Qwen-Image-2.1-Turbo: czym jest 8-krokowy checkpoint i czym różni się od Qwen-Image-2.1

Qwen-Image-2.1-Turbo to przyspieszony checkpoint modelu Qwen-Image-2.1: ten sam 7B szkielet generowania wizualnego, te same dwa zadania — generowanie obrazu na podstawie tekstu i edycja obrazu sterowana instrukcjami — oraz osiem kroków odszumiania, podczas gdy własne przykłady bazowego checkpointu używają czterdziestu. To nie jest nowa architektura ani nowa rodzina modeli i w pliku nie ma drugiego modelu. Checkpoint pojawił się na Hugging Face 9 października 2026 r.; tę datę potwierdza zarówno znacznik czasu utworzenia repozytorium, jak i wiersz na liście aktualności samego projektu Qwen-Image; wszystko poniżej to obowiązujący opis modelu, ustalony na nowo 13 października 2026 r. na podstawie materiałów samego dostawcy, a nie czyjegokolwiek podsumowania.

Jeśli wpisałeś nazwę modelu, aby dowiedzieć się, czym on jest, krótka odpowiedź znajduje się w poprzednim akapicie. Przydatna odpowiedź to kontrast.

Wariant Turbo, wymiar po wymiarze

Każda z poniższych linii pochodzi z własnego repozytorium checkpointu — karty modelu, model_index.json, pliku transformer/config.json i pliku LICENSE — lub z repozytorium projektu Qwen-Image w GitHubie, odczytanego dzisiaj. Tam, gdzie dostawca nic nie publikuje, jest to zaznaczone, a nie uzupełnione.

• Liczba kroków — 8 kroków odszumiania dla Qwen-Image-2.1-Turbo, w porównaniu z 40 dla Qwen-Image-2.1. Liczba 40 pochodzi od samego dostawcy, jest używana w każdym przykładzie Qwen-Image-2.1 na jego karcie i podana jako domyślna w tabeli parametrów projektu na GitHubie.

• Szybkość — liczba kroków to jedyne twierdzenie o szybkości, jakie podaje Qw​en, i jest to liczba, a nie pomiar. Dla żadnego z checkpointów nie podano opóźnienia, przepustowości ani liczby obrazów na GPU, a żadna z kart nie określa sprzętu, na którym wygenerowano jej przykłady.

• Kompromis w zakresie jakości —nie został skwantyfikowany. Nie ma wyniku oceny dla Qwen-Image-2.1-Turbo, nie ma go też dla Qwen-Image-2.1, a w materiałach dostawcy nigdzie nie ma bezpośredniego porównania obu tych modeli. Obrazy pokazowe na karcie Turbo to ośmiokrokowe wyniki wybrane przez dostawcę; dowodzą one, że checkpoint generuje obrazy, a nie tego, ile wierności poświęcono, by osiągnąć osiem kroków. W momencie pisania tego tekstu nie były nam dostępne żadne benchmarki firm trzecich dla któregokolwiek z tych checkpointów.

• Gdzie znajduje się harmonogram próbkowania — to jedyna różnica strukturalna, którą ujawniają karty. W modelu Turbo plik model_index.json zawiera tablicę sample_sigmas z ośmioma wartościami, od 1,0 do 0,414568, a karta podaje, że harmonogram jest zapisywany razem z checkpointem i wczytywany automatycznie — „ustawienie num_inference_steps samo w sobie tego nie nadpisuje”. Qwen-Image-2.1 przyjmuje liczbę kroków w momencie wywołania. Furtką jest jawne podanie sigmas jako argumentu w momencie wywołania, a karta zauważa, że inne harmonogramy „nie zostały ocenione dla tego checkpointu”.

• Back — identyczny. transformer/config.jsonTurbo odpowiada polom bazowego checkpointu: 32 warstwy, 32 głowy uwagi po 128 wymiarów każda, rozmiar patcha 1, 64 kanały wejściowe i wyjściowe, causal_condition true, wymiar wejściowy kontekstu 4096. Jedyną wartością różniącą się między tymi dwoma plikami jest zapisana wersja Diffusers.

