Qwen-Image 2.1 vs Z-Image Turbo: kroki, licencje i do czego nadaje się każde z nich

Osiem kroków przeciw czterdziestu i licencja, która mówi „tak”, przeciw tej, która mówi „nie”. Qwen-Image 2.1 to model generowania i edycji obrazów tego dostawcy z otwartymi wagami, wydany 20 września 2026 na mocy umowy wyłącznie do celów badawczych, domyślnie odszumiający w 40 krokach. Z-Image Turbo to destylowany checkpoint organizacji Tongyi-MAI z tej samej rodziny korporacyjnej, wydany 26 listopada 2025, który wykonuje to samo zadanie w 8 krokach na licencji Apache-2.0. Dzieli je prawie jedenaście miesięcy, nowszy jest na papierze mniejszym plikiem do pobrania, a starszy to ten, który możesz umieścić w produkcie komercyjnym, nie pytając nikogo o zgodę. Ta odwrotność to całe porównanie.

Krótka odpowiedź, jeśli chcesz ją przed uzasadnieniem: wybierz Z-Image Turbo, gdy ograniczeniem jest szybkość na obraz, VRAM na sprzęcie konsumenckim lub permisywna licencja. Wybierz Qwen-Image 2.1, gdy musisz edytować istniejący obraz, chcesz natywnej przezroczystości lub chcesz wyższego wyniku w niezależnym rankingu. Nikt z mieszanym obciążeniem nie musi wybierać tylko jednego, a większość tej strony poświęcono dwóm powodom, dla których ludzie myślą, że muszą.

Po pierwsze, problem nazewnictwa

Dwie rzeczy w tym zestawieniu nazywane są turbo i nie są tym samym turbo. Qwen-Image 2.1 ma swój własny przyspieszony wariant — „wariant turbo Qwen-Image 2.1”, wydany 9 października 2026 r., współdzielący architekturę modelu bazowego i klasę pipeline, ale odszumiający w 8 krokach, z CFG domyślnie ustawionym na 1. To nie jest model, z którym porównuje się na tej stronie. Z-Image Turbo to osobny model z osobnej linii, stworzony przez grupę Tongyi-MAI, który destyluje inną bazę — checkpoint Z-Image, działający w 50 krokach.

Różnią się także tym, z czego zostały zdestylowane i w jaki sposób. Tongyi-MAI opisuje Z-Image Turbo jako zdestylowany za pomocą Decoupled-DMD plus etap, który nazywa DMDR, a który łączy DMD z uczeniem ze wzmocnieniem. Wariant turbo modelu Qwen-Image 2.1 jest przedstawiany przez swojego dostawcę jako zmiana punktu kontrolnego, a nie nowa architektura. Oba kończą na 8 krokach; żaden z nich nie jest tym drugim, a zdania napisanego o jednym nie należy odczytywać jako dotyczącego drugiego.

Jeśli porównujesz „najszybszy model Qwen-Image” z Z-Image Turbo, to nie ta strona — to porównanie dotyczy wariantu turbo modelu Qwen-Image 2.1, a ujęcie „dwóch checkpointów 8-krokowych” to inne pytanie, na które jest inna odpowiedź.

Co tak naprawdę dostarcza Z-Image Turbo

Weź to z materiałów samego dostawcy, a nie ze stron podsumowujących, ponieważ większość z nich podaje błędny rozmiar lub go pomija. Rodzina Z-Image jest udokumentowana jako mająca 6B parametrów, z jednostrumieniową konstrukcją diffusion-transformera, w której tokeny tekstowe, wizualne tokeny semantyczne i tokeny VAE obrazu są łączone w jedną sekwencję wejściową. Turbo jest destylowanym członkiem tej rodziny i działa przy 8 NFEs — kod referencyjny ustawia num_inference_steps=9 i zauważa, że daje to 8 przejść w przód przez transformer — z wyłączonym guidance.

Deklaracje wydajności producenta są następujące — i są to deklaracje producenta: opóźnienie wnioskowania poniżej sekundy na klasy enterprise GPU H800 oraz zmieszczenie się „z zapasem w 16 GB VRAM” na urządzeniach konsumenckich. Narzędzia społeczności donosiły od tego czasu o uruchamianiu go przy około 4 GB za pośrednictwem stable-diffusion.cpp, co jest wartością społeczności, a nie producenta. Rozdzielczość nie jest podana na karcie modelu jako zakres; udokumentowane przykłady generują w rozdzielczości 1024×1024. Karta wymienia także liczby adapterów, modeli dostrojonych i kwantyzacji wynoszące odpowiednio 879, 170 i 93 modele oraz około 100 Spaces — co jest miarą aktywności ekosystemu na platformie hostingowej, a nie miarą jakości.

