Qwen-Image 2.1 vs Z-Image Turbo: Passos, Licenças e Onde Cada Um Se Encaixa

Oito passos contra quarenta, e uma licença que diz sim contra uma que diz não. Qwen-Image 2.1 é o modelo de geração e edição de imagens de pesos abertos do fornecedor, lançado em 20 de setembro de 2026 sob um acordo apenas para pesquisa, com denoising em 40 passos por padrão. Z-Image Turbo é o checkpoint destilado da organização Tongyi-MAI da mesma família corporativa, lançado em 26 de novembro de 2025, que faz o mesmo trabalho em 8 passos sob Apache-2.0. Quase onze meses os separam, o mais novo é o download menor no papel, e o mais antigo é o que você pode colocar em um produto comercial sem perguntar a ninguém. Essa inversão é toda a comparação.

A resposta curta, caso você a queira antes do raciocínio: escolha o Z-Image Turbo quando velocidade por imagem, VRAM em hardware de consumidor ou uma licença permissiva for a restrição. Escolha o Qwen-Image 2.1 quando você precisar editar uma imagem existente, quiser transparência nativa ou quiser a pontuação mais alta no ranking independente. Ninguém com uma carga de trabalho mista precisa escolher apenas um, e a maior parte desta página é dedicada às duas razões pelas quais as pessoas pensam que precisam.

Primeiro, o problema da nomenclatura

Duas coisas nesta comparação são chamadas de turbo e não são o mesmo turbo. O Qwen-Image 2.1 tem sua própria variante acelerada — “a variante turbo do Qwen-Image 2.1”, lançada em 9 de outubro de 2026, que compartilha a arquitetura e a classe de pipeline do modelo base, mas faz a remoção de ruído em 8 etapas com CFG definido como 1 por padrão. Esse não é o modelo com o qual esta página está fazendo a comparação. O Z-Image Turbo é um modelo separado de uma linha separada, criado pelo grupo Tongyi-MAI, e destila uma base diferente — o checkpoint Z-Image, que é executado em 50 etapas.

Eles também diferem no que foi usado como base para a destilação e na maneira como ela foi feita. A Tongyi-MAI descreve o Z-Image Turbo como destilado com Decoupled-DMD, além de um estágio que chama de DMDR, que funde o DMD com aprendizado por reforço. A variante turbo do Qwen-Image 2.1 é apresentada por seu fornecedor como uma mudança de checkpoint, e não como uma nova arquitetura. Ambos chegam a 8 passos; nenhum é o outro, e uma frase escrita sobre um não deve ser lida como se abrangesse o outro.

Se você está comparando "o modelo Qwen-Image mais rápido" com o Z-Image Turbo, esta é a página errada — essa comparação é com a variante turbo do Qwen-Image 2.1, e o enquadramento dos dois checkpoints de 8 passos é uma pergunta diferente, com uma resposta diferente.

O que o Z-Image Turbo realmente entrega

Retire isso do próprio material do fornecedor, e não dos sites de resumo, porque a maioria deles erra o tamanho ou o omite. A família Z-Image está documentada com 6B parâmetros, com um design de diffusion transformer de fluxo único, no qual tokens de texto, tokens semânticos visuais e tokens VAE de imagem são concatenados em uma única sequência de entrada. O Turbo é o membro destilado dessa família e opera com 8 NFEs — o código de referência define num_inference_steps=9 e observa que isso produz 8 passagens diretas pelo transformer — com o guidance desativado.

As alegações de desempenho do fornecedor são estas, e são alegações do fornecedor: latência de inferência inferior a um segundo em GPUs H800 de classe empresarial, e um encaixe que "cabe confortavelmente em 16G de VRAM" em dispositivos de consumo. Ferramentas da comunidade relataram desde então executá-lo com cerca de 4GB por meio do stable-diffusion.cpp, o que é um número da comunidade e não do fornecedor. A resolução não é publicada como um intervalo na ficha do modelo; os exemplos documentados geram em 1024×1024. A ficha também lista contagens de adaptadores, finetunes e quantizações de 879, 170 e 93 modelos, além de cerca de 100 Spaces — uma medida da atividade do ecossistema na plataforma de hospedagem, não da qualidade.

No quadro independente de texto para imagem, o Z-Image Turbo está em 941 Elo, intervalo de 95% de 933 a 949, de 8.991 amostras, posição 83 de 168, a US$ 5,00 por 1.000 imagens, com o conjunto de marcadores de pesos abertos e o quadro datando a linha como dezembro de 2025. Todos os números da Artificial Analysis, capturados ao vivo em inglês em 13 de outubro de 2026.