• Enkoder tekstu, VAE i scheduler — modelu Turbo model_index.json wskazuje Qwen3VLForConditionalGeneration jako enkoder tekstu z Qwen3VLProcessor, a AutoencoderKLQwenImage21 VAE i FlowMatchEulerDiscreteScheduler. To te same klasy komponentów, które deklaruje Qwen-Image-2.1. Notatki architektoniczne projektu opisują wspólny enkoder tekstu jako model wizyjno-językowy Qwen3-VL 8B, a VAE jako autoenkoder RGBA z 64 kanałami i 16× kompresją przestrzenną.

• Domyślne ustawienie guidance — karta modelu Turbo podaje domyślnie CFG 1, co usuwa przebieg guidance bez klasyfikatora z każdego kroku. Karta modelu bazowego w ogóle nie podaje domyślnego ustawienia guidance.

• Presety rozdzielczości — te same siedem w obu, zaczerpnięte dosłownie z karty Turbo: 1:1 przy 2048 × 2048, 4:3 przy 2400 × 1792, 3:4 przy 1792 × 2400, 3:2 przy 2528 × 1696, 2:3 przy 1696 × 2528, 16:9 przy 2752 × 1536 i 9:16 przy 1536 × 2752.

• Zajętość dysku — własne zestawienie plików repozytorium Turbo daje w sumie około 32,5 GB, licząc 14,2 GB transformera, 17,5 GB enkodera tekstu i 0,7 GB VAE, zgodnie z dzisiejszymi opublikowanymi rozmiarami plików w repozytorium. To zestaw komponentów bazowego checkpointu w precyzji bfloat16, a dostawca nie dostarcza własnej skwantyzowanej wersji.

Co Qw​en faktycznie mówi o kompromisie między szybkością a wiernością

Twierdzenie dostawcy jest węższe, niż sugeruje nagłówek, i warto przeczytać je w słowach samej karty. Qwen-Image-2.1-Turbo opisano jako „przyspieszony checkpoint Qwen-Image-2.1 do generowania obrazów na podstawie tekstu i edycji obrazów z 8 krokami odszumiania”, który „wykorzystuje tę samą architekturę generowania wizualnego 7B i ładuje się bezpośrednio za pomocą QwenImage21Pipeline”. Sposób ujęcia korzyści w karcie jest proceduralny, a nie wizualny: checkpoint „zawiera zalecany harmonogram próbkowania, więc jest gotowy do użycia bez ręcznego konfigurowania schedulera”.

Wymienia się trzy mechanizmy — i tylko trzy. Sam harmonogram ośmiu kroków. Domyślnie CFG 1, co pomija przebieg guidance. Oraz buforowanie KV prefiksu, które „ponownie wykorzystuje kontekst tekstu i obrazu referencyjnego w krokach odszumiania” — mechanizm, który dokumentuje również model Base i który ma większe, a nie mniejsze znaczenie, gdy pętla trwa tylko osiem iteracji.

Teraz część, której nie ma. Karta nigdy nie mówi, że checkpoint Turbo dorównuje jakością wynikom Qwen-Image-2.1. Nigdy nie mówi, ile jakości poświęcono ani które kategorie pogarszają się pierwsze — tekstury, drobny tekst, twarze, spójność wielu referencji. Nigdy nie używa słowa destylacja, a nic w repozytorium nie wskazuje na relację nauczyciel–uczeń. Metadane mówią natomiast, że jest to pochodna: tagi Hugging Face zawierają base_model:Qwen/Qwen-Image-2.1 i base_model:finetune:Qwen/Qwen-Image-2.1, a rekord modelu w ModelScope wymienia tego samego rodzica z relacją „finetune”. Stanowisko samego Qwen, innymi słowy, to dostrojenie bazowego checkpointu, a pytanie o jakość pozostaje do rozstrzygnięcia dla tego, kto go uruchamia.

