Qwen-Image-2.1-Turbo vs Z-Image Turbo: Twee achtstapsmodellen, twee verschillende gokken

Qwen-Image-2.1-Turbo en Z-Image Turbo zijn de twee open beeldcheckpoints waar de meeste mensen nu uiteindelijk tussen kiezen, en de reden dat de vergelijking maar rondjes blijft draaien, is dat ze met hetzelfde getal in de koppen adverteren. Beide werken in acht denoising-stappen. Beide zijn open genoeg om te downloaden en op je eigen machine te draaien. Beide worden aangeprezen als dramatisch sneller dan het model waarvan ze zijn afgeleid. Alles wat bepaalt welke je echt wilt, zit onder dat gedeelde getal, en niets daarvan is het aantal stappen. Z-Image Turbo werd op 25 november 2025 gepubliceerd als een 6B-model onder Apache-2.0, gedistilleerd uit de Z-Image-lijn met een gepubliceerd tweestapsrecept. Qwen-Image-2.1-Turbo verscheen op 9 oktober 2026 als een versneld checkpoint van Qwen-Image-2.1 — het basismodel dat op 20 september 2026 werd uitgebracht — met behoud van de 7B-architectuur en de niet-commerciële onderzoekslicentie van de leverancier. Er zit acht maanden tussen de twee repositories, en het verschil in hoe ze zijn gebouwd is groter dan de datumkloof doet vermoeden.

Acht stappen is het gemeenschappelijke symptoom, niet de gemeenschappelijke oorzaak

Wanneer twee modellen via verschillende wegen op hetzelfde aantal stappen uitkomen, is dat aantal stappen niet langer een nuttige vergelijking. Het zegt je alleen dat de twee modellen op vergelijkbare latentie zijn afgestemd, en verder niets.

• Z-Image Turbo bereikte dat via distillatie en vervolgens reinforcement learning. De Z-Image-familiekaart beschrijft het als "een gedistilleerde versie van Z-Image die met slechts 8 NFEs toonaangevende concurrenten evenaart of overtreft". De technische uiteenzetting noemt het mechanisme: Decoupled-DMD, een variant van Distribution Matching Distillation die twee mechanismen scheidt die bestaande DMD-methoden als één behandelden, gevolgd door DMDR, dat DMD en RL samenvoegt tijdens de post-training. De varianttabel op de kaart toont het trainingspad expliciet — pre-training, SFT en RL allemaal gemarkeerd, 8 stappen, CFG uitgeschakeld.

• Qwen-Image-2.1-Turbo bereikte dat door een sterke basis te herverpakken. Op de kaart wordt het beschreven als "een versneld checkpoint van Qwen-Image-2.1 voor tekst-naar-afbeelding-generatie en beeldbewerking met 8 denoising-stappen", op dezelfde 7B-architectuur voor visuele generatie. Er is geen gepubliceerd distillatierecept. Wat wel gedocumenteerd is, is dat het checkpoint zijn eigen aanbevolen sampling-schema meebrengt, zodat Diffusers het automatisch laadt en het alleen instellen van `num_inference_steps` dit niet overschrijft, en dat generatie standaard CFG=1 gebruikt met prefix-KV-caching die tekst- en referentiebeeldcontext tussen stappen hergebruikt.

De praktische consequentie: met Z-Image Turbo gebruik je een model waarvan de snelheid het product is van een trainingsproces, en met Qwen-Image-2.1-Turbo gebruik je een checkpoint van een model dat al goed was, waarbij het samplingpad is verkort en in het bestand is bevroren. Beide zijn legitiem. Ze falen op verschillende manieren. Een gedistilleerd model heeft een kwaliteitsbudget dat tijdens de training is besteed; een opnieuw verpakt checkpoint heeft er een dat tijdens het maken van het checkpoint is besteed. Geen van beide modelkaarten publiceert hoeveel er is besteed.

De lijnen die hen daadwerkelijk scheiden

Vijf dimensies bepalen dit duel. Elk ervan staat vermeld in een primaire bron die je kunt openen.

• Grootte: 6B parameters voor Z-Image Turbo tegenover 7B voor Qwen-Image-2.1-Turbo. Beide zijn klein genoeg voor consumentenhardware, en het verschil is niet wat je resultaat zal bepalen.