Uma nota histórica que o material do fornecedor traz e que vale a pena ler corretamente: em 8 de dezembro de 2025, o Artificial Analysis colocou o Z-Image Turbo em oitavo lugar geral e em primeiro entre os modelos de código aberto. Isso era verdade quando foi escrito e é uma afirmação datada. Não é verdade hoje — o ranking agora tem dezesseis linhas de modelos fechados e abertos acima dele. A razão não é que o Z-Image Turbo tenha piorado; é que dez meses se passaram.

O que o Qwen-Image 2.1 realmente entrega

Formato completamente diferente. O Qwen-Image 2.1 tem 7B de parâmetros no seu componente de geração visual, distribuídos por 32 camadas DiT de fluxo único, com um codificador de texto muito maior — o Qwen3-VL 8B — e um VAE RGBA de 64 canais com compressão espacial de 16×. É nesta última parte que reside a transparência: ela é gerada nativamente, em vez de recortada posteriormente. A amostragem padrão é de 40 passos no checkpoint base, com 2048×2048 por padrão, em sete predefinições publicadas, de 1:1 a 9:16.

• Flexibilidade de entrada — apenas um prompt, um prompt com uma imagem ou um prompt com até 10 imagens de referência.

• Controle de edição local — círculos desenhados, anotações pintadas ou uma máscara separada passada como entrada própria para que a fotografia original permaneça sem marcações.

• Transparência em ambas as direções — gere RGBA, edite dentro de uma camada transparente ou extraia um assunto de uma fotografia RGB comum como uma camada RGBA.

• Tamanho do download — o repositório Diffusers em Qwen/Qwen-Image-2.1 ocupa 33,1 GB, dos quais cerca de 17,5 GB correspondem ao codificador de texto. Esse é o custo prático de ter um modelo de visão-linguagem na pilha.

No mesmo quadro, Qwen-Image 2.1 fica em 1.038 Elo, intervalo 1.029 a 1.047, de 5.554 amostras, classificação 20 de 168, com o marcador de pesos abertos ativado e "Nenhuma API disponível" na coluna de preço. No quadro de edição, é o único dos dois que aparece: 1.072 Elo, intervalo 1.063 a 1.081, de 6.132 amostras, classificação 21 de 81. Z-Image Turbo não tem linha no quadro de edição.

Essas duas linhas — 1.038 contra 941, uma diferença de noventa e sete pontos com intervalos que não se sobrepõem — são a evidência independente mais forte neste texto, e ainda devem ser lidas com a ressalva de que o Elo aqui é uma pontuação de preferência por votação às cegas. Ela diz qual resultado o público preferiu, não qual modelo é mais rápido, mais barato ou licenciado para o seu uso.

Passos não são segundos

O erro mais comum ao interpretar esta comparação é tratar 8 etapas e 40 etapas como uma proporção de velocidade de cinco vezes. Não são unidades comparáveis entre dois modelos. A contagem de etapas é o número de vezes que o denoiser é executado; quanto tempo cada uma dessas execuções leva depende do tamanho do transformer, da resolução, da precisão, da implementação de atenção e do hardware. O fornecedor do Z-Image Turbo publica um valor de latência em uma resolução e em uma classe de GPU. O fornecedor do Qwen-Image 2.1 não publica nenhum valor de latência.

O que pode ser comparado honestamente são a direção e as restrições. O Z-Image Turbo foi feito para rodar com 8 NFEs em VRAM de consumidor, com um envelope de 16 GB declarado pelo fornecedor e relatos da comunidade abaixo disso. O checkpoint base do Qwen-Image 2.1 roda 40 passos além de um download de 33 GB e de um codificador Qwen3-VL 8B; sua própria variante turbo existe justamente porque 40 passos não é uma configuração rápida. Se o custo de inferência for sua restrição determinante, a direção não está em dúvida, mesmo que a proporção esteja.

Há também um compromisso entre qualidade e número de passos que nenhum dos fornecedores quantifica. Checkpoints destilados de poucos passos são treinados para aproximar uma trajetória de muitos passos, e onde essa aproximação é mais fraca — texto fino, layouts densos, pequenos detalhes repetidos — é específico de cada modelo e não é divulgado. Não presuma que o oitavo passo do modelo de oito passos seja igual ao quadragésimo passo de um modelo de quarenta passos; não existe evidência independente lado a lado para este par específico em configurações equivalentes, e esta página não