Na niezależnej tablicy tekst-na-obraz Z-Image Turbo plasuje się na poziomie 941 Elo, przedział 95% od 933 do 949, na podstawie 8 991 próbek, miejsce 83 ze 168, po 5,00 USD za 1000 obrazów, z ustawionym znacznikiem otwartych wag i datą wiersza na grudzień 2025. Wszystkie liczby pochodzą z Artificial Analysis, zebrane na żywo w języku angielskim 13 października 2026.

Jedna uwaga historyczna, którą zawiera materiał dostawcy i którą warto odczytać poprawnie: 8 grudnia 2025 r. Artificial Analysis umieścił Z-Image Turbo na ósmym miejscu ogółem i na pierwszym wśród modeli open source. Było to prawdą w chwili, gdy to zapisano, i jest to twierdzenie opatrzone datą. Dziś już nie jest prawdziwe — w rankingu znajduje się teraz szesnaście wierszy modeli zamkniętych i otwartych powyżej niego. Przyczyna nie leży w tym, że Z-Image Turbo się pogorszył; leży w tym, że minęło dziesięć miesięcy.

Co Qwen-Image 2.1 faktycznie dostarcza

Zupełnie inny kształt. Qwen-Image 2.1 ma 7 mld parametrów w swoim komponencie generowania obrazu, rozłożonych na 32 jednoprzepływowe warstwy DiT, ze znacznie większym enkoderem tekstu — Qwen3-VL 8B — oraz 64-kanałowym VAE RGBA przy 16-krotnej kompresji przestrzennej. Właśnie w tym ostatnim elemencie tkwi źródło przezroczystości: jest ona generowana natywnie, a nie wycinana później. Domyślne próbkowanie to 40 kroków na bazowym checkpointcie, przy domyślnym rozmiarze 2048×2048, w siedmiu opublikowanych presetach od 1:1 do 9:16.

• Elastyczność danych wejściowych — sam prompt, prompt z jednym obrazem lub prompt z maksymalnie 10 obrazami referencyjnymi.

• Sterowanie edycją lokalną — rysowane okręgi, malowane adnotacje lub oddzielna maska przekazywana jako osobne wejście, dzięki czemu oryginalne zdjęcie pozostaje nieoznaczone.

• Przezroczystość w obu kierunkach — generuj RGBA, edytuj wewnątrz przezroczystej warstwy lub wyodrębnij obiekt ze zwykłego zdjęcia RGB jako warstwę RGBA.

• Rozmiar do pobrania — repozytorium Diffusers pod adresem Qwen/Qwen-Image-2.1 ma rozmiar 33,1 GB, z czego około 17,5 GB to enkoder tekstu. To praktyczny koszt posiadania modelu językowo-wizyjnego w stosie.

Na tej samej tablicy Qwen-Image 2.1 plasuje się na poziomie 1038 Elo, przedział od 1029 do 1047, na podstawie 5554 próbek, pozycja 20 na 168, ze znacznikiem otwartych wag i „Brak dostępnego API” w kolumnie ceny. Na tablicy edycji jest jedynym z tych dwóch, który w ogóle się pojawia: 1072 Elo, przedział od 1063 do 1081, na podstawie 6132 próbek, pozycja 21 na 81. Z-Image Turbo nie ma wiersza na tablicy edycji.

Te dwa wiersze — 1,038 przeciw 941, różnica dziewięćdziesięciu siedmiu punktów, z przedziałami, które się nie pokrywają — to najsilniejszy niezależny dowód w tym tekście, i nadal należy je czytać z zastrzeżeniem, że Elo jest tu wynikiem preferencji z głosowania w ciemno. Mówi to, którą odpowiedź preferował tłum, a nie który model jest szybszy, tańszy albo ma licencję pozwalającą Ci go używać.

Kroki to nie sekundy

Najczęstszym błędem przy czytaniu tego starcia jest traktowanie 8 kroków i 40 kroków jako pięciokrotnego stosunku prędkości. To nie są porównywalne jednostki w przypadku dwóch modeli. Liczba kroków to liczba uruchomień odszumiacza; czas trwania każdego z tych uruchomień zależy od rozmiaru transformera, rozdzielczości, precyzji, implementacji uwagi i sprzętu. Producent Z-Image Turbo publikuje wartość opóźnienia dla jednej rozdzielczości i jednej klasy GPU. Producent Qwen-Image 2.1 nie publikuje żadnej wartości opóźnienia.