To nie tyle krytyka, ile kształt tego wydania. Dostawca, który wypuszcza przyspieszony checkpoint bez benchmarku, zaprasza dokładnie do porównania, które czytelnik musi teraz przeprowadzić sam: ten sam prompt, ten sam seed, oba checkpointy, czterdzieści kroków kontra osiem.

Wejścia, wyjścia i to, jak duże to coś jest w rzeczywistości

Karta dokumentuje dwa tryby wejściowe i jeden tryb wyjściowy, a są to tryby modelu bazowego, bez zmian.

• Tekst na wejściu, obraz na wyjściu — tekstowe polecenie tworzy obraz rastrowy. Przykład podany na karcie to plakat w orientacji pionowej o wymiarach 1696 × 2528, a prezentacja obejmuje fotografię portretową, typografię i projektowanie plakatów oraz układ interfejsu użytkownika i informacji, co jest twierdzeniem Qwen na temat wierności renderowania tekstu i układu, a nie jej pomiarem.

• Obraz na wejściu, obraz na wyjściu — ten sam potok przyjmuje obraz wejściowy obok promptu na potrzeby edycji sterowanej instrukcjami. Przykład na karcie przekształca szkic jachtu w fotorealistyczne zdjęcie w rozdzielczości 2048 × 2048 i wczytuje dane wejściowe jako RGBA. Prezentacja pokazuje również kompozycję z wieloma obrazami referencyjnymi oraz kompozycję wnętrza z czterech obrazów. Na jedną liczbę trzeba tu uważać: wartość „do 10 obrazów referencyjnych” pochodzi z dokumentacji Qwen-Image-2.1, a karta Turbo nie podaje ponownie limitu obrazów referencyjnych. Traktuj 10 jako opublikowaną wartość modelu bazowego, a nie specyfikację Turbo.

• Przezroczystość — karta wymienia generowanie przezroczystych obrazów wśród kategorii pokazowych, a dostarczana klasa VAE to ten sam 64-kanałowy autoenkoder RGBA, którego używa model bazowy, więc wyjście kanału alfa jest udokumentowane dla tego checkpointu, a nie jedynie odziedziczone z nazwy.

• Rozdzielczość wyjściowa — te same siedem ustawień wstępnych wymienionych powyżej, do 2752 × 1536 w orientacji poziomej i 1536 × 2752 w orientacji pionowej, przy czym domyślnym poziomem jest 2048 × 2048. Projekt opisuje Qwen-Image-2.1 jako natywnie obsługujący rozdzielczość 2K; żadne z obu repozytoriów nie deklaruje natywnego poziomu powyżej tego, a nic nie dokumentuje etapu skalowania w górę.

• Rozmiar modelu — 7B parametrów w komponencie generowania wizualnego w 32 warstwach DiT z pojedynczym strumieniem, w formacie bfloat16, około 32,5 GB na dysku dla całego repozytorium. Nie ma okna kontekstu tekstowego, które można by przytoczyć, ponieważ to nie jest model tekstowy; 4096-wymiarowe wejście kontekstowe w konfiguracji transformera to zakodowana reprezentacja promptu i obrazu warunkującego, a nie okno tokenów.

Licencja i gdzie znajdują się wagi

Qwen-Image-2.1-Turbo jest wydany na warunkach Umowy Licencyjnej Qwen Research. Metadane repozytorium wskazują license: other wraz z license_name: qwen-research oraz license_link: LICENSE, a plik LICENSE znajduje się w repozytorium obok wag. Porównaliśmy dziś oba pliki licencji: LICENSE w repozytorium Turbo jest identyczny co do bajtu z plikiem modelu bazowego, co warto wiedzieć, ponieważ oznacza to, że przyspieszenie nie przyniosło żadnej zmiany w warunkach.

