Image 체크포인트를 증류한 것이다. 이 체크포인트는 50단계로 실행된다.

또한 무엇에서 어떻게 증류되었는지도 서로 다릅니다. Tongyi-MAI는 Z-Image Turbo가 Decoupled-DMD와, DMD를 강화 학습과 융합하는 DMDR이라고 부르는 단계를 통해 증류되었다고 설명합니다. Qwen-Image 2.1의 turbo 변형은 해당 벤더에 의해 새로운 아키텍처라기보다 체크포인트 변경으로 제시됩니다. 둘 다 8단계에 도달하지만, 어느 쪽도 다른 쪽이 아니며, 한쪽에 대해 쓰인 문장이 다른 쪽까지 포괄하는 것으로 읽혀서는 안 됩니다.

"가장 빠른 Qwen-Image 모델"을 Z-Image Turbo와 비교하고 있다면, 이 페이지는 잘못된 페이지입니다 — 그 비교는 Qwen-Image 2.1의 turbo 변형과의 비교이며, 8스텝 체크포인트 두 개라는 프레이밍은 답이 다른 별개의 질문입니다.

Z-Image Turbo가 실제로 제공하는 것

이것은 요약 사이트가 아니라 벤더 자체 자료에서 가져오세요. 대부분의 요약 사이트는 크기를 잘못 표기하거나 아예 빠뜨리기 때문입니다. Z-Image 제품군은 6B 파라미터로 문서화되어 있으며, 텍스트 토큰, 시각적 의미 토큰, 이미지 VAE 토큰이 하나의 입력 시퀀스로 연결되는 단일 스트림 확산 트랜스포머 설계를 사용합니다. Turbo는 해당 제품군의 증류된 구성원으로 8 NFE로 실행됩니다 — 참조 코드는 num_inference_steps=9로 설정하고, 이로 인해 트랜스포머를 통과하는 순전파가 8회 발생한다고 명시하며 — 가이던스는 비활성화됩니다.

공급업체의 성능 주장은 다음과 같으며, 이는 공급업체의 주장입니다: 엔터프라이즈급 H800 GPU에서 1초 미만의 추론 지연 시간, 그리고 소비자 기기에서 "16G VRAM 내에 여유롭게" 들어간다는 것입니다. 커뮤니티 도구는 이후 stable-diffusion.cpp를 통해 약 4GB에서 실행된다고 보고했는데, 이는 공급업체 수치가 아니라 커뮤니티 수치입니다. 해상도는 모델 카드에 범위로 공개되어 있지 않습니다. 문서화된 예시는 1024×1024에서 생성합니다. 이 카드에는 또한 어댑터, 파인튜닝, 양자화 모델 수가 각각 879, 170, 93개, 그리고 약 100개의 Spaces가 나열되어 있습니다 — 이는 호스팅 플랫폼의 생태계 활동성을 나타내는 지표이지 품질을 나타내는 지표가 아닙니다.

독립적인 텍스트-투-이미지 보드에서 Z-Image Turbo는 941 Elo에 위치하며, 95% 구간은 933~949, 8,991개 표본 기준, 168개 중 83위, 이미지 1,000장당 $5.00이며, 오픈 웨이트 표시가 설정되어 있고 보드는 해당 행을 2025년 12월로 기록합니다. 모든 수치는 Artificial Analysis에서 제공되며, 2026년 10월 13일 영어로 실시간 캡처되었습니다.

공급업체 자료에 담겨 있으며 제대로 읽을 가치가 있는 역사적 메모가 하나 있습니다: 2025년 12월 8일, Artificial Analysis는 Z-Image Turbo를 전체 8위, 오픈소스 모델 중 1위로 선정했습니다. 이는 작성 당시에는 사실이었고, 날짜가 명시된 주장입니다. 오늘날에는 사실이 아닙니다 — 이제 리더보드에는 Z-Image Turbo 위에 클로즈드 및 오픈 모델 열여섯 행이 있습니다. 이유는 Z-Image Turbo가 더 나빠졌기 때문이 아니라, 10개월이라는 시간이 흘렀기 때문입니다.