To, co można uczciwie porównać, to kierunek i ograniczenia. Z-Image Turbo jest zbudowany tak, by działać przy 8 NFE na konsumenckiej pamięci VRAM, z deklarowanym przez producenta zapotrzebowaniem 16 GB i doniesieniami społeczności o jeszcze niższych wartościach. Bazowy checkpoint Qwen-Image 2.1 wykonuje 40 kroków, a do tego dochodzi pobranie 33 GB i enkoder Qwen3-VL 8B; jego własny wariant turbo istnieje właśnie dlatego, że 40 kroków to nie jest szybka konfiguracja. Jeśli koszt wnioskowania jest twoim wiążącym ograniczeniem, kierunek nie budzi wątpliwości, nawet jeśli sam stosunek już tak.

Istnieje też kompromis między jakością a liczbą kroków, którego nie kwantyfikuje żaden z dostawców. Destylowane checkpointy kilkukrokowe są trenowane, by aproksymować trajektorię wielu kroków, a to, gdzie ta aproksymacja jest najsłabsza — drobny tekst, gęste układy, małe powtarzalne detale — jest zależne od modelu i niepublikowane. Nie zakładaj, że ósmy krok modelu ośmiokrokowego jest równy czterdziestemu krokowi modelu czterdziestokrokowego; niezależne dowody z bezpośredniego porównania dla tej konkretnej pary nie istnieją przy dopasowanych ustawieniach, a ta strona nie będzie wymyślać rankingu, którego dowody nie uzasadniają.

Licencja jest miejscem, w którym zapada decyzja.

Z-Image Turbo jest objęty licencją Apache-2.0. To licencja tego repozytorium, podana wprost — bez żadnych bramek, bez rejestracji i bez warunku dotyczącego przychodów. Możesz go uruchamiać, modyfikować, dostrajać, redystrybuować utwory pochodne i wprowadzać do obrotu komercyjne wyniki bez kontaktu z Tongyi-MAI.

Qwen-Image 2.1 taki nie jest. Jego repozytorium zawiera licencja: inna z nazwą licencji qwen-research, a plik LICENSE to Umowa Licencyjna Qwen Research z 20 września 2026 r. W wersji odczytanej 13 października 2026 r. przyznaje ona niewyłączną, ogólnoświatową, bezpłatną licencję na używanie, powielanie, rozpowszechnianie i modyfikowanie materiałów wyłącznie do celów niekomercyjnych, definiując „Non-Commercial" jako cele badawcze lub ewaluacyjne i wymagając odrębnej licencji komercyjnej — o którą należy zwrócić się e-mailem — do wszelkich innych zastosowań. Redystrybucja wiąże się z dodatkowymi warunkami: przekazać umowę dalej, oznaczyć zmodyfikowane pliki, zachować informację wskazującą Hangzhou Tongyi Laboratory Technology Co., Ltd, wyświetlać „Built with Qwen", jeśli wyniki są wykorzystywane do trenowania innego rozpowszechnianego modelu, oraz nie używać nazwy „Qwen" jako głównej nazwy utworu pochodnego.

Warto przedstawić to jako fakt dotyczący całej rodziny, a nie jednorazowy przypadek, ponieważ oznacza to zmianę kierunku. Wcześniejsze checkpointy Qwen-Image — Qwen-Image, Qwen-Image-Edit oraz wydania -2509, -2511, -Layered i -2512 — są objęte licencją Apache-2.0 zgodnie z odczytem z 13 października 2026 r. Qwen-Image 2.1 jest wyłomem w tym wzorcu. Licencje już udzielone nie zmieniają się retroaktywnie, więc starsze checkpointy pozostają użyteczne na swoich pierwotnych warunkach, ale nikt nie powinien planować komercyjnego pipeline’u w oparciu o założenie, że najnowszy model Qwen-Image ma permisywną licencję.

To nadaje obu modelom kształt wynikający raczej z ich plików licencyjnych niż specyfikacji: Z-Image Turbo jest tym, który możesz dziś wypuścić bez żadnych rozmów, a Qwen-Image 2.1 tym, który wymaga negocjacji, na które możesz nie mieć ochoty.

