Qwen-Image-2.1-Turbo vs Z-Image Turbo: dwa modele ośmiokrokowe, dwa różne zakłady

Qwen-Image-2.1-Turbo i Z-Image Turbo to dwa otwarte checkpointy do generowania obrazów, między którymi większość ludzi obecnie dokonuje wyboru, a powód, dla którego to porównanie wciąż kręci się w kółko, jest taki, że reklamują tę samą kluczową liczbę. Oba działają w ośmiu krokach odszumiania. Oba są wystarczająco otwarte, aby można je było pobrać i uruchomić na własnej maszynie. Oba są reklamowane jako dramatycznie szybsze niż to, z czego powstały. Wszystko, co decyduje o tym, którego z nich naprawdę chcesz, kryje się pod tą wspólną liczbą, a nic z tego nie jest liczbą kroków. Z-Image Turbo został opublikowany 25 listopada 2025 r. jako model 6B na licencji Apache-2.0, destylowany z linii Z-Image zgodnie z opublikowaną dwuetapową recepturą. Qwen-Image-2.1-Turbo pojawił się 9 października 2026 r. jako przyspieszony checkpoint modelu Qwen-Image-2.1 — model bazowy wydany 20 września 2026 r. — zachowując architekturę 7B i licencję badawczą dostawcy wykluczającą użycie komercyjne. Osiem miesięcy dzieli oba repozytoria, a różnica w sposobie ich zbudowania jest większa, niż sugeruje różnica dat.

Osiem kroków to wspólny objaw, a nie wspólna przyczyna

Gdy dwa modele osiągają tę samą liczbę kroków różnymi drogami, liczba kroków przestaje być użytecznym punktem odniesienia. Mówi ci ona tylko tyle, że oba modele dostrojono pod kątem porównywalnego opóźnienia — i nic więcej.

• Z-Image Turbo osiągnął to dzięki destylacji, a następnie uczeniu ze wzmocnieniem. Karta rodziny Z-Image opisuje go jako „zdestylowaną wersję Z-Image, która dorównuje czołowym konkurentom lub ich przewyższa przy zaledwie 8 NFE”. Dokumentacja techniczna podaje nazwę mechanizmu: Decoupled-DMD, wariantu destylacji przez dopasowanie rozkładów (Distribution Matching Distillation), który rozdziela dwa mechanizmy, jakie dotychczasowe metody DMD traktowały jako jeden, a następnie DMDR, który łączy DMD i RL na etapie treningu końcowego. Tabela wariantów na karcie pokazuje ścieżkę treningu wprost — trening wstępny, SFT i RL wszystkie zaznaczone, 8 kroków, CFG wyłączone.

• Qwen-Image-2.1-Turbo osiągnął to, pakując na nowo mocną bazę. Jego karta opisuje go jako „przyspieszony checkpoint Qwen-Image-2.1 do generowania obrazów z tekstu i edycji obrazów w 8 krokach odszumiania”, na tej samej 7B architekturze generowania wizualnego. Nie opublikowano przepisu na destylację. Udokumentowano natomiast, że checkpoint zawiera własny zalecany harmonogram próbkowania, więc Diffusers ładuje go automatycznie i samo ustawienie `num_inference_steps` go nie nadpisze, a także że generowanie domyślnie używa CFG=1 z buforowaniem KV prefiksu, które ponownie wykorzystuje kontekst tekstu i obrazu referencyjnego w kolejnych krokach.

Praktyczna konsekwencja: w przypadku Z-Image Turbo uruchamiasz model, którego szybkość jest efektem procesu treningowego, a w przypadku Qwen-Image-2.1-Turbo uruchamiasz checkpoint modelu, który już był dobry, ze skróconą i zamrożoną w pliku ścieżką próbkowania. Oba są uzasadnione. Zawodzą inaczej. Model destylowany ma budżet jakości, który został wydany podczas treningu; przepakowany checkpoint ma taki, który został wydany podczas tworzenia checkpointu. Żadna z kart nie publikuje, ile wydano.

Linie, które tak naprawdę je oddzielają

O tym starciu decyduje pięć wymiarów. Każdy z nich jest wskazany w źródle pierwotnym, które możesz otworzyć.

• Rozmiar: 6B parametrów dla Z-Image Turbo w porównaniu z 7B dla Qwen-Image-2.1-Turbo. Oba są wystarczająco małe dla sprzętu konsumenckiego, a różnica nie jest tym, co zdecyduje o twoim wyniku.

• Licencja:Apache-2.0 dla Z-Image Turbo; umowa qwen-research dotycząca Qwen-Image-2.1-Turbo, która przyznaje prawa „WYŁĄCZNIE DO CELÓW NIEKOMERCYJNYCH” i wymaga osobno wnioskowanej licencji do użytku komercyjnego. To największa różnica między tymi dwoma modelami i jedyna, która jest binarna.

