Qwen-Image-2.1-Turbo na komputerze stacjonarnym: BaoCut 3.5 i pierwsze lokalne pomiary czasowe

Repozytorium Qwen-Image-2.1-Turbo pojawiło się na Hugging Face 9 października 2026 roku z 707 polubieniami, wagami, plikiem licencji i pojedynczym wierszem na liście nowości w repozytorium GitHub Qwen-Image-2.1 jako całym swoim ogłoszeniem. Pięć dni później działa już na biurkach ludzi. BaoCut 3.5, chińskie narzędzie do edycji na pulpit, zintegrowało checkpoint i zaczęło generować obrazy lokalnie, a nie przez serwer; X/@dotey poinformował 13 października 2026 roku, że obraz powstaje w około trzy do pięciu minut w 1080p na jego Macu Mini M2, a blisko dwadzieścia minut w 2K. Osobno open-source'owa aplikacja na macOS o nazwie Siliconed opublikowała 11 października 2026 roku na własnej tablicy dyskusyjnej modelu wpis z pomierzonym czasem 118 sekund przy 1024² na M1 Pro, a ten sam komputer uruchamiający Z-Image Turbo — drugi z 8-krokowych otwartych checkpointów, między którymi ludzie wybierają — w 82 do 85 sekund. Qwen-Image-2.1, model bazowy, z którego wywodzą się oba lokalne porty, został wydany 20 września 2026 roku. Przyspieszony checkpoint jest trzy tygodnie młodszy od swojego rodzica i nie ma własnej niezależnej ewaluacji.

Taki jest kształt tej historii: punkt kontrolny, który nigdy nie został uruchomiony, a jedynie opublikowany, pojawia się teraz w oprogramowaniu desktopowym, zanim dostawca powiedział o nim publicznie cokolwiek. To, co następuje, oddziela to, co faktycznie stwierdza repozytorium, od tego, co zgłaszają pierwsi użytkownicy, ponieważ te dwie rzeczy nie są tym samym rodzajem twierdzenia.

Co potwierdza repozytorium, a czego nie

Wszystko poniżej pochodzi z karty modelu, pliku licencji i dziennika zmian projektu — źródeł pierwotnych, możliwych do zweryfikowania przez każdego.

• Z datą, i to z datą tam, gdzie ma to znaczenie. API Hugging Face podaje, że repozytorium utworzono 2026-10-09T04:50:01Z, a ostatnia modyfikacja miała miejsce 2026-10-12. Lista aktualności Qwen-Image-2.1 na GitHubie zawiera pasujący wpis: "2026.10.09: Wydaliśmy Qwen-Image-2.1-Turbo do generowania i edycji obrazów w zaledwie 8 krokach odszumiania." Ten sam changelog odnotowuje, że API Pro i Turbo ruszyły w Alibaba Cloud Model Studio tego samego dnia. To wydanie; to wydanie bez premiery.

• Co to jest. Karta określa go jako „przyspieszony checkpoint Qwen-Image-2.1 do generowania obrazów na podstawie tekstu i edycji obrazów w 8 krokach odszumiania”, zbudowany na tej samej architekturze generowania wizualnego 7B. Nie jest to nowa rodzina ani nowa architektura. To bazowy checkpoint przepakowany wokół znacznie krótszej trajektorii próbkowania.

• Obie możliwości w jednym pliku do pobrania. Generowanie obrazu z tekstu i edycja sterowana instrukcjami są obsługiwane przez ten pojedynczy checkpoint. Przykłady zamieszczone na karcie modelu korzystają z tego samego zapisanego harmonogramu 8 kroków i tego samego domyślnego CFG=1 w obu przypadkach, a edycję demonstrują, zamieniając szkic jachtu w fotorealistyczny obraz.

• Harmonogram jest dołączony do wag. Checkpoint dostarcza swój zalecany harmonogram próbkowania, więc Diffusers ładuje go automatycznie. Karta modelu wyraźnie mówi, że samo ustawienie `num_inference_steps` nie nadpisuje tego zapisanego harmonogramu. Buforowanie KV prefiksu ponownie wykorzystuje kontekst tekstu i obrazu referencyjnego między krokami odszumiania.