W czym możesz uruchomić każdy z nich

Qwen-Image 2.1 został wydany z udokumentowanym wsparciem środowisk uruchomieniowych, zamiast zdobywać je później: Diffusers przez QwenImage21Pipeline, natywny ComfyUI z szablonowymi przepływami pracy, obsługa offline i online vLLM-Omni, SGLang poprzez sglang generate oraz LightX2V do akceleracji, z AMD ROCm i ścieżką FlagOS obejmującą osiem platform czipowych. Wraz z nim jako osobne pliki do pobrania opublikowano dwa checkpointy do przepisywania promptów.

Wsparcie dla Z-Image Turbo jest szersze pod jednym konkretnym względem: ponieważ jest mały, objęty licencją Apache-2.0 i ma prawie rok, zgromadził szeroki ekosystem kwantyzacji i pakowania — konwersje GGUF, warianty FP8 i SDNQ, kompilacje int4 oraz jednoplikowe przepakowania ComfyUI — co sprawia, że możliwe są ścieżki poniżej 16 GB i poniżej 8 GB. Model 6B z liberalną licencją zostaje sportowany; model 33 GB na licencji badawczej jest portowany wolniej i ostrożniej. Ten efekt drugiego rzędu łatwo przeoczyć w specyfikacji, a często to on decyduje o tym, co czytelnik może faktycznie zrobić w tym tygodniu.

Praca w obu, bez drugiego stosu

OrcaRouter nie kieruje ruchu do Qwen-Image 2.1 ani do Z-Image Turbo. Sprawdziliśmy naszą aktywną listę modeli 13 października 2026 r. i żaden z nich się na niej nie pojawia, więc nic poniżej nie stanowi twierdzenia, że je obsługujemy — trasy dla obu to samodzielne hostowanie lub własne hostowane punkty końcowe dostawcy.

Wzorzec, który je łączy, to ten, do którego zaprasza ta para: Z-Image Turbo jako tani pierwszy przebieg i mocniejszy model jako finalny render. To sensowny potok, a jego ukryty koszt ma charakter operacyjny — dwa stosy pobierania, dwa zestawy ustawień i druga integracja w momencie, gdy którekolwiek z nich się zmieni. OrcaRouter wystawia ponad 200 modeli za jednym punktem końcowym zgodnym z OpenAI, w cenie katalogowej dostawcy bez marży, z automatycznym przełączaniem awaryjnym między dostawcami, gdy któryś zacznie działać gorzej, dzięki czemu potok szkic–final może umieścić modele, które faktycznie wywołuje, za jednym kluczem i jednym klientem, a chwilowa awaria dostawcy staje się ponowną próbą, a nie zatrzymaną partią zadań. DSL routingu robi to samo dla samej kompozycji, pozwalając adresować kilka modeli jako jedno wywołanie, a nie jako kilka osobnych integracji.

Który, dla kogo

• Wypuszczasz produkt komercyjny — Z-Image Turbo. Apache-2.0, żadnych rozmów, żadnej pozycji przychodowej do sprawdzenia.

• Musisz edytować istniejący obraz, używać masek lub tworzyć przezroczyste zasoby — Qwen-Image 2.1. Udokumentowanym trybem Z-Image Turbo jest generowanie obrazu na podstawie podpowiedzi; w tej rodzinie nie ma modelu do edycji ani wejścia maski w udokumentowanej ścieżce.

• Twoim ograniczeniem jest VRAM lub koszt na obraz — Z-Image Turbo. Model 6B z dekadą pracy nad kwantyzacją za sobą, w porównaniu ze stosem 33 GB z 8B enkoderem wizyjno-językowym.

• Twoim ograniczeniem jest jakość wyników oceniana przez obcych — Qwen-Image 2.1, o około sto punktów Elo na tablicy, na której oba są sklasyfikowane, przy nienakładających się przedziałach.

• Prowadzisz badania, a nie produkcję — Qwen-Image 2.1 ma licencję dokładnie na to, a jego możliwości edycyjne są powodem, by zaakceptować koszt pobrania.

Fakt, który najczęściej rozstrzyga, w jednym zdaniu: Z-Image Turbo wygrywa, gdy odpowiedź musi zostać dostarczona lub musi działać na maszynie, którą czytelnik już posiada, a Qwen-Image 2.1 wygrywa, gdy zadanie dotyczy obrazu, który już istnieje.