• Edycja: Qwen-Image-2.1-Turbo wykonuje generowanie obrazu z tekstu oraz edycję sterowaną instrukcjami po jednym pobraniu — jego karta demonstruje oba te zastosowania, korzystając z tego samego zapisanego harmonogramu. Z-Image Turbo to model generujący; edycja znajduje się w Z-Image-Edit, osobnym wariancie, który karta rodziny wciąż wymienia jako „do wydania”. Jeśli Twój pipeline potrzebuje dziś edycji opartych na instrukcjach, ta linia rozstrzyga sprawę.

• Renderowanie tekstu i język: karta Z-Image wymienia dwujęzyczne renderowanie tekstu w języku angielskim i chińskim jako główną zaletę Turbo. Karta Qwen-Image-2.1-Turbo nie zawiera równoważnego twierdzenia — jej prezentacja jest uporządkowana według kategorii wyników (portret, poza i ruch, przezroczysty RGBA, typografia i projektowanie plakatów, układ UI, transformacja pojedynczego obrazu, kompozycja z wieloma odniesieniami), a nie według języka.

• Pamięć i dojrzałość wdrożeniowa: karta Z-Image podaje, że Turbo „mieści się swobodnie w 16 GB VRAM na urządzeniach konsumenckich" i twierdzi, że wnioskowanie na sprzęcie klasy H800 trwa poniżej sekundy — to twierdzenia dostawcy, nieprzypisane do żadnej metody pomiaru. Karta Qwen-Image-2.1-Turbo nie publikuje żadnych danych na temat pamięci ani opóźnień. W ciągu czterech dni od jej pojawienia się niezależny port na macOS zmierzył ją na poziomie szczytowym od 1,8 do 2,7 GB bez żadnego swapu na M1 Pro z 16 GB, przy limicie wyjściowym 1024×1536; to liczba pochodząca od strony trzeciej, dotycząca implementacji strony trzeciej, a nie dane dostawcy.

Co obejmują tabele wyników i dwa wiersze, które nie istnieją

To tutaj porównanie jest najczęściej błędnie odczytywane, więc warto być precyzyjnym co do tego, do którego modelu należy każda liczba.

Na publicznej arenie text-to-image znajduje się wiersz dla Z-Image Turbo z wynikiem 941 Elo na podstawie około 9000 głosów oraz osobny wiersz dla Z-Image Base z wynikiem 877. Znajduje się tam wiersz dla Qwen-Image-2.1 z wynikiem 1038 Elo na podstawie około 5500 głosów, datowany na wrzesień 2026 i oznaczony jako niemający dostępnego API. Na tablicy edycyjnej również widnieje wiersz dla Qwen-Image-2.1.

Zauważ, czego brakuje. Na żadnej z tablic nie ma wiersza dla Qwen-Image-2.1-Turbo — ten checkpoint pochodzi z 9 października 2026 r. i nie został oceniony osobno. A na tablicy edycyjnej nie ma wiersza Z-Image Turbo, ponieważ Z-Image Turbo nie zajmuje się edycją. Zatem schludnie wyglądające porównanie „Qwen przy 1,034 versus Z-Image przy 941” nie jest porównaniem dwóch checkpointów, o których jest ten artykuł; to porównanie modelu, z którego destylowano Z-Image Turbo, z modelem, z którego w wyniku przyspieszenia powstał Qwen-Image-2.1-Turbo. Jakość Qwen-Image-2.1-Turbo w ośmiu krokach nie została publicznie zmierzona, podobnie jak to, jak duża część pozycji modelu bazowego przetrwa skrócony harmonogram.

Te liczby należy odczytywać jako górną granicę, z którą wiąże się zastrzeżenie: rodzina, z której wywodzi się Qwen-Image-2.1-Turbo, plasuje się około 97 punktów Elo powyżej rodziny, z której wywodzi się Z-Image Turbo, w rankingu text-to-image, a nikt nie opublikował informacji, czy checkpoint Turbo zachowuje tę różnicę.

Licencja nie jest w tym pojedynku przypisem

W przypadku dwóch modeli o tak zbliżonych możliwościach licencja często przesądza o wszystkim, a tutaj te dwa wcale nie są sobie bliskie.

Z-Image Turbo jest udostępniany na licencji Apache-2.0. To licencja permisywna: używaj go, modyfikuj, dystrybuuj, sprzedawaj to, co z nim zbudujesz, z zastrzeżeniem zwykłych warunków dotyczących uznania autorstwa i zachowania informacji o licencji.

