Qwen-Image 2.1 vs Z-Image Turbo: stappen, licenties en waar elk ervan thuishoort

Acht stappen tegen veertig, en een licentie die ja zegt tegenover een die nee zegt. Qwen-Image 2.1 is het open-weights-model voor beeldgeneratie en -bewerking van de leverancier, uitgebracht op 20 september 2026 onder een licentie voor uitsluitend onderzoek, en voert standaard denoising in 40 stappen uit. Z-Image Turbo is het gedistilleerde checkpoint uit de Tongyi-MAI-organisatie van dezelfde bedrijfsfamilie, uitgebracht op 26 november 2025, dat hetzelfde werk in 8 stappen doet onder Apache-2.0. Er zit bijna elf maanden tussen, de nieuwere is op papier de kleinere download, en de oudere is degene die je in een commercieel product kunt stoppen zonder iemand iets te hoeven vragen. Die omkering is de hele vergelijking.

Het korte antwoord, als je dat liever hebt voordat de redenering komt: kies Z-Image Turbo wanneer snelheid per afbeelding, VRAM op consumentenhardware of een permissieve licentie de beperkende factor is. Kies Qwen-Image 2.1 wanneer je een bestaande afbeelding moet bewerken, native transparantie wilt, of de hogere score op de onafhankelijke ranglijst wilt. Niemand met een gemengde workload hoeft er maar één te kiezen, en het grootste deel van deze pagina wordt besteed aan de twee redenen waarom mensen denken dat dat wel moet.

Eerst het naamgevingsprobleem

Twee dingen in deze vergelijking heten turbo en het zijn niet dezelfde turbo. Qwen-Image 2.1 heeft zijn eigen versnelde variant — "de turbovariant van Qwen-Image 2.1", uitgebracht op 9 oktober 2026, die de architectuur en pipelineklasse van het basismodel deelt, maar in 8 stappen denoist met CFG dat standaard op 1 staat. Dat is niet het model waarmee deze pagina vergelijkt. Z-Image Turbo is een apart model uit een aparte lijn, gebouwd door de Tongyi-MAI-groep, en het destilleert een andere basis — het Z-Image-checkpoint, dat op 50 stappen draait.

Ze verschillen ook in waaruit ze zijn gedistilleerd en hoe. Tongyi-MAI beschrijft Z-Image Turbo als gedistilleerd met Decoupled-DMD plus een fase die het DMDR noemt, waarin DMD met reinforcement learning wordt samengevoegd. De turbo-variant van Qwen-Image 2.1 wordt door de leverancier gepresenteerd als een checkpointwijziging in plaats van een nieuwe architectuur. Beide komen uit op 8 stappen; geen van beide is de andere, en een zin die over de een is geschreven, mag niet worden gelezen als ook geldend voor de ander.

Als je "het snelste Qwen-Image-model" vergelijkt met Z-Image Turbo, dan is dit de verkeerde pagina — die vergelijking betreft de turbo-variant van Qwen-Image 2.1, en de framing van twee 8-staps-checkpoints is een andere vraag met een ander antwoord.

Wat Z-Image Turbo daadwerkelijk meelevert

Neem dit uit het eigen materiaal van de leverancier in plaats van uit de samenvattingssites, omdat de meeste daarvan de grootte verkeerd weergeven of deze weglaten. De Z-Image-familie is gedocumenteerd op 6B parameters, met een single-stream diffusion-transformerontwerp waarin teksttokens, visuele semantische tokens en image-VAE-tokens worden samengevoegd tot één invoerreeks. Turbo is het gedistilleerde lid van die familie en draait op 8 NFE's — de referentiecode stelt num_inference_steps=9 in en merkt op dat dit 8 voorwaartse passes door de transformer oplevert — met guidance uitgeschakeld.

De prestatieclaims van de leverancier zijn de volgende, en het zijn claims van de leverancier: inferentielatentie van minder dan een seconde op H800-GPU's van enterpriseklasse, en dat het 'comfortabel binnen 16G VRAM' past op consumentenapparaten. Community-tools hebben sindsdien gemeld dat het via stable-diffusion.cpp op ongeveer 4GB draait, wat een cijfer uit de community is en niet van de leverancier. De resolutie wordt niet als bereik op de modelkaart gepubliceerd; de gedocumenteerde voorbeelden genereren op 1024×1024. De kaart vermeldt ook aantallen adapters, finetunes en kwantisaties van 879, 170 en 93 modellen plus ongeveer 100 Spaces — een maat voor ecosysteemactiviteit op het hostingplatform, niet voor kwaliteit.

