Qwen-Image-2.1 LoRA: Welke adapters bestaan er, wat het trainen van een adapter vergt, en wat de licentie eigenlijk zegt

Er is een echt ecosysteem van low-rank adaptation (LoRA)-adapters voor Qwen-Image-2.1, het uniforme beeldmodel van de leverancier voor genereren en bewerken, en er is van de kant van de leverancier vrijwel geen documentatie over. Deze pagina is het vaste antwoord op vier vragen die een lezer in één keer intypt: maakt er eigenlijk wel iemand adapters voor dit model, waar ze te vinden zijn, wat het trainen van een adapter vergt, en wat je volgens de licentie met het resultaat mag doen. Het is geen lanceringsartikel. Qwen-Image-2.1 werd op 20 september 2026 open source gemaakt en zijn versnelde variant Qwen-Image-2.1-Turbo volgde op 9 oktober 2026; beide data staan hier alleen om aan te geven over welke checkpoints deze pagina gaat, niet om iets te melden.

De korte versie: het aantal adapters ligt in de lage honderden, het zijn meestal personage- en stijlwerken die door individuele beoefenaars zijn gepubliceerd, het trainen van één ervan is end-to-end gedocumenteerd door minstens drie toolchains van derden met gepubliceerde geheugenmetingen, en de licentie — die voor deze generatie van de beeldmodellen niet Apache is — herhaalt een niet-commerciële beperking op het afgeleide werk die veel van de adapters zelf niet doorgeven.

Twee zinnen over wat een LoRA is, en dan het model.

Een LoRA is een kleine set low-rank gewichtdelta's die bij het laden wordt toegevoegd aan een bevroren basis-checkpoint, en die op naam aan specifieke modules wordt gericht; het is geen model, het is een patch die verandert hoe een bestaand model zich gedraagt. Omdat de delta's tegen specifieke gewichten worden getraind, is een adapter gebonden aan het checkpoint waarop hij is getraind, op een manier die een configuratievlag niet kan verhelpen.

Die koppeling is precies de reden dat deze pagina specifiek over Qwen-Image-2.1 gaat en niet over LoRA's. Het checkpoint is een 32-laags single-stream diffusietransformer met 7B parameters in de visuele generatiecomponent, een Qwen3-VL 8B-tekstencoder en een 64-kanaals RGBA-VAE die op 16× ruimtelijke compressie werkt — alle cijfers uit de eigen modelkaart en repository van de leverancier, gelezen op 13 oktober 2026. Het stelt zijn sampling-schema in op het moment van aanroepen, met 40 inferentiestappen in de eigen voorbeelden van de kaart. Geen van die details is bijkomstig voor adapters: de architectuur bepaalt wat een bestand kan adresseren, en het schema bepaalt wat een adapter die op een andere parametrisatie is getraind, gevraagd wordt te doen.

Wat bestaat er voor dit model, en hoe kun je het eerlijk tellen?

De onderstaande aantallen zijn afkomstig van de Hugging Face API en de Civitai API, beide uitgelezen op 13 oktober 2026, en de query is belangrijk genoeg om te vermelden, omdat dezelfde vraag enorm uiteenlopende antwoorden oplevert, afhankelijk van hoe je die stelt.

• Repositories op Hugging Face die Qwen-Image-2.1 als hun basismodel aangeven: 323.

• Hiervan, repositories die ook de lora-tag dragen: 115.

• Adapters op Civitai die overeenkomen met een basismodelfilter van "Qwen 2.1" met het type ingesteld op LoRA: 106. Een eerdere doorgang op dezelfde dag telde 105; het filter is live en het aantal verandert, dus beschouw het als een momentopname en niet als een totaal.

