Qwen-Image-2.1-Turbo: O que é o checkpoint de 8 passos e como ele difere do Qwen-Image-2.1

Qwen-Image-2.1-Turbo é um checkpoint acelerado de Qwen-Image-2.1: o mesmo backbone de geração visual de 7B, as mesmas duas tarefas — geração de texto para imagem e edição de imagens guiada por instruções — e oito etapas de remoção de ruído, enquanto os próprios exemplos do checkpoint base usam quarenta. Não é uma nova arquitetura nem uma nova família de modelos, e não há um segundo modelo dentro do arquivo. O checkpoint foi publicado no Hugging Face em 9 de outubro de 2026, data registrada tanto pelo carimbo de criação do repositório quanto por uma linha na própria lista de novidades do projeto Qwen-Image; tudo abaixo é a descrição permanente do modelo, restabelecida em 13 de outubro de 2026 a partir do próprio material do fornecedor, e não do resumo de terceiros sobre ele.

Se você digitou o nome do modelo para descobrir o que ele é, a resposta curta é o parágrafo anterior. A resposta útil é o contraste.

A variante Turbo, uma dimensão de cada vez.

Cada linha abaixo tem como fonte o próprio repositório do checkpoint — a ficha do modelo, o model_index.json, o transformer/config.json e o LICENSE — ou do repositório do projeto Qwen-Image no GitHub, consultado hoje. Quando o fornecedor não publica nada, isso é declarado em vez de ser preenchido.

• Contagem de etapas — 8 etapas de remoção de ruído para o Qwen-Image-2.1-Turbo, contra 40 para o Qwen-Image-2.1. O 40 é o número do próprio fornecedor, usado em todos os exemplos do Qwen-Image-2.1 em seu card e listado como padrão na tabela de parâmetros do projeto no GitHub.

• Velocidade — a contagem de passos é a única alegação de velocidade que o Qw​en faz, e é uma contagem, não uma medição. Não aparece nenhum número de latência, throughput ou imagens por GPU para nenhum dos checkpoints, e nenhum dos cards informa em qual hardware seus exemplos foram gerados.

• Trade-off de qualidade — não quantificado. Não há pontuação de avaliação para o Qwen-Image-2.1-Turbo, nenhuma para o Qwen-Image-2.1, e nenhuma comparação direta entre os dois em nenhum lugar do material do fornecedor. As imagens de demonstração no card do Turbo são saídas de oito etapas selecionadas pelo fornecedor; elas demonstram que o checkpoint gera imagens, não quanta fidelidade foi sacrificada para chegar a oito etapas. Nenhum benchmark de terceiros de qualquer um dos checkpoints estava disponível para nós no momento da redação.

• Onde fica o cronograma de amostragem — esta é a única diferença estrutural que os cards revelam. O model_index.json do Turbo carrega um array sample_sigmas de oito valores, variando de 1.0 até 0.414568, e o card afirma que o cronograma é salvo com o checkpoint e carregado automaticamente — "definir num_inference_steps sozinho não o substitui." O Qwen-Image-2.1 usa a contagem de passos no momento da chamada. A válvula de escape é um argumento explícito sigmas no momento da chamada, e o card observa que outros cronogramas "não foram avaliados para este checkpoint."

• Backbone — idêntico. O transformer/config.json do Turbo corresponde ao checkpoint base campo a campo: 32 camadas, 32 cabeças de atenção com 128 dimensões cada, tamanho de patch 1, 64 canais de entrada e saída, causal_condition true, dimensão de entrada do contexto 4096. O único valor que difere entre os dois arquivos é a versão do Diffusers registrada.

• Codificador de texto, VAE e agendador — o do Turbomodel_index.json nomeia Qwen3VLForConditionalGeneration como o codificador de texto com um Qwen3VLProcessor, um AutoencoderKLQwenImage21 VAE e um FlowMatchEulerDiscreteScheduler. Essas são as mesmas classes de componentes que o Qwen-Image-2.1 declara. As notas de arquitetura do projeto descrevem o codificador de texto compartilhado como um modelo de visão e linguagem Qwen3-VL 8B e o VAE como um autoencoder RGBA de 64 canais com compressão espacial de 16×.