Op de onafhankelijke tekst-naar-afbeelding-ranglijst staat Z-Image Turbo op 941 Elo, 95%-interval 933 tot 949, op basis van 8.991 steekproeven, rang 83 van 168, tegen $5,00 per 1.000 afbeeldingen, met de open-weights-markering ingesteld en waarbij de ranglijst de rij op december 2025 dateert. Alle cijfers zijn afkomstig van Artificial Analysis, live vastgelegd in het Engels op 13 oktober 2026.

Eén historische opmerking die het leveranciersmateriaal bevat, en die het waard is correct te lezen: op 8 december 2025 plaatste Artificial Analysis Z-Image Turbo op de achtste plaats overall en op de eerste plaats onder open-sourcemodellen. Dat was waar toen het werd geschreven, en het is een gedateerde bewering. Vandaag is het niet waar — de ranglijst heeft nu zestien rijen met closed-source- en open-sourcemodellen boven zich. De reden is niet dat Z-Image Turbo slechter is geworden; het is dat er tien maanden zijn verstreken.

Wat Qwen-Image 2.1 daadwerkelijk levert

Een heel andere vorm. Qwen-Image 2.1 heeft 7B parameters in zijn visuele generatiecomponent, verdeeld over 32 single-stream DiT-lagen, met een veel grotere tekstencoder — Qwen3-VL 8B — en een 64-kanaals RGBA-VAE bij 16× ruimtelijke compressie. Dat laatste onderdeel is waar de transparantie vandaan komt: die wordt native gegenereerd in plaats van achteraf uitgesneden. De standaardsampling is 40 stappen op het basischeckpoint, standaard op 2048×2048, met zeven gepubliceerde presets van 1:1 tot 9:16.

• Flexibele invoer — een prompt alleen, een prompt met één afbeelding, of een prompt met maximaal 10 referentieafbeeldingen.

• Lokale bewerkingscontrole — getekende cirkels, geschilderde annotaties of een apart masker dat als eigen invoer wordt doorgegeven, zodat de originele foto ongemarkeerd blijft.

• Transparantie in beide richtingen — genereer RGBA, bewerk binnen een transparante laag, of haal een onderwerp uit een gewone RGB-foto als een RGBA-laag.

• Downloadgrootte — de Diffusers-repository op Qwen/Qwen-Image-2.1 meet 33,1 GB, waarvan ongeveer 17,5 GB de tekstencoder is. Dat is de praktische kostenpost van het hebben van een vision-languagemodel in de stack.

Op hetzelfde bord staat Qwen-Image 2.1 op 1.038 Elo, interval 1.029 tot 1.047, uit 5.554 samples, rang 20 van 168, met de open-weights-markering ingesteld en "Geen API beschikbaar" in de prijskolom. Op het bewerkingsbord is het de enige van de twee die überhaupt voorkomt: 1.072 Elo, interval 1.063 tot 1.081, uit 6.132 samples, rang 21 van 81. Z-Image Turbo heeft geen rij op het bewerkingsbord.

Die twee rijen — 1.038 tegen 941, een gat van zevenennegentig punten met intervallen die elkaar niet overlappen — zijn het sterkste onafhankelijke bewijs in dit stuk, en ze moeten nog steeds worden gelezen met de kanttekening dat Elo hier een voorkeursscore op basis van blinde stemmen is. Het zegt welk resultaat een menigte de voorkeur gaf, niet welk model sneller, goedkoper of voor jouw gebruik gelicentieerd is.

Stappen zijn geen seconden.