Co mówi umowa, odczytane z samego pliku: licencja jest udzielana „WYŁĄCZNIE DO CELÓW NIEKOMERCYJNYCH", „Niekomercyjny" zdefiniowano jako „wyłącznie do celów badawczych lub ewaluacyjnych", a wykorzystanie komercyjne wymaga „oddzielnej licencji komercyjnej od nas", o którą należy wystąpić pod adresem model-business@notice.qwencloud.com. Własny nagłówek umowy datuje tę wersję na 20 września 2026 r. Jeśli powodem, dla którego chcesz generowania w ośmiu krokach, jest to, że czyni ono model wystarczająco tanim, by umieścić go za produktem, to wiążącym ograniczeniem jest tu licencja, a nie liczba kroków, i żadna strona w tym repozytorium tego nie rozstrzyga.

Wagi można pobrać w dwóch miejscach, oba prowadzone przez samego dostawcę: Hugging Face pod Qwen/Qwen-Image-2.1-Turbo oraz ModelScope pod Qwen/Qwen-Image-2.1-Turbo. Repozytorium Hugging Face nie jest ograniczone. Jego metadane nie wymieniają żadnego dostawcy hostowanej inferencji, więc — zgodnie z tym, co pokazuje własny wykaz dostawcy — nie ma dziś zewnętrznego punktu końcowego, który uruchomiłby dla Ciebie dokładnie ten checkpoint.

Dla ścieżki hostowanej istnieje własna opcja Qwen: lista aktualności projektu podaje, że interfejsy API Qwen-Image-2.1 Pro i Turbo zostały udostępnione w Alibaba Cloud Model Studio 9 października 2026 r., a README na GitHubie oferuje „hostowane interfejsy API albo uruchomienie checkpointu Turbo we własnym środowisku za pomocą Diffusers”. Cena za obraz dla punktu końcowego Turbo nie jest podana na stronie referencyjnej API dostawcy, którą przeczytaliśmy; zamiast tego wskazuje ona osobną stronę z cenami modeli — dlatego traktuj cenę jako nieopublikowaną w materiale, który mogliśmy zweryfikować, i sprawdź stronę z cenami dostawcy, zanim zaczniesz na jej podstawie planować.

Fine-tuning: co jest udokumentowane, a co tylko w społeczności

Uczciwa odpowiedź jest taka, że karta Turbo nie dokumentuje żadnego rodzaju dostrajania. Obejmuje instalację, generowanie obrazów z tekstu, edycję obrazów, próbkowanie i proporcje obrazu — i na tym się kończy. Nigdzie w repozytorium projektu Qwen-Image nie ma sekcji dotyczącej trenowania, instrukcji dotyczących LoRA, wskazówek odnośnie adapterów, uwag o zbiorach danych ani skryptu treningowego — sprawdziliśmy jego drzewo plików, które zawiera wyłącznie zasoby i dwa pliki danych do przepisywania promptów.

Model bazowy wypada nieco lepiej, a to dokumentacja innego modelu: materiały Qwen-Image-2.1 opisują trenowanie LoRA przez ModelScope, oparte na otwartoźródłowym frameworku DiffSynth-Studio. To stwierdzenie dotyczy Qwen-Image-2.1 i nic w karcie Turbo nie rozciąga go na przyspieszony checkpoint.

To, co istnieje dla Turbo, to praca społeczności. Na dzień dzisiejszy 47 repozytoriów na Hugging Face deklaruje Qwen/Qwen-Image-2.1-Turbo jako swój model bazowy, a prawie wszystkie z nich to porty kwantyzacji — kompilacje GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO. Dokładnie jeden to adapter LoRA, adapter do zamiany postaci opublikowany 10 października 2026. Nic z tego nie jest wsparciem dostawcy, nic z tego nie zostało zweryfikowane przez Qw​en, a adapter wytrenowany względem czterdziestokrokowej trajektorii bazowego checkpointu nie jest automatycznie poprawny względem zapisanego ośmiokrokowego harmonogramu. Jeśli trafiłeś tutaj, szukając przepływu pracy Turbo LoRA, dokładna odpowiedź jest taka, że dostawca nie opublikował żadnego.