Beide getallen zijn ondergrenzen, geen volledige tellingen. De Hugging Face-tag wordt door de uploader toegepast, dus een adapter waarvan de auteur hem niet heeft getagd, is onzichtbaar voor die zoekopdracht; het aantal basismodellen is groter dan het aantal LoRA's, juist omdat het ook quantisaties, merges en repacks meepakt. Op Civitai is het verschil tussen de methoden keihard: een gewone tekstzoekopdracht naar "qwen image 2.1" levert 994 unieke modellen op, en de meeste daarvan zijn helemaal geen adapters van dit checkpoint — dezelfde resultatenset wordt gedomineerd door workflowposts en door bestanden waarvan het opgegeven basismodel een heel andere imagegeneratie is. Filter op het basismodel, niet op het zoekvak.

Beide sites zijn de plek waar dit ecosysteem leeft, en dat is de enige bewering die over elk van beide wordt gedaan: Hugging Face is waar de trainingsgegevens en de datasets worden gepubliceerd, Civitai is waar de consumentgerichte adapters en de ComfyUI-workflows eromheen zich verzamelen, en geen van beide is een kwaliteitssignaal. Een bestand op een van beide kan een origineel stuk getraind werk zijn of een kopie van iemand anders.

Een originele adapter onderscheiden van een opnieuw verpakte

Dit is controleerbaar, en de controle duurt ongeveer een minuut. Neem twee repositories die op dezelfde adapter lijken.

akhaliq/Qwen-Image-2.1-Next-Scene-LoRA is gemaakt op 7 oktober 2026. TechnoBaptist/Qwen-Image-2.1-Next-Scene-LoRA is gemaakt op 9 oktober 2026. Hun README-bestanden zijn byte-identiek — dezelfde lengte, dezelfde MD5 — en de bestandslijsten van de twee repositories komen overeen voor alle 111 vermeldingen. De latere is een kopie van de eerdere, inclusief de beschrijving.

Het minder voor de hand liggende geval is de gedeeltelijke kopie. developerjeremylive/Qwen-Image-2.1-Multiple-Angles-LoRA-etheroi bevat 163 bestanden. Elk van de 160 die ook in akhaliq/Qwen-Image-2.1-Multiple-Angles-LoRA voorkomen, is even groot, en de repository is een strikte subset van de 344 bestanden daarvan. Wat achterbleef is de volledige benchmarks/ map, de voorbeeldrasters per checkpoint onder samples/, en verschillende checkpointvarianten. De adaptergewichten zijn aanwezig. Het bewijs dat de adapter doet wat hij belooft, is er niet.

Dus de praktische test is niet "heeft het een mooie kaart". Het is of de kaart de dingen bevat die alleen kunnen komen van het hebben gedaan van de run:

Waar de trainingsdata vandaan kwam, met een link — de angle adapter noemt zijn Objaverse-bron en zijn licentie, en publiceert de afgeleide paired datasets apart.

• De trainer en de hyperparameters, op het niveau van rang, alpha, leersnelheid, aantal stappen en basisprecisie — genoeg voor iemand anders om een reproductiepoging te doen.

• Tussenliggende checkpoints in plaats van alleen een eindbestand, zodat de trainingscurve inspecteerbaar is in plaats van beweerd.

• Een evaluatie die geen showcase van de auteur is, en een sectie "reikwijdte en beperkingen" die benoemt wat de adapter slecht doet.

Een kaart met een triggerwoord, een sterktebereik en een reeks mooie voorbeelden, en verder niets, is geen bewijs voor wat dan ook. Het is ook geen bewijs van een repack — talrijke eerlijke eenmalige adapters zijn zo summier gedocumenteerd. Het betekent alleen dat je niets hebt om op af te gaan, wat voor een bestand dat je op het punt staat in een productiepipeline te zetten, de nuttige conclusie is.

Welke training iemand daadwerkelijk volgt

Eerst de eerlijke framing, want de kloof hier is groot: een adapter publiceren komt vaak voor, en er een trainen is een heel andere opgave. Er zijn drie kosten, en ze zijn allemaal reëel.