• Padrão de orientação — o cartão do Turbo indica CFG 1 por padrão, o que remove a passagem de orientação livre de classificador de cada etapa. O cartão do modelo base não indica nenhum padrão de orientação.

• Predefinições de resolução —as mesmas sete em ambas, retiradas na íntegra do cartão Turbo: 1:1 em 2048 × 2048, 4:3 em 2400 × 1792, 3:4 em 1792 × 2400, 3:2 em 2528 × 1696, 2:3 em 1696 × 2528, 16:9 em 2752 × 1536 e 9:16 em 1536 × 2752.

• Pegada em disco —a própria listagem de arquivos do repositório Turbo totaliza aproximadamente 32,5 GB, contando com um transformador de 14,2 GB, um codificador de texto de 17,5 GB e um VAE de 0,7 GB, conforme medido a partir dos tamanhos de arquivo publicados no repositório hoje. Esse é o conjunto de componentes do checkpoint base em precisão bfloat16, e o fornecedor não distribui nenhuma versão quantizada própria.

O que Qwen realmente diz sobre o trade-off entre velocidade e fidelidade

A alegação do fornecedor é mais restrita do que a manchete sugere, e vale a pena lê-la nas próprias palavras do card. O Qwen-Image-2.1-Turbo é descrito como "um checkpoint acelerado do Qwen-Image-2.1 para geração de imagem a partir de texto e edição de imagem com 8 etapas de denoising", um que "usa a mesma arquitetura de geração visual de 7B e carrega diretamente com QwenImage21Pipeline". O enquadramento do benefício pelo card é procedimental, não visual: o checkpoint "inclui seu cronograma de amostragem recomendado, então está pronto para uso sem configurar manualmente o agendador".

Três mecanismos são nomeados, e apenas três. O próprio cronograma de oito etapas. CFG 1 por padrão, que dispensa a passagem de orientação. E o cache KV de prefixo, que "reutiliza o contexto de texto e de imagem de referência ao longo das etapas de remoção de ruído" — um mecanismo que o modelo Base também documenta, e que importa mais, não menos, quando o loop tem apenas oito iterações.

Agora, a parte que não está lá. O card nunca diz que o checkpoint Turbo corresponde à qualidade de saída do Qwen-Image-2.1. Nunca diz quanto de qualidade foi trocado, nem quais categorias degradam primeiro — textura, textos pequenos, rostos, consistência entre múltiplas referências. Nunca usa a palavra destilação, e nada no repositório afirma uma relação professor-aluno. O que os metadados de fato dizem é derivativo: as tags do Hugging Face trazem base_model:Qwen/Qwen-Image-2.1 e base_model:finetune:Qwen/Qwen-Image-2.1, e o registro do modelo no ModelScope lista o mesmo pai com a relação "finetune". A posição do próprio Qwen, em outras palavras, é fine-tune do checkpoint base, e a questão da qualidade fica para quem quer que o execute.

Isso não é tanto uma crítica quanto a forma do lançamento. Um fornecedor que lança um checkpoint acelerado sem um benchmark está convidando exatamente a comparação que um leitor agora precisa fazer por conta própria: mesmo prompt, mesma seed, ambos os checkpoints, quarenta passos contra oito.

Entradas, saídas e o tamanho real da coisa

O cartão documenta duas modalidades de entrada e uma modalidade de saída, e são as do modelo base, inalteradas.

• Texto na entrada, imagem na saída — um prompt de texto produz uma imagem raster. O exemplo prático do cartão é um pôster em orientação retrato com 1696 × 2528, e a demonstração percorre fotografia de retrato, tipografia e design de pôsteres, além de UI e layout de informações, o que representa a alegação do Qwen sobre fidelidade de renderização de texto e layout, e não uma medição dela.

• Imagem de entrada, imagem de saída — o mesmo pipeline aceita uma imagem de entrada junto com o prompt para edição guiada por instrução. O exemplo do card converte um esboço de iate em uma fotografia fotorrealista a 2048 × 2048 e carrega a entrada como RGBA. A vitrine também demonstra composição com múltiplas referências e uma composição de interior com quatro imagens. Um número com o qual é preciso ter cuidado aqui: a cifra "até 10 imagens de referência" pertence à documentação do Qwen-Image-2.1, e o card do Turbo não repete um limite de imagens de referência. Trate 10 como a cifra publicada do modelo base, não como uma especificação do Turbo.