Jak to uruchomić i jak to wywołać

Self-hosting to zwykłe zadanie Diffusers z jednym haczykiem. Instalacja opisana na karcie to kompilacja PyTorch zgodna z CUDA, Diffusers ze źródeł (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate i pillow. Haczyk polega na tym, że ten checkpoint wymaga kompilacji Diffusers z obsługą sigm próbkowania konfigurowanych w pipeline, dodaną w PR #14950 — która w chwili pisania znajduje się w drzewie źródeł, a nie w wydaniu oznaczonym tagiem, dlatego karta nie mówi, aby instalować konkretny numer wersji.

Linia ładowania to klasa pipeline'u modelu bazowego z podmienioną nazwą checkpointu: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). Generowanie to następnie wywołanie z promptem, szerokością i wysokością z listy presetów, use_kv_cache=True oraz ziarnem generatora; przykład text-to-image z karty używa 1696 × 2528 z ziarnem 42, a jego przykład edycji przekazuje obraz RGBA jako argument image w rozdzielczości 2048 × 2048 z ziarnem 20261009. Nie przekazuj num_inference_steps z oczekiwaniem, że cokolwiek zrobi.

Jedna luka, którą trzeba uwzględnić w planach: karta Turbo nie podaje żadnych wskazówek dotyczących pamięci. Karta modelu bazowego zawiera sekcję optymalizacji pamięci pokazującą pipe.enable_model_cpu_offload(); karta Turbo po prostu się kończy. Przy 17,5 GB enkodera tekstu w repozytorium to liczba, na którą należy zarezerwować budżet, a karta nie mówi, na jakim GPU się zmieści.

Wywołanie go zamiast uruchamiania oznacza własne hostowane API Turbo Qw​en na Aliba​ba Cloud Model Studio. Na stronie referencyjnej API dostawcy nie ma opublikowanej ceny za obraz, którą moglibyśmy zweryfikować, ani opublikowanego limitu liczby żądań, którego moglibyśmy zweryfikować — więc czytelnik planujący wolumen ma dwie liczby do pobrania od dostawcy przed podjęciem decyzji.

Gdzie plasuje się OrcaRouter — mówiąc wprost

OrcaRouter nie kieruje ruchu do Qwen-Image-2.1-Turbo ani nie kieruje ruchu do Qwen-Image-2.1 — żaden z tych identyfikatorów nie występuje na naszej aktualnej liście modeli, którą sprawdziliśmy dzisiaj, a nic na tej stronie nie powinno być odczytywane jako oferta obsługi któregokolwiek z nich. Linia obrazów, którą faktycznie obsługujemy, to linia hostowana: rodzina Open​AI GPT-Image, pakiety Goog​le Imagen 4 oraz endpoint obrazów x​AI Grok Imagine.

Ta różnica ma praktyczne znaczenie właśnie w tym punkcie kontrolnym. OrcaRouter udostępnia ponad 200 modeli za jednym punktem końcowym zgodnym z OpenAI, w cenie katalogowej dostawcy i bez żadnej marży, a dodaje automatyczne przełączanie awaryjne, gdy dostawca zaczyna działać gorzej — czego właśnie chcesz, gdy wywołujesz hostowany model do obrazów na produkcji, a co nie ma znaczenia, gdy chodzi o pobranie modelu o rozmiarze 32,5 GB na licencji badawczej. Jeśli planujesz uruchomić Qwen-Image-2.1-Turbo samodzielnie, warstwa routingu nie jest ograniczeniem; ograniczeniem jest Umowa Licencyjna Qwen Research.

Zatem decyzja jest jednoznaczna. Osiem kroków, zapisany harmonogram, identyczna co do bajtu licencja badawcza i brak benchmarku oznaczają, że ten checkpoint jest narzędziem do badań i prototypowania, dopóki Qw​en nie opublikuje ewaluacji albo sam nie przeprowadzisz własnej. Jeśli w tym tygodniu potrzebujesz endpointu do obrazów na produkcji, to inny zakup — i to właśnie ten, który sprzedajemy.