Het basischeckpoint. De drie componenten van Qwen-Image-2.1 komen samen uit op ongeveer 33 GB verdeeld over de transformer, tekstencoder en VAE — dat is de som van de door de repository zelf gepubliceerde bestandsgroottes, gelezen op 13 oktober 2026. Dat is hetgeen dat wordt aangepast, en het wordt niet kleiner omdat je er alleen maar een kleine patch bovenop traint.

De data. Een LoRA leert een concept niet uit een handjevol afbeeldingen, op de manier waarop een prompt dat doet. De twee best gedocumenteerde adapters in dit ecosysteem publiceerden hun datasets als eersteklas artefacten: de camera-control-adapter werd in zijn eerste versie op 5.028 hoekgelabelde paren getraind en in zijn tweede op 13.328; de scene-continuation-adapter werd getraind op 1.144 frame-tot-frame-progressieparen, met bijschriften die een visionmodel voor elk paar schreef. Beide zijn samengestelde datasets, geen fotocollecties — de paren moesten worden gegenereerd, gelabeld en gelicentieerd voordat de training begon, en in één geval moest het bronmateriaal worden teruggebracht tot permissief gelicentieerde objecten voordat het überhaupt kon worden gebruikt.

De rekenkracht. Dit is het deel met gepubliceerde metingen in plaats van onderbuikgevoelens. SimpleTuner's eigen quickstart voor het model geeft VRAM-presets en, apart daarvan, de geheugen-smoketests die erachter zitten: een 512px-recept met gradient checkpointing bij elke stap doorstond een toewijzingslimiet van 24 GiB, met een piek van 20,06 GiB toegewezen en 21,10 GiB gereserveerd door PyTorch. Een multiresolutie-recept bij 32,49 / 41,21 GiB slaagde op een L40S, maar liep tegen een out-of-memory aan onder een limiet van 32 GiB. De auteurs zijn expliciet dat dit geheugencontroles op een beperkte subset zijn, geen metingen van doorvoer of convergentie, en dat de lagere budgetten op een L40S zijn gesimuleerd in plaats van uitgevoerd op hun nominale kaarten. Gelezen zoals gepubliceerd, zeggen ze iets eenvoudigs: de ondergrens voor dit model is een kaart van 24 GB die alleen op 512px draait, en bij 48 GB of meer komen de multiresolutie-recepten die het framework daadwerkelijk aanbeveelt beschikbaar.

Tijd is de stillere kostenpost, en bijna niemand publiceert die. Wat wel openbaar is, zijn stapaantallen — 2.000 updates in de 24GB-preset, 4.000 in de grotere, met validatie en checkpointing om de 250 — en checkpoint-aantallen van enkele duizenden uit de eigen trainingsregistraties van de adapters. De presettabel van SimpleTuner geeft updatebudgetten per VRAM-niveau en zegt ronduit dat dit startpunten zijn die pas mogen worden uitgebreid nadat de checkpoint-afbeeldingen zijn bekeken. Niemand heeft klokuren gepubliceerd voor een reproduceerbare run, dus elk cijfer dat je voor hoe lang dit duurt ziet aangehaald, is iemands kaart en iemands dataset, geen specificatie.

Daar staat tegenover dat de tooling echt goed is, en dit is het deel dat recent genoeg is veranderd om te dateren. De leverancier wijst naar DiffSynth-Studio van ModelScope, wiens repository een werkend LoRA-trainingsscript meelevert voor dit checkpoint en, apart, voor de Turbo-variant — een enkele accelerate launch met rank 32, AdamW op 1e-4, vijf epochs, een maximaal pixelbudget van 1.048.576 en gradient checkpointing. De quickstart van SimpleTuner is het meest gedetailleerde openbare recept, en die is ongewoon eerlijk over zijn eigen beperkingen. ai-toolkit vermeldt zowel Qwen-Image-2.1 als Qwen-Image-2.1-Turbo onder zijn ondersteunde architecturen, en twee van de hierboven beschreven adapters vermelden dat ze ermee getraind zijn. En op 12 oktober 2026 heeft musubi-tuner een pull request samengevoegd die Qwen-Image 2.1-ondersteuning toevoegt, met LoRA-training, volledige fine-tuning, trainingspreviews en conversie tussen Diffusers en zijn eigen LoRA-formaat; het verzoek om die functie, geopend op 24 september, staat nog steeds open. Die merge is drie dagen vóór de datum op deze pagina, en het is een toolingwijziging en geen modelrelease — het betekent dat er een vierde trainer beschikbaar kwam, niet dat er iets aan het model is veranderd.