• Transparência — o cartão lista a geração de imagens transparentes entre as categorias de destaque, e a classe VAE fornecida é o mesmo autoencoder RGBA de 64 canais que o modelo base usa, portanto, a saída alfa está documentada para este checkpoint em vez de meramente herdada pelo nome.

• Resolução de saída — as mesmas sete predefinições listadas acima, até 2752 × 1536 na horizontal e 1536 × 2752 na vertical, com 2048 × 2048 como o nível predefinido. O projeto descreve o Qwen-Image-2.1 como tendo suporte nativo para resolução 2K; nada em nenhum dos dois repositórios afirma um nível nativo acima disso, e nada documenta uma etapa de upscaling.

• Tamanho do modelo — 7B de parâmetros no componente de geração visual em 32 camadas DiT de fluxo único, em bfloat16, cerca de 32,5 GB em disco para o repositório completo. Não há janela de contexto de texto para citar, porque este não é um modelo de texto; a entrada de contexto de 4096 dimensões na configuração do transformer é a representação codificada do prompt e da imagem de condição, não uma janela de tokens.

Licença, e onde estão os pesos

O Qwen-Image-2.1-Turbo é distribuído sob o Contrato de Licença de Pesquisa Qwen. Os metadados do repositório trazem license: other com license_name: qwen-research e license_link: LICENSE, e um arquivo LICENSE fica no repositório junto com os pesos. Comparamos os dois arquivos de licença hoje: o LICENSE do repositório Turbo é idêntico byte a byte ao do modelo base, o que vale a pena saber porque significa que a aceleração não trouxe nenhuma mudança nos termos.

O que o acordo diz, lido do próprio arquivo: a concessão é "APENAS PARA FINS NÃO COMERCIAIS", "Não Comercial" é definido como "apenas para fins de pesquisa ou avaliação", e o uso comercial exige "uma licença comercial separada nossa", solicitada em model-business@notice.qwencloud.com. O próprio cabeçalho do acordo data a versão como 20 de setembro de 2026. Se o motivo pelo qual você quer geração em oito etapas é que isso torna o modelo barato o suficiente para colocá-lo por trás de um produto, a licença é a restrição vinculante aqui, não a contagem de etapas, e nenhuma página neste repositório resolve isso.

Os pesos podem ser baixados em dois lugares, ambos de primeira parte: Hugging Face em Qwen/Qwen-Image-2.1-Turbo e ModelScope em Qwen/Qwen-Image-2.1-Turbo. O repositório do Hugging Face não é restrito. Seus metadados não listam nenhum provedor de inferência hospedado, então não há endpoint de terceiros que executará este checkpoint exato para você hoje, pelo que a própria listagem do fornecedor mostra.

Para uma opção hospedada, há a da própria Qwen: a lista de notícias do projeto registra que as APIs Qwen-Image-2.1 Pro e Turbo entraram no ar no Alibaba Cloud Model Studio em 9 de outubro de 2026, e o README do GitHub oferece "as APIs hospedadas, ou executar o checkpoint Turbo em seu próprio ambiente com o Diffusers". O preço por imagem do endpoint Turbo não é informado na página de referência da API do fornecedor que consultamos, que aponta, em vez disso, para uma página separada de preços de modelos — portanto, considere o preço como não publicado no material que conseguimos verificar, e consulte a página de preços do fornecedor antes de planejar com base nele.

Ajuste fino: o que está documentado e o que é apenas da comunidade

A resposta honesta é que o card do Turbo não documenta nenhum tipo de fine-tuning. Ele aborda instalação, texto para imagem, edição de imagem, amostragem e proporções de aspecto, e para por aí. Não há seção de treinamento, nem instruções de LoRA, nem orientação sobre adapters, nem notas sobre datasets, nem script de treinamento em nenhum lugar do repositório do projeto Qwen-Image — verificamos sua árvore de arquivos, que contém apenas assets e dois arquivos de dados de reescrita de prompt.