Qwen-Image-2.1-Turbo dziedziczy Umowę licencyjną Qwen Research w niezmienionej formie po modelu bazowym. Wystarczy ją przeczytać, by przekonać się, że zdanie rozstrzygające nie jest niejednoznaczne — udzielane uprawnienie jest „WYŁĄCZNIE DO CELÓW NIEKOMERCYJNYCH”, a wykorzystanie komercyjne wymaga odrębnej licencji uzyskanej od dostawcy. Umowa zabrania również używania „Q​wen” jako głównej nazwy lub identyfikatora utworu zależnego, jednocześnie zezwalając na użycie opisowe, takie jak „dostrojony na podstawie Q​wen Image”.

Jeśli tworzysz prototyp, oceniasz lub prowadzisz badania, ta różnica nic cię nie kosztuje i możesz wybierać na podstawie możliwości. Jeśli budujesz coś, co zamierzasz sprzedawać lub komercyjnie eksploatować, jedno z tych dwóch jest użyteczne, a drugie wymaga rozmowy z Alibaba Cloud. To znacznie większy fakt niż 8-etapowy harmonogram.

Uruchamianie jednego lub drugiego i gdzie router staje się istotny

Oba z nich to pliki wag do pobrania, które hostujesz samodzielnie. Żaden z nich nie jest hostowanym punktem końcowym w OrcaRouter, a sugerowanie czegokolwiek innego byłoby nieuczciwe — modele obrazów, które kierujemy, należą do rodziny O​penAI GPT-Image. Powód, dla którego ten produkt w ogóle pojawia się w tej rozmowie, to to, co dzieje się w momencie, gdy za checkpointem takim jak którykolwiek z nich stanie hostowany dostawca.

W dniu, w którym to nastąpi, decyzja przestaje być pytaniem „który plik mam pobrać”, a staje się pytaniem „ile integracji z dostawcami utrzymuję”.Ponad 200 modeli za jednym punktem końcowym zgodnym z OpenAI, w cenie katalogowej dostawcy, bez żadnej marży, DSL routingu do wyrażania, którego modelu chcesz użyć w jakich warunkach, automatyczne przełączanie awaryjne, gdy dostawca zawodzi, oraz fuzja modeli do łączenia wyników. Otwarty checkpoint z 8 krokami i router nie są konkurencyjnymi odpowiedziami; jedno to plik na twoim dysku, a drugie to sposób, w jaki przestajesz się przejmować tym, który punkt końcowy kryje się za nazwą modelu.

Do tego czasu lokalna ścieżka jest całą ścieżką, a ograniczenia są tymi, które podają karty i licencje.

Który najpierw pobrać?

Najkrótsza szczera wersja decyzji:

• Wybierz Z-Image Turbo, jeśli chcesz wypuścić coś komercyjnego, jeśli potrzebujesz lepiej udokumentowanego przepisu na przyspieszenie z opublikowaną ścieżką treningową, jeśli renderowanie tekstu dwujęzycznego — chińskiego i angielskiego — jest rzeczywistym wymaganiem, albo jeśli celujesz w urządzenie z 16 GB i chcesz poznać deklarowany przez producenta zakres pamięci.

• Wybierz Qwen-Image-2.1-Turbo, jeśli potrzebujesz już dziś edycji sterowanej instrukcjami i generowania obrazów z tekstu z jednego checkpointu, zamiast czekać na osobny wariant edycyjny, jeśli Twoja praca ma charakter badawczy lub ewaluacyjny oraz jeśli wolisz rodowód silniejszego modelu bazowego i akceptujesz, że jego jakość po ośmiu krokach jest obecnie niezmierzona.

• Weź oba, jeśli wybierasz dla zespołu. Są wystarczająco małe, by stać obok siebie na tym samym dysku, oba są obsługiwane przez tę samą klasę lokalnego runnera, a jedyną rzeczą, której nie możesz zrobić, mając zainstalowane oba, jest komercyjne wydanie checkpointu Q​wen.

To, czego żaden z nich dzisiaj ci nie daje, to benchmark. Osiem kroków, 6B przeciwko 7B, Apache-2.0 przeciwko licencji badawczej — to wszystko fakty na karcie. Który z tych dwóch tworzy lepsze obrazy po ośmiu krokach odszumiania, to pytanie, na które żadne źródło pierwotne jeszcze nie odpowiedziało, a na razie uczciwą rzeczą jest uruchomić oba na własnych promptach, zamiast ufać wierszowi na leaderboardzie, który należy do innego checkpointu.

Właśnie przy takich porównaniach ujawniają się też tryby awarii: udokumentowane incydenty związane z AI i awarie agentów stojące za modelami z tej klasy zebrano w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, wagę, ocenę wiarygodności i flagę sporu.