Er is nog een beperking die mensen die LoRA's voor andere architecturen hebben getraind, doet struikelen. De uitvoer van dit model heeft geen alpha-schakelaar. De VAE werkt in een vierkanaals RGBA-pixelruimte en het vierde kanaal wordt als de alpha gedecodeerd, dus transparantie komt alleen uit de prompt voort en nergens anders — de eigen documentatie van de leverancier vermeldt dat er nergens in de pipeline een alpha-gerelateerde regeling is. Een adapter die op ondoorzichtige afbeeldingen is getraind, verandert de distributie die de prompt stuurt; er is geen aparte transparantieknop waarop hij kan terugvallen. Als je pipeline afhankelijk is van cut-outs, dan is dat een eigenschap van het basismodel dat je leent, en het is de moeite waard om dat te testen voordat je er een trainingsrun aan waagt.

Wat de licentie zegt over de adapter die je maakt

Lees het bestand, want het antwoord is niet wat een release die permissief klinkt zou suggereren. Qwen-Image-2.1 wordt uitgebracht onder de Qwen Research License Agreement van 20 september 2026 — een document van 7.831 bytes dat ongewijzigd is overgenomen in de Turbo-repository, waarvan de kopie byte-identiek is. Het is niet Apache 2.0, terwijl de eerdere Qwen-Image-lijn dat wel was.

De bepaling die het meeste hiervan bepaalt, is de licentieverlening. Artikel 2(a) verleent u een licentie om de materialen te "gebruiken, reproduceren, distribueren, kopiëren, er afgeleide werken van te maken en er wijzigingen in aan te brengen", en beperkt dat alles vervolgens tot: "ALLEEN VOOR NIET-COMMERCIËLE DOELEINDEN". Artikel 1(i) definieert niet-commercieel als "alleen voor onderzoeks- of evaluatiedoeleinden", wat enger is dan "niet-winstgevend" — het maakt geen uitzondering voor intern zakelijk gebruik. Artikel 2(b) stelt dat commercieel gebruik een aparte licentie vereist, die moet worden aangevraagd op het adres dat in de overeenkomst staat. Een adapter die op dit checkpoint is getraind, is een afgeleid werk ervan, dus de beperking gaat mee met de adapter; hij wordt niet commercieel bruikbaar doordat u hem zelf hebt getraind.

Twee dingen die het opmerken waard zijn, omdat beide tegen gangbare aannames ingaan.

Ten eerste zwijgt de licentie niet over training — ze gaat er direct op in. Sectie 4(b) zegt dat als je de materialen of hun output gebruikt om "een AI-model te creëren, te trainen, fijn af te stemmen of te verbeteren dat wordt gedistribueerd of beschikbaar gesteld", je prominent "Built with Qwen" of "Improved using Qwen" moet weergeven in de bijbehorende productdocumentatie. Dus fijn afstemmen wordt bij naam genoemd, en het gaat gepaard met een etiketteringsverplichting in plaats van een toestemmingskwestie.