O modelo base sai-se um pouco melhor e é a documentação de um modelo diferente: o material do Qwen-Image-2.1 registra o treinamento de LoRA via ModelScope, construído sobre o framework de código aberto DiffSynth-Studio. Essa afirmação é sobre o Qwen-Image-2.1, e nada no card do Turbo a estende ao checkpoint acelerado.

O que existe para o Turbo é trabalho da comunidade. Até hoje, 47 repositórios no Hugging Face declaram Qwen/Qwen-Image-2.1-Turbo como seu modelo base, e quase todos eles são portes de quantização — builds GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO. Exatamente um é um adaptador LoRA, um adaptador de troca de personagem publicado em 10 de outubro de 2026. Nada disso é suporte do fornecedor, nada disso é validado pela Qwen, e um adaptador treinado com base na trajetória de quarenta passos do checkpoint base não é automaticamente correto em relação a um cronograma salvo de oito passos. Se você chegou aqui procurando um fluxo de trabalho de LoRA para o Turbo, a resposta precisa é que o fornecedor não publicou nenhum.

Como executá-lo e como chamá-lo

A auto-hospedagem é um trabalho normal do Diffusers com uma particularidade crítica. A instalação indicada no card é uma build do PyTorch compatível com CUDA, Diffusers a partir do código-fonte (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate e pillow. A particularidade crítica é que este checkpoint exige uma build do Diffusers com suporte a sigmas de amostragem configurados no pipeline, adicionado no PR #14950 — que, no momento em que escrevo, está na árvore do código-fonte e não em uma versão com tag, e é por isso que o card não diz para instalar um número de versão.

A load line é a classe de pipeline do modelo base com o nome do checkpoint trocado: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). A geração é, então, uma chamada com um prompt, uma largura e uma altura da lista de predefinições, use_kv_cache=True, e uma seed de generator; o exemplo de texto para imagem do card usa 1696 × 2528 com a seed 42, e o exemplo de edição dele passa uma imagem RGBA como o argumento image em 2048 × 2048 com a seed 20261009. Não passe num_inference_steps esperando que isso faça alguma coisa.

Uma lacuna para se planejar: o card do Turbo não publica nenhuma orientação de memória. O card do modelo base tem uma seção de otimização de memória mostrando pipe.enable_model_cpu_offload(); o card do Turbo simplesmente termina. Com um codificador de texto de 17,5 GB no repositório, esse é o número a considerar no orçamento, e o card não diz em qual GPU ele cabe.

Chamá-lo em vez de executá-lo significa a própria API Turbo hospedada pela Qw​en no Aliba​ba Cloud Model Studio. Não há preço por imagem publicado que pudéssemos verificar na página de referência da API do fornecedor, nem limite de taxa publicado que pudéssemos verificar — portanto, um leitor que planeja volume tem dois números para buscar junto ao fornecedor antes de se comprometer.

Onde o OrcaRouter se situa, dito de forma clara

O OrcaRouter não roteia o Qwen-Image-2.1-Turbo nem roteia o Qwen-Image-2.1 — nenhum dos dois identificadores aparece na nossa lista de modelos ativa, que verificamos hoje, e nada nesta página deve ser interpretado como uma oferta de disponibilizar qualquer um deles. A linha de imagens que oferecemos é a hospedada: a família GPT-Image da Open​AI, os níveis do Imagen 4 do Goog​le e o endpoint de imagens Grok Imagine da x​AI.

Essa distinção é a que importa na prática para este checkpoint. O OrcaRouter coloca mais de 200 modelos atrás de um único endpoint compatível com OpenAI pelo preço de tabela do provedor, sem markup, e ele adiciona failover automático quando um provedor apresenta degradação — o que você quer quando está chamando um modelo de imagem hospedado em produção, e irrelevante quando o modelo em questão é um download licenciado para pesquisa de 32,5 GB. Se o seu plano é executar o Qwen-Image-2.1-Turbo por conta própria, a camada de roteamento não é a restrição; o Qwen Research License Agreement é.

Então, a decisão divide-se de forma clara. Oito passos, um cronograma salvo, uma licença de pesquisa idêntica byte a byte e nenhum benchmark significam que o checkpoint é uma ferramenta de pesquisa e prototipagem até que a Qwen publique uma avaliação ou você execute a sua. Se você precisar de um endpoint de imagem em produção esta semana, isso é outra compra, e é a que vendemos.