De meest voorkomende fout bij het interpreteren van deze vergelijking is om 8 stappen en 40 stappen te behandelen als een vijfvoudige snelheidsverhouding. Het zijn geen vergelijkbare eenheden tussen twee modellen. Het aantal stappen is het aantal keren dat de denoiser wordt uitgevoerd; hoe lang elk van die uitvoeringen duurt, hangt af van de grootte van de transformer, de resolutie, de precisie, de attention-implementatie en de hardware. De leverancier van Z-Image Turbo publiceert een latentiecijfer bij één resolutie op één GPU-klasse. De leverancier van Qwen-Image 2.1 publiceert helemaal geen latentiecijfer.

Wat eerlijk kan worden vergeleken, zijn de richting en de beperkingen. Z-Image Turbo is gebouwd om te draaien met 8 NFEs op consumenten-VRAM, met een door de leverancier opgegeven kader van 16GB en meldingen uit de community die daaronder liggen. De basis-checkpoint van Qwen-Image 2.1 draait 40 stappen bovenop een download van 33 GB en een Qwen3-VL 8B-encoder; de eigen turbo-variant bestaat juist omdat 40 stappen geen snelle configuratie is. Als inferentiekosten je bindende beperking zijn, staat de richting niet ter discussie, ook al is de verhouding dat wel.

Er is ook een afweging tussen kwaliteit en aantal stappen die geen van beide leveranciers kwantificeert. Gedistilleerde checkpoints met weinig stappen worden getraind om een traject met veel stappen te benaderen, en waar die benadering het zwakst is — fijne tekst, dichte lay-outs, kleine herhaalde details — is modelspecifiek en niet gepubliceerd. Ga er niet van uit dat de achtste stap van het achtstappenmodel gelijk is aan de veertigste van een veertigtappenmodel; het onafhankelijke zij-aan-zij-bewijs voor dit specifieke paar bestaat niet bij overeenkomstige instellingen, en deze pagina zal geen rangorde verzinnen die het bewijs niet ondersteunt.

De licentie is waar de beslissing wordt genomen

Z-Image Turbo is Apache-2.0. Dat is de licentie van de repository, duidelijk vermeld, zonder drempel, zonder registratie en zonder inkomstenvoorwaarde. Je kunt het uitvoeren, wijzigen, fine-tunen, afgeleide werken herdistribueren en er commerciële output mee leveren zonder contact op te nemen met Tongyi-MAI.

Qwen-Image 2.1 is dat niet. De repository bevat licentie: overig met de licentienaam qwen-research, en het LICENSE-bestand is de Qwen Research License Agreement van 20 september 2026. Gelezen op 13 oktober 2026 verleent deze een niet-exclusieve, wereldwijde, royaltyvrije licentie om de materialen te gebruiken, te reproduceren, te verspreiden en te wijzigen uitsluitend voor niet-commerciële doeleinden, waarbij "Non-Commercial" wordt gedefinieerd als onderzoeks- of evaluatiedoeleinden, en een afzonderlijke commerciële licentie — aan te vragen per e-mail — vereist is voor al het overige. Herdistributie brengt verdere voorwaarden met zich mee: geef de overeenkomst door, markeer gewijzigde bestanden, behoud de kennisgeving waarin Hangzhou Tongyi Laboratory Technology Co., Ltd wordt genoemd, vermeld "Built with Qwen" als outputs worden gebruikt om een ander gedistribueerd model te trainen, en gebruik "Qwen" niet als de primaire naam van een afgeleide.

Dit is het vermelden waard als een feit over de hele familie, in plaats van als een eenmalig geval, want het is een koerswijziging. De eerdere Qwen-Image-checkpoints — Qwen-Image, Qwen-Image-Edit, de releases -2509, -2511, -Layered en -2512 — zijn allemaal Apache-2.0 zoals gelezen op 13 oktober 2026. Qwen-Image 2.1 is de breuk in dat patroon. Licenties die al zijn verleend, veranderen niet met terugwerkende kracht, dus de oudere checkpoints blijven bruikbaar onder hun oorspronkelijke voorwaarden, maar niemand zou een commerciële pijplijn moeten plannen op basis van de aanname dat het nieuwste Qwen-Image-model permissief is.

Dat geeft de twee modellen dezelfde vorm als hun licentiebestanden in plaats van hun specificatiebladen: Z-Image Turbo is degene die je vandaag kunt uitbrengen zonder enig overleg, en Qwen-Image 2.1 is degene die een onderhandeling vereist die je misschien niet wilt aangaan.