• Wymagane są dwie wersje zestawu narzędzi. Podana instalacja to kompilacja PyTorch zgodna z CUDA, Diffusers ze źródeł, transformers 5.17.0 lub nowszy, accelerate oraz pillow. Punkt kontrolny wymaga obsługi w Diffusers dla sigm próbkowania konfigurowanych przez pipeline, dodanej w PR #14950 — drzewo źródeł, a nie wydanie z tagiem w momencie pisania.

• Licencja pozostaje bez zmian i to ona stanowi barierę komercyjną. Repozytorium jest objęte licencją qwen-research. Umowa ta przyznaje prawa „WYŁĄCZNIE DO CELÓW NIEKOMERCYJNYCH” i stanowi, że użycie komercyjne wymaga oddzielnej licencji, o którą należy zwrócić się do dostawcy. Nic w Turbo tego nie łagodzi.

• Brak jakiegokolwiek benchmarku. Na karcie nie ma wyniku dla checkpointu Turbo, nie ma porównania z wersją bazową, nie ma danych o opóźnieniach ani danych o pamięci. Dostawca nie publikuje żadnych z tych informacji.

• Nie należy go mylić z liczbami modelu bazowego. Jeśli widzisz wynik Elo lub twierdzenie o jakości przypisane do nazwy Qwen-Image-2.1, sprawdź, do którego checkpointu należy. Publiczny wiersz image-arena należy do Qwen-Image-2.1, modelu bazowego z 20 września, a nie do Turbo.

Pierwsze dwa lokalne raporty i dlaczego się nie zgadzają

Dwie niezależne osoby podały liczby dotyczące lokalnego wnioskowania w ciągu czterech dni od pojawienia się repozytorium. Zmierzyły różne maszyny, różne rozdzielczości i różne potoki przetwarzania, a ich wyniki różnią się o około rząd wielkości przy tym samym nominalnym zadaniu. Warto przeczytać obie; żadna nie jest benchmarkiem.

Raport edytora desktopowego. X/@dotey, 13 października 2026: BaoCut 3.5 zintegrował Qwen-Image-2.1-Turbo, a generowanie obrazów odbywa się lokalnie na komputerze, a nie przez serwer. Na ich Mac Mini M2 obraz 1080p zajmuje około od trzech do pięciu minut, a obraz 2K blisko dwudziestu. Zauważają też, że narzędzie będzie generować treści NSFW i że agenta można skierować na lokalną usługę obrazów tej maszyny.

Raport o aplikacji natywnej. 11 października 2026 r. autor Siliconed opublikował wpis na własnej tablicy dyskusyjnej checkpointu w Hugging Face. Siliconed to otwartoźródłowa aplikacja na macOS na licencji Apache-2.0, która uruchamia model w Swift i Metal, bez Pythona i bez ComfyUI w pętli, porównując każdy etap — enkoder tekstu, transformer, VAE — kanał po kanale z implementacją Diffusers w fp32. Na maszynie referencyjnej, MacBooku Pro M1 Pro z 16 GB pamięci zunifikowanej, przy 1024², 8 krokach i CFG 1, Qwen-Image-2.1-Turbo renderuje w 118 sekund; render 1024×1536 zajmuje 190 sekund, edycja z jednym obrazem referencyjnym 212 sekund, a edycja z dwoma obrazami referencyjnymi 285 sekund. Szczytowe zużycie pamięci utrzymuje się między 1,8 a 2,7 GB, bez żadnego swapu. Z-Image Turbo na tej samej maszynie i w tej samej rozdzielczości zajmuje od 82 do 85 sekund.

• Dlaczego 3–5 minut i 118 sekund to nie sprzeczność. Liczba podana przez autora posta to Mac Mini M2 przy 1080p w aplikacji; liczba podana przez aplikację to M1 Pro przy 1024² napędzany bezpośrednio. Inny krzem, inna liczba pikseli, inna ilość pracy wykonywanej wokół modelu. Żadna z tych liczb nie mówi, co zrobi twoja maszyna.

• To, co raportuje aplikacja, to dane samodzielnie zgłaszane — i sama to przyznaje. Autorem jest autor. Na przeciwwagę: metoda jest opublikowana, każda liczba jest opatrzona podanym narzędziem pomiarowym — `phys_footprint` próbkowany co 100 ms, swap z `vm_stat` — a projekt publikuje tabelę chipów z jednym wypełnionym wierszem i publiczny formularz, za pomocą którego czytelnicy mogą dodać własne. To więcej, niż daje ci dostawca, a mniej niż niezależne laboratorium.