Ten tweede is herdistributie uitdrukkelijk toegestaan, onder voorwaarden. Artikel 3 stelt u in staat afgeleide werken te distribueren, in broncode- of objectvorm, op voorwaarde dat u ontvangers een kopie van de overeenkomst verstrekt, gewijzigde bestanden markeert en een kennisgevingsbestand behoudt met de tekst "Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved." Artikel 4(c) verbiedt het gebruik van "Qwen" als de primaire naam of identificatie van uw afgeleide werk — beschrijvend gebruik is uitdrukkelijk toegestaan. Artikel 5(a) bevestigt dat u eigenaar bent van uw wijzigingen, op voorwaarde dat u de voorwaarden naleeft. Geschillen worden beheerst door Chinees recht, voor de rechtbanken van Hangzhou.

Dat zijn samenhangende, leesbare verplichtingen. De onaangename ontdekking is hoe vaak het ecosysteem ze niet nakomt. Van de adapters die voor deze pagina zijn onderzocht, levert er één — een step-distillation-adapter voor het basischeckpoint — de licentietekst en een kennisgevingsbestand mee met daarin de vereiste attributiestring woordelijk, plus een licentiesectie op zijn kaart die de niet-commerciële beperking en het commerciële contact herhaalt. Verschillende andere, waaronder twee van de meest gedownloade adapters voor camerabesturing en scènevoortzetting, declareren apache-2.0 in hun metadata, leveren helemaal geen licentebestand mee en bevatten geen attributiemelding. Op hun kaarten wordt geen aanspraak gemaakt op Apache-rechten op de basisgewichten; het metadataveld is simpelweg onjuist, en het is juist het veld dat een downstream-tool zal lezen. Als jij degene bent die op een adapter voortbouwt, lees dan zelf de licentie van het basismodel in plaats van de tag op de kaart van de adapter te vertrouwen — en als jij degene bent die publiceert, is de juiste verpakking niet ingewikkeld, hij moet alleen bewust worden gedaan.

Compatibiliteit, en het enige over "turbo"

Een adapter draait op het checkpoint dat zijn trainingsrecord vermeldt. Voor de meeste adapters hier is dat Qwen-Image-2.1 zelf, en dat is waar ze geladen moeten worden. Het Turbo-checkpoint is een fine-tune van dezelfde architectuur, niet een ander model — de twee delen hun moduleboom, waardoor een op de basis getrainde adapter zich zeer waarschijnlijk op Turbo laat laden — maar het slaat zijn eigen sampling-schema van acht stappen op in het checkpoint en volgt een denoising-traject waarin de adapter niet is getraind. Of die combinatie zich correct gedraagt, is door niemand gedocumenteerd, de leverancier inbegrepen.

Er is ook een naamvalkuil: de term "turbo LoRA" dekt twee tegenovergestelde artefacten, een adapter die is getraind op het Turbo-checkpoint en een distillatie-adapter die het standaardcheckpoint omzet in een variant met enkele stappen. Dat zijn verschillende bestanden met verschillende functies. De kwestie basis-checkpoint-versus-Turbo, en de twee betekenissen van de turbo-adapter, hebben hun eigen pagina op deze stam — Qwen-Image-2.1-Turbo LoRA — en deze pagina wordt geen tweede kopie daarvan. Als je Turbo en een adapter hebt die het standaardcheckpoint aanduidt, lees die pagina dan voordat je iets laadt.

Twee aangrenzende vragen horen ook elders thuis. Gekwantiseerde checkpoints — GGUF, FP8, INT4 en de rest — zijn een ander onderwerp met een andere pagina; een LoRA die binnen een gekwantiseerde pipeline wordt gebruikt, is een compatibiliteitsopmerking op die pagina, niet een sectie op deze. En het model dat in een specifieke tool draait, is weer een eigen vraag, met zijn eigen bestandslijsten en zijn eigen faalwijzen.

Wat breekt, en wat nog niet is beslecht

De storingsrapporten vallen uiteen in drie oorzaken, en elk daarvan is gedocumenteerd door iemand die het werk heeft gedaan in plaats van afgeleid.