• Licentie: Apache-2.0 voor Z-Image Turbo; de qwen-research-overeenkomst voor Qwen-Image-2.1-Turbo, die rechten verleent "UITSLUITEND VOOR NIET-COMMERCIËLE DOELEINDEN" en een apart aan te vragen licentie vereist voor commercieel gebruik. Dit is het grootste verschil tussen de twee modellen en het enige dat binair is.

• Bewerken: Qwen-Image-2.1-Turbo doet tekst-naar-afbeelding en instructiegestuurde bewerkingen met één enkele download — de kaart demonstreert beide met hetzelfde opgeslagen schema. Z-Image Turbo is een generatiemodel; bewerken zit in Z-Image-Edit, een aparte variant die de familiekaart nog steeds vermeldt als "nog uit te brengen". Als je pipeline vandaag op instructies gebaseerde bewerkingen nodig heeft, dan is die regel doorslaggevend.

• Tekstweergave en taal: de Z-Image-kaart noemt tweetalige tekstweergave in het Engels en Chinees als een prominente sterkte van Turbo. De kaart van Qwen-Image-2.1-Turbo maakt geen vergelijkbare claim — de showcase is georganiseerd per outputcategorie (portret, pose en beweging, transparante RGBA, typografie en posterontwerp, UI-indeling, transformatie van één afbeelding, compositie met meerdere referenties) in plaats van per taal.

• Geheugen- en deploymentvolwassenheid: de Z-Image-kaart stelt dat Turbo "comfortabel past binnen consumentenapparaten met 16G VRAM" en claimt sub-seconde-inferentie op hardware van de H800-klasse — leveranciersclaims, niet herleidbaar tot een meetmethode. De kaart van Qwen-Image-2.1-Turbo publiceert helemaal geen geheugen- of latentiecijfer. In de vier dagen nadat het verscheen, mat een onafhankelijke macOS-port het op een piek van 1,8 tot 2,7 GB met nul swap op een 16 GB M1 Pro, bij een uitvoerlimiet van 1024×1536; dat is een cijfer van een derde partij op een implementatie van een derde partij, geen leverancierscijfer.

Wat de leaderboards omvatten, en de twee rijen die niet bestaan

Dit is waar de vergelijking het vaakst verkeerd wordt gelezen, dus het is de moeite waard om precies te zijn over bij welk model elk cijfer hoort.

Op de openbare tekst-naar-afbeelding-arena staat een rij voor Z-Image Turbo met 941 Elo op basis van ongeveer 9.000 stemmen, en een aparte rij voor Z-Image Base met 877. Er is een rij voor Qwen-Image-2.1 met 1.038 Elo op basis van ongeveer 5.500 stemmen, gedateerd september 2026 en met de markering dat er geen API beschikbaar is. Het bewerkingsbord bevat ook een rij voor Qwen-Image-2.1.

Merk op wat ontbreekt. Er is op geen van beide boards een rij voor Qwen-Image-2.1-Turbo — de checkpoint dateert van 9 oktober 2026 en is niet afzonderlijk geëvalueerd. En er is geen rij voor Z-Image Turbo op het bewerkingsboard, omdat Z-Image Turbo niet aan bewerken doet. De ogenschijnlijk nette vergelijking "Qwen op 1.034 tegenover Z-Image op 941" is dus geen vergelijking van de twee checkpoints waarover dit artikel gaat; het is een vergelijking van het model waaruit Z-Image Turbo is gedistilleerd tegenover het model waaruit Qwen-Image-2.1-Turbo is versneld. De kwaliteit van Qwen-Image-2.1-Turbo in acht stappen is niet publiekelijk gemeten, en dat geldt ook voor hoeveel van de positie van het basismodel de verkorte planning overleeft.

De juiste manier om die getallen te lezen is als een bovengrens met een voorbehoud: de familie waar Qwen-Image-2.1-Turbo van afstamt, staat op de text-to-image-ranglijst ongeveer 97 Elo boven de familie waar Z-Image Turbo van afstamt, en niemand heeft gepubliceerd of de Turbo-checkpoint die kloof behoudt.

Licentie is geen voetnoot in deze confrontatie

Tussen twee modellen die qua capaciteiten zo dicht bij elkaar liggen, is de licentie vaak de hele beslissing, en hier liggen de twee helemaal niet dicht bij elkaar.

Z-Image Turbo wordt uitgebracht onder Apache-2.0. Dat is een permissieve licentie: gebruik het, wijzig het, verspreid het, verkoop wat je ermee bouwt, met inachtneming van de gebruikelijke voorwaarden voor naamsvermelding en kennisgeving.