Qwen-Image 2.1이 실제로 제공하는 것

완전히 다른 구조입니다. Qwen-Image 2.1은 시각 생성 컴포넌트가 32개의 단일 스트림 DiT 레이어에 걸쳐 7B 파라미터이고, 훨씬 더 큰 텍스트 인코더인 Qwen3-VL 8B와 16× 공간 압축의 64채널 RGBA VAE를 갖추고 있습니다. 마지막 요소가 바로 투명도가 나오는 곳입니다: 나중에 잘라내는 것이 아니라 네이티브로 생성됩니다. 기본 샘플링은 기본 체크포인트에서 40스텝이며, 기본 2048×2048에서 1:1부터 9:16까지 공개된 일곱 가지 프리셋에 걸쳐 있습니다.

• 입력 유연성 — 프롬프트만, 이미지 하나를 함께 사용한 프롬프트, 또는 최대 10개의 참조 이미지를 함께 사용한 프롬프트.

• 로컬 편집 제어 — 원본 사진이 표시되지 않도록 자체 입력으로 전달되는 그려진 원, 칠해진 주석 또는 별도의 마스크.

• 양방향 투명도 — RGBA를 생성하고, 투명 레이어 내부에서 편집하거나, 일반 RGB 사진에서 피사체를 RGBA 레이어로 추출할 수 있습니다.

• 다운로드 크기 — Qwen/Qwen-Image-2.1의 Diffusers 리포지토리는 33.1 GB이며, 그중 약 17.5 GB가 텍스트 인코더입니다. 이것이 스택에 비전-언어 모델을 포함할 때 치르는 실질적인 비용입니다.

같은 보드에서 1,038 Elo에 위치하며, 구간은 1,029~1,047, 표본 5,554개, 168개 중 20위이고, 오픈 웨이트 마커가 설정되어 있으며 가격 열에는 "No API available"이 표시되어 있습니다. 편집 보드에서는 두 모델 중 유일하게 등장합니다: 1,072 Elo, 구간 1,063~1,081, 표본 6,132개, 81개 중 21위. Z-Image Turbo는 편집 보드 행이 없습니다.

그 두 행 — 1,038 대 941, 구간이 겹치지 않는 97점 차이 — 은 이 글에서 가장 강력한 독립적 증거이며, 여기서 Elo는 블라인드 투표 선호도 점수라는 단서와 함께 읽어야 합니다. 이는 군중이 어떤 출력을 선호했는지를 말해 줄 뿐, 어떤 모델이 더 빠르거나 더 저렴하거나 귀하의 사용에 라이선스가 있는지는 말해 주지 않습니다.

걸음은 초가 아니다

이 맞대결을 해석할 때 가장 흔한 실수는 8스텝과 40스텝을 5배의 속도 비율로 취급하는 것입니다. 이 둘은 서로 다른 두 모델에 걸쳐 비교할 수 있는 단위가 아닙니다. 스텝 수는 디노이저가 실행되는 횟수이며, 각 실행에 걸리는 시간은 트랜스포머의 크기, 해상도, 정밀도, 어텐션 구현 방식, 하드웨어에 따라 달라집니다. Z-Image Turbo의 벤더는 특정 GPU 등급에서 특정 해상도 기준의 지연 시간 수치를 공개합니다. Qwen-Image 2.1의 벤더는 지연 시간 수치를 전혀 공개하지 않습니다.

정직하게 비교할 수 있는 것은 방향과 제약이다. Z-Image Turbo는 소비자용 VRAM에서 8 NFE로 실행되도록 만들어졌으며, 벤더가 명시한 16GB 범위와 그보다 낮은 커뮤니티 보고가 있다. Qwen-Image 2.1의 기본 체크포인트는 33GB 다운로드와 Qwen3-VL 8B 인코더 위에서 40스텝을 실행한다. 자체 turbo 변형이 존재하는 이유는 바로 40스텝이 빠른 구성이 아니기 때문이다. 추론 비용이 당신의 결정적 제약이라면, 비율은 의문이더라도 방향은 의심할 여지가 없다.