• Pamięć to liczba, która decyduje o wykonalności. Instalacja Standard o rozmiarze 31,2 GB działa na Macu z 16 GB pamięci, ponieważ wagi są strumieniowo wczytywane z dysku w miarę potrzeby, w ramach zadeklarowanego budżetu wynoszącego trzy czwarte pamięci systemowej minus 2 GB. Dlatego rozmiar instalacji większy niż Twoja pamięć RAM nie jest automatycznie przeszkodą i dlatego ograniczeniem jest przepustowość odczytu dysku — a nie VRAM.

• Pułap rozdzielczości to realne ograniczenie. Wersja na macOS ogranicza wyjście do powierzchni 1024×1536, przy czym każdy bok musi mieć co najmniej 512 i być wielokrotnością 16, ponieważ to największy rozmiar zmierzony przy zerowym swapie na komputerze z 16 GB. Większe rendery są odrzucane z góry, zamiast pozwalać im wpaść w szarpanie pamięci. Jeśli twoja praca wymaga presetów klasy 2048 z modelu bazowego, ta lokalna ścieżka ci ich nie da.

Lokalne wagi oznaczają brak warstwy moderacji, a to działa w obie strony.

Najczęściej cytowany fragment wpisu z 13 października mówi, że model generuje obrazy NSFW. Warto doprecyzować, czym to jest, a czym nie.

To nie jest funkcja, którą dostawca reklamuje. Karta modelu nie mówi nic o polityce dotyczącej treści dla otwartego checkpointu, a licencja nie przewiduje żadnego wyjątku: przyznaje prawo do użytku niekomercyjnego i wymaga przestrzegania obowiązującego prawa, kropka. To, co opisuje raport, jest zwykłą konsekwencją uruchamiania modelu dyfuzyjnego na własnym sprzęcie — między Twoim promptem a samplerem nie ma żadnego dostawcy, więc nie ma filtra po stronie dostawcy, który mógłby się aktywować. Każdy otwarty checkpoint do obrazów zachowuje się w ten sposób. Różnica polega tu na szybkości i pakowaniu: ośmiokrokowy model tej klasy jest teraz wystarczająco szybki na sprzęcie konsumenckim, że lokalna ścieżka nie wydaje się już kompromisem.

Kwestia zgodności spoczywa w całości na Tobie. Jeśli zamierzasz wdrożyć cokolwiek zbudowanego na tym checkpointcie, licencja jest wiążącym ograniczeniem i nie jest to licencja permisywna — model bazowy jest dystrybuowany na tych samych niekomercyjnych warunkach badawczych, a checkpoint Turbo dziedziczy je bez zmian. Wnioskowanie lokalne nie zmienia tego, co wolno Ci robić z wynikami.

To, co jest naprawdę nowe: narzędzie, które agent może wywołać

Oba raporty zbiegają się w tym samym szczególe, i jest to ten z dłuższym ogonem. W poście z 13 października wspomniano, że agenta można skierować na lokalną usługę obrazów tej maszyny. Port na macOS dostarcza dokładnie ten interfejs: pomocniczy plik binarny o nazwie `silicontrol` wewnątrz pakietu aplikacji, który steruje uruchomionym oknem z terminala, z poleceniami do listowania modeli, zakolejkowania renderu za pomocą `--wait --out` i odczytu statusu, emitując wiersze JSON z końcowym polem `"ok"`. Istnieje jedna kolejka i nigdy nie ma dwóch renderów jednocześnie.

Lokalny endpoint obrazów, który odpowiada w formacie JSON Lines i zwraca ścieżkę do pliku, jest celem wywołania narzędzia. To zupełnie inna propozycja niż wklejanie promptów do interfejsu webowego: agent kodujący może zdecydować, że potrzebuje diagramu, placeholdera lub wariantu, wywołać lokalną usługę i kontynuować pracę bez klucza API, bez rozliczania za każdy obraz i bez wysyłania danych poza maszynę. W przypadku prac niekomercyjnych — badań, wewnętrznych prototypów, środowisk ewaluacyjnych — to naprawdę nowa możliwość przy 8 krokach i szczytowym zużyciu pamięci poniżej 3 GB.