Qwen-Image-2.1-Turbo neemt de Q​wen Research License Agreement ongewijzigd over van het basismodel. Lees deze en de kernbepaling is niet dubbelzinnig — de verlening is "ALLEEN VOOR NIET-COMMERCIËLE DOELEINDEN", en voor commercieel gebruik is een aparte licentie nodig die bij de leverancier wordt verkregen. De overeenkomst verbiedt ook het gebruik van "Q​wen" als de primaire naam of identificatie van een afgeleid werk, maar staat beschrijvend gebruik toe, zoals "fine-tuned op basis van Q​wen Image".

Als je aan het prototypen bent, aan het evalueren bent of onderzoek doet, kost dat verschil je niets en kun je op basis van capaciteiten kiezen. Als je iets bouwt dat je van plan bent commercieel te verkopen of te exploiteren, is een van deze twee bruikbaar en de andere vereist een gesprek met A​libaba Cloud. Dat is een veel belangrijker gegeven dan een 8-stappenschema.

Een van beide uitvoeren, en waar een router relevant wordt

Beide zijn gewichtsdownloads die je zelf host. Geen van beide is een gehost endpoint op OrcaRouter, en het zou oneerlijk zijn om iets anders te suggereren — de beeldmodellen die wij routeren zijn de O​penAI GPT-Image-familie. De reden dat het product überhaupt in dit gesprek thuishoort, is wat er gebeurt op het moment dat een checkpoint zoals een van deze twee een gehoste provider achter zich krijgt.

Op de dag dat dat gebeurt, is de beslissing niet langer "welk bestand download ik" maar "hoeveel leveranciersintegraties onderhoud ik". Dat is het probleem waarvoor OrcaRouter is gebouwd: 200+ modellen achter één OpenAI-compatibel endpoint tegen de lijstprijs van de provider zonder markup, een routing-DSL om uit te drukken welk model je onder welke voorwaarden wilt, automatische failover wanneer een provider verslechtert, en model fusion voor het combineren van outputs. Een open checkpoint met 8 stappen en een router zijn geen concurrerende antwoorden; het ene is een bestand op je schijf en het andere is hoe je ophoudt je zorgen te maken over welk endpoint er achter een modelnaam zit.

Tot dan toe is het lokale pad het volledige pad, en de beperkingen zijn degene die de kaarten en de licenties vermelden.

Welke moet ik eerst downloaden?

De kortste eerlijke versie van de beslissing:

• Kies Z-Image Turbo als je iets commercieels wilt uitbrengen, als je het uitgebreider gedocumenteerde acceleratierecept met een gepubliceerd trainingspad wilt, als tweetalige weergave van Chinese en Engelse tekst een echte vereiste is, of als je je richt op een apparaat van 16 GB en een door de leverancier opgegeven geheugenbereik wilt.

• Kies Qwen-Image-2.1-Turbo als je vandaag instructiegestuurde bewerking en tekst-naar-afbeelding vanuit één checkpoint nodig hebt in plaats van te wachten op een aparte bewerkingsvariant, als je werk onderzoek of evaluatie is, en als je liever de afkomst van het sterkere basismodel hebt en accepteert dat de kwaliteit ervan na acht stappen momenteel niet gemeten is.

• Neem beide als je voor een team kiest. Ze zijn klein genoeg om naast elkaar op dezelfde schijf te staan, ze worden beide door dezelfde klasse van lokale runner bediend, en het enige dat je niet kunt doen wanneer beide zijn geïnstalleerd, is de Q​wen checkpoint commercieel uitbrengen.

Wat geen van beide je vandaag geeft, is een benchmark. Acht stappen, 6B tegenover 7B, Apache-2.0 tegenover een onderzoekslicentie — dat zijn allemaal feiten op een kaartje. Welke van de twee na acht denoisingstappen betere afbeeldingen maakt, is een vraag die nog geen primaire bron heeft beantwoord, en voorlopig is het eerlijk om beide op je eigen prompts te draaien in plaats van een leaderboardregel te vertrouwen die bij een andere checkpoint hoort.

Vergelijkingen zoals deze zijn ook waar de faalmodi aan het licht komen: de gedocumenteerde AI-incidenten en agentfouten achter modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive , waar elke vermelding zijn eigen bronnen, ernstgraad, betrouwbaarheidsgraad en betwist-markering bevat.