Waarin je elk ervan kunt uitvoeren

Qwen-Image 2.1 werd geleverd met gedocumenteerde runtime-ondersteuning in plaats van die later te verwerven: Diffusers via QwenImage21Pipeline, native ComfyUI met sjabloonworkflows, offline en online serving met vLLM-Omni, SGLang via sglang generate, en LightX2V voor acceleratie, met AMD ROCm en een FlagOS-pad dat acht chipplatforms bestrijkt. Twee checkpoints voor het herschrijven van prompts worden ernaast gepubliceerd als afzonderlijke downloads.

Z-Image Turbo's ondersteuning is in één specifiek opzicht breder: omdat het klein is, Apache-2.0 en bijna een jaar oud, heeft het een breed kwantisatie- en verpakkings-ecosysteem opgebouwd — GGUF-conversies, FP8- en SDNQ-varianten, int4-builds en ComfyUI-herverpakkingen naar één bestand — en dat is wat de sub-16GB- en sub-8GB-paden mogelijk maakt. Een 6B-model met een permissieve licentie wordt geport; een van 33 GB met een onderzoekslicentie wordt langzamer en zorgvuldiger geport. Dat tweede-orde-effect is gemakkelijk over het hoofd te zien op een specsheet en het is vaak juist het ding dat bepaalt wat een lezer deze week daadwerkelijk kan doen.

In beide werken, zonder een tweede stack

OrcaRouter routeert Qwen-Image 2.1 niet en routeert Z-Image Turbo niet. We hebben op 13 oktober 2026 onze live modellenlijst gecontroleerd en geen van beide staat erop, dus niets hieronder is een bewering dat we ze aanbieden — de routes voor beide zijn self-hosting of de eigen gehoste endpoints van de leverancier.

Het patroon dat ze samenbrengt, is het patroon dat dit duo uitnodigt: Z-Image Turbo als de goedkope eerste pass en een sterker model als de uiteindelijke render. Dat is een verstandige pipeline, en de verborgen kosten ervan zijn operationeel — twee downloadstacks, twee sets instellingen en een tweede integratie zodra een van beide verandert. OrcaRouter zet 200+ modellen achter één OpenAI-compatibel endpoint tegen de lijstprijs van de provider, zonder markup, met automatische failover tussen providers wanneer er één verslechtert, zodat een draft-en-final-pipeline de modellen die het daadwerkelijk aanroept achter één sleutel en één client kan zetten, en een hapering bij een provider een nieuwe poging wordt in plaats van een vastgelopen batch. De routing-DSL doet hetzelfde werk voor de compositie zelf, waardoor meerdere modellen als één aanroep kunnen worden aangesproken in plaats van als meerdere integraties.

Welke, voor wie

• Je brengt een commercieel product op de markt — Z-Image Turbo. Apache-2.0, geen gesprek, geen omzetpost om te controleren.

• Je moet een bestaande afbeelding bewerken, maskers gebruiken of transparante assets produceren — Qwen-Image 2.1. De gedocumenteerde modus van Z-Image Turbo is prompt-naar-afbeelding; er is geen bewerkingscheckpoint in die familie en geen maskerinvoer in het gedocumenteerde pad.

• Je beperking is VRAM of de kosten per afbeelding — Z-Image Turbo. Een 6B-model met een decennium aan kwantisatiewerk erachter, tegenover een stack van 33 GB met een 8B vision-language-encoder.

• Je beperking is de kwaliteit van de output zoals beoordeeld door vreemden — Qwen-Image 2.1, met ruwweg honderd Elo-punten op de ranglijst waarop beide zijn gerangschikt, met niet-overlappende intervallen.

• Je doet onderzoek, niet productie — Qwen-Image 2.1 is precies daarvoor gelicentieerd, en de bewerkingsmogelijkheden zijn de reden om de downloadkosten voor lief te nemen.

Het feit dat meestal de doorslag geeft, in één zin: Z-Image Turbo wint wanneer het antwoord moet worden opgeleverd of moet draaien op de machine die de lezer al bezit, en Qwen-Image 2.1 wint wanneer de taak een afbeelding betreft die al bestaat.