Een adapter die laadt en niets doet. Het meest concrete geval is een mismatch in sleutelnamen: op de eigen kaart van één adapter staat dat de onbewerkte bestanden in trainerformaat de gefuseerde MLP-sleutelnaamgeving van die trainer gebruiken, die Diffusers "stilzwijgend overslaat" — het laden slaagt, er wordt geen fout gemeld en de adapter heeft geen effect. Het bestand werkt met zijn eigen loader en niet met de gangbare. Dat is een verschil in bestandsindeling, niet in basis-checkpoint, en het is de moeite waard om dit uit te sluiten voordat je iets anders de schuld geeft.

Een adapter die niet-gerelateerde prompts verwoest. Dit is een probleem met leersnelheid en duur, en er is een meting: in één gepubliceerde ablatie verslechterde een run met 3e-4 "alle vier validatieprompts ernstig tegen update 500", waarbij niet-gerelateerde onderwerpen — een vos, een portret — veranderden in het getrainde concept. De langere-trainingstudie van dezelfde auteur meldt de tegenovergestelde valkuil: in één run verbeterde een prompt tot update 3.500, verslechterde bij 4.000 en herstelde tot 10.000, dus een slecht tussentijds checkpoint is geen bewijs dat de run is mislukt. Die tweede bevinding wordt expliciet bestempeld als een kwalitatieve progressie uit één enkele run en één enkele validatieseed, zonder gemeten testfoutcurve en met het herstel dat als promptafhankelijk wordt beschreven. Zie het als een reden om elk checkpoint van elke 250 stappen te bewaren, niet als een recept.

Een adapter die zich gedraagt en dan versterkt. De scène-continuatieadapter documenteert een gemeten degradatie bij geketend gebruik: naïeve ketening op sterkte 0,9 accumuleert filmkorrel tot zichtbare kleurruis tegen de derde of vierde hop, en de geverifieerde workaround van de auteur is een sterkte van 0,7 of lager plus een gaussiaanse blur van een halve pixel op elke geketende input. Dezelfde kaart geeft openlijk toe dat transformaties in late hops conservatief blijven, en noemt dat een beperking van de trainingsdata in plaats van een probleem met de instellingen.

Onder dit alles ligt een reeks zaken die oprecht niet vastgesteld zijn, en het is de moeite waard om die te benoemen in plaats van ze in te vullen. Niemand heeft een kwaliteitsvergelijking gepubliceerd tussen Qwen-Image-2.1 en Qwen-Image-2.1-Turbo, dus er is geen basislijn waarmee je kunt beoordelen wat een adapter met een van beide doet. Niemand heeft gepubliceerd of een adapter voor een standaardcheckpoint zich correct gedraagt op Turbo. De leverancier documenteert LoRA-training slechts één keer, in de ModelScope-sectie van de projectrepository, met een verwijzing naar een framework van een derde partij; de modelkaart zelf bevat geen adapterrichtlijnen, en de tekstencoder van het checkpoint is een component die de community al apart is gaan herpubliceren, wat op zichzelf een compatibiliteitskwestie is. En elke telling op deze pagina is een momentopname van een twee tot drie weken oud ecosysteem, op één dag bekeken — het Civitai-filter en de Hugging Face-query op basismodel zullen volgende maand beide onjuist zijn, in de richting van meer.

Als je beslist wat je vandaag gaat doen, is de reeks die al die hiaten overleeft kort. Begin met het lezen van het trainingsrecord van de adapter, niet de samples — als er geen record is, behandel het bestand dan als niet-toegeschreven en test het met je eigen prompt voordat je erop voortbouwt. Koppel de adapter aan het checkpoint dat zijn record noemt, en als je op Turbo zit, lees dan eerst de Turbo-pagina. Controleer in welk loaderformaat het bestand staat voordat je concludeert dat het kapot is. En lees de basislicentie één keer, want die is van toepassing op de adapter, ongeacht wat de kaart van de adapter over zichzelf beweert. Kies dan je trainer, begin met de kleinste VRAM-preset die je kaart ondersteunt, en beoordeel het checkpointraster in plaats van het uiteindelijke bestand.