Ma też twardą krawędź i ta sama licencja ją wyznacza. W momencie, gdy to, co budujesz, jest produktem, a nie artefaktem badawczym, ścieżka lokalna przestaje być łatwą odpowiedzią, a ograniczenie niekomercyjne staje się rozstrzygającym faktem.

Gdzie pasuje warstwa routingu, a gdzie nie

Qwen-Image-2.1-Turbo to pobieranie wag objętych licencją badawczą. Nie jest hostowanym endpointem na OrcaRouter i niczego tutaj nie należy odczytywać jako stwierdzenia przeciwnego. Uczciwy podział przebiega według obciążenia.

Jeśli Twoje obrazy muszą powstawać na maszynie, którą kontrolujesz — ze względu na prywatność, koszty albo brak łączności — to ten checkpoint i lokalny runner są odpowiedzią, a kwestia routingu w ogóle się nie pojawia: licencja niekomercyjna i budżet dyskowy to Twoje dwa ograniczenia. Jeśli natomiast wywołujesz modele obrazów w produkcji, gdzie żądanie musi trafić w jakieś niezawodne miejsce, a wolisz nie utrzymywać relacji z dostawcą dla każdego modelu, to jest właśnie problem, OrcaRouterdla którego istnieje: ponad 200 modeli za jednym endpointem zgodnym z OpenAI, w cenie katalogowej dostawcy bez marży, automatyczne przełączanie awaryjne, gdy dostawca zawodzi, oraz DSL routingu na przypadki, w których chcesz wyrazić preferencję, a nie przyjąć domyślne ustawienie. Te dwa rozwiązania nie konkurują ze sobą. Lokalny checkpoint to narzędzie na Twoim biurku; router to coś, co stawiasz przed hostowanymi modelami, które wywołujesz, gdy praca opuszcza biurko.

Praktyczny powód, by trzymać je w głowie osobno, jest taki, że zawodzą w różny sposób. Lokalny render zawodzi, gdy maszyna jest zajęta, dysk jest wolny albo przekroczony zostanie budżet pamięci. Wywołanie hostowane zawodzi wtedy, gdy zawodzi dostawca. Tylko jedno z nich warto rozwiązywać za pomocą przełączania awaryjnego.

Czego wciąż nie możemy powiedzieć

Trzy rzeczy przesądziłyby o reputacji tego punktu kontrolnego, a żadna z nich jeszcze nie istnieje.

• Brak niezależnej oceny. Turbo nie ma wiersza w arenie, opublikowanego Elo ani porównania jakości przez strony trzecie z Qwen-Image-2.1 lub Z-Image Turbo. Koszt jakościowy rezygnacji z dłuższej trajektorii próbkowania modelu bazowego na rzecz 8 kroków jest po prostu publicznie niezmierzony.

• Brak danych producenta o przepustowości lub pamięci. Karta charakteryzuje checkpoint i nie mówi nic o tym, ile kosztuje jego uruchomienie. Każda liczba w tym artykule, która nie jest datą, pochodzi od użytkownika, a przy każdej z nich podano maszynę, na której została zmierzona.

• Jeden chip w publicznej tabeli. Tabela wyników portu na macOS ma dokładnie jeden wypełniony wiersz — M1 Pro — oraz zaproszenie dla wszystkich pozostałych, aby dodali swoje. Jeśli zamierzasz kupić do tego sprzęt, ekstrapolujesz na podstawie tego wiersza plus jednej anegdoty o Mac Mini M2.

To, co można z całą pewnością powiedzieć, jest węższe i bardziej użyteczne. Checkpoint istnieje, jest datowany na 9 października 2026 r., wykonuje generowanie i edycję w 8 krokach przy 7B, jego harmonogram jest wbudowany w wagi, jest niekomercyjny, a w ciągu niecałego tygodnia przeszedł od repozytorium do działania w oprogramowaniu desktopowym bez żadnej premiery. To prawdziwe wydarzenie w lokalnym generowaniu obrazów i dzieje się, zanim ktokolwiek opublikował liczbę, z której można by rozliczyć dostawcę.

Wybory modeli takie jak ten to również miejsce, w którym ujawniają się tryby awarii: udokumentowane incydenty AI i awarie agentów dotyczące modeli w tej klasie są gromadzone w Archiwum incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i flagę sporną.