어느 벤더도 수치화하지 않는 단계당 품질 트레이드오프도 있습니다. 증류된 소수 단계 체크포인트는 다단계 궤적을 근사하도록 훈련되며, 그 근사가 가장 취약한 지점 — 미세한 텍스트, 밀집된 레이아웃, 작고 반복적인 세부 요소 — 은 모델마다 다르고 공개되지 않습니다. 8단계 모델의 8번째 단계가 40단계 모델의 40번째 단계와 같다고 가정하지 마십시오. 이 특정 조합에 대한 독립적인 나란히 비교 증거는 동일한 설정에서 존재하지 않으며, 이 페이지는 증거가 뒷받침하지 않는 순위를 지어내지 않습니다.

라이선스가 결정이 내려지는 지점입니다

Z-Image Turbo는 Apache-2.0입니다. 이는 저장소의 라이선스이며, 게이트도, 등록도, 수익 조건도 없이 분명하게 명시되어 있습니다. Tongyi-MAI에 연락하지 않고도 이를 실행하고, 수정하고, 미세 조정하고, 파생물을 재배포하며, 이를 기반으로 상업적 결과물을 출시할 수 있습니다.

Qwen-Image 2.1은 그렇지 않습니다. 해당 저장소에는 라이선스: 기타가 있으며 라이선스 이름은 qwen-research, LICENSE 파일은 2026년 9월 20일자 Qwen Research License Agreement입니다. 2026년 10월 13일에 읽어 보면, 이 계약은 자료를 사용, 복제, 배포 및 수정할 수 있는 비독점적이고 전 세계적이며 로열티 없는 라이선스를 부여합니다. 비상업적 목적으로만 허용됩니다. "비상업"을 연구 또는 평가 목적으로 정의하고, 그 밖의 용도에는 이메일로 요청하는 별도의 상업용 라이선스를 요구합니다. 재배포에는 추가 조건이 따릅니다: 계약을 전달하고, 수정된 파일을 표시하고, Hangzhou Tongyi Laboratory Technology Co., Ltd의 이름이 명시된 고지를 유지하고, 출력물이 다른 배포 모델을 학습하는 데 사용되는 경우 "Built with Qwen"을 표시하며, 파생물의 기본 이름으로 "Qwen"을 사용하지 마십시오.

이것은 일회성 사안이 아니라 제품군 차원의 사실로 언급할 가치가 있습니다. 왜냐하면 이는 방향 전환이기 때문입니다. 이전 Qwen-Image 체크포인트들 — Qwen-Image, Qwen-Image-Edit, -2509, -2511, -Layered 및 -2512 릴리스 — 은 2026년 10월 13일 기준으로 모두 Apache-2.0입니다. Qwen-Image 2.1은 그 패턴을 깨는 지점입니다. 이미 부여된 라이선스는 소급하여 변경되지 않으므로 이전 체크포인트들은 원래 조건대로 계속 사용할 수 있지만, 누구도 최신 Qwen-Image 모델이 허용적이라고 가정하고 상업용 파이프라인을 계획해서는 안 됩니다.

그것은 두 모델을 스펙 시트가 아니라 각자의 라이선스 파일과 같은 형태로 만든다: Z-Image Turbo는 아무런 대화 없이 오늘 바로 배포할 수 있는 모델이고, Qwen-Image 2.1은 당신이 하고 싶지 않을 수도 있는 협상이 필요한 모델이다.

각각을 무엇으로 실행할 수 있나요?

Qwen-Image 2.1은 나중에 런타임 지원을 확보한 것이 아니라 문서화된 런타임 지원과 함께 출시되었습니다: Diffusers는 QwenImage21Pipeline, 템플릿 워크플로를 갖춘 네이티브 ComfyUI, vLLM-Omni 오프라인 및 온라인 서빙, SGLang은 sglang generate, 그리고 가속을 위한 LightX2V, AMD ROCm 및 8개 칩 플랫폼에 걸친 FlagOS 경로를 포함합니다. 두 개의 프롬프트 재작성 체크포인트가 이와 함께 별도 다운로드로 게시됩니다.

Z-Image Turbo의 지원 범위는 한 가지 특정 측면에서 더 넓습니다. 모델이 작고 Apache-2.0이며 거의 1년이 되었기 때문에, 광범위한 양자화 및 패키징 생태계 — GGUF 변환, FP8 및 SDNQ 변형, int4 빌드, ComfyUI 단일 파일 재패키징 — 를 축적해 왔고, 이것이 16GB 미만 및 8GB 미만 경로를 가능하게 합니다. 허용적 라이선스를 가진 6B 모델은 이식되지만, 33GB 연구용 라이선스 모델은 더 느리고 더 신중하게 이식됩니다. 이러한 2차 효과는 스펙 시트에서 놓치기 쉽고, 독자가 이번 주에 실제로 무엇을 할 수 있는지를 결정하는 경우가 많습니다.

둘 모두에서 작업하기, 두 번째 스택 없이

OrcaRouter는 Qwen-Image 2.1을 라우팅하지 않으며 Z-Image Turbo도 라우팅하지 않습니다. 2026년 10월 13일 기준 실시간 모델 목록을 확인했는데 둘 다 없었습니다. 따라서 아래의 어떤 내용도 우리가 두 모델을 제공한다는 주장이 아니며, 두 모델의 경로는 자체 호스팅 또는 벤더 자체의 호스팅 엔드포인트입니다.

이 둘을 하나로 묶는 패턴은 바로 이 조합이 자연스럽게 끌어내는 그것입니다: 값싼 1차 패스로서의 Z-Image Turbo, 그리고 최종 렌더로서의 더 강력한 모델. 그것은 합리적인 파이프라인이며, 그 숨은 비용은 운영상의 비용입니다 — 두 개의 다운로드 스택, 두 세트의 설정, 그리고 둘 중 하나라도 바뀌는 순간 필요해지는 두 번째 통합입니다. OrcaRouter는 200개 이상의 모델을 하나의 OpenAI 호환 엔드포인트 뒤에, 제공사 정가에 마크업 없이 배치하며, 제공사의 성능이 저하될 때 제공사 간 자동 페일오버를 수행하므로, 드래프트-앤-파이널 파이프라인은 실제로 호출하는 모델들을 단일 키와 단일 클라이언트 뒤에 둘 수 있고, 제공사의 일시적 문제는 멈춰버린 배치가 아니라 재시도가 됩니다. 라우팅 DSL은 컴포지션 자체에 대해서도 같은 역할을 하여, 여러 모델을 여러 개의 통합이 아니라 하나의 호출로 다룰 수 있게 해줍니다.

어느 것, 누구를 위한 것인가

• 당신은 상용 제품을 출시하고 있습니다 — Z-Image Turbo. Apache-2.0, 대화도 없고, 확인할 매출 항목도 없습니다.

• 기존 이미지를 편집하거나, 마스크를 사용하거나, 투명 에셋을 생성해야 하는 경우 — Qwen-Image 2.1. Z-Image Turbo의 문서화된 모드는 프롬프트-투-이미지이며, 해당 제품군에는 편집 체크포인트가 없고 문서화된 경로에는 마스크 입력이 없습니다.

• 제약 조건이 VRAM이나 이미지당 비용이라면 — Z-Image Turbo. 10년에 걸친 양자화 작업을 등에 업은 6B 모델이, 8B 비전-언어 인코더를 갖춘 33GB 스택에 맞서는 것입니다.

• 당신의 제약 조건은 낯선 사람들이 평가하는 출력 품질입니다 — Qwen-Image 2.1이, 둘 다 순위가 매겨진 보드에서 약 100 Elo 포인트 차이로, 구간이 겹치지 않으면서 말이죠.

• 당신은 프로덕션이 아니라 연구를 하는 중입니다 — Qwen-Image 2.1은 바로 그 용도로 라이선스가 부여되어 있으며, 그 편집 기능의 범위가 다운로드 비용을 감수할 만한 이유입니다.

가장 자주 승부를 가르는 사실을 한 문장으로 말하자면: Z-Image Turbo는 답을 실제로 출시해야 하거나 독자가 이미 가지고 있는 기기에서 실행해야 할 때마다 이기고, Qwen-Image 2.1은 작업이 이미 존재하는 그림을 다룰 때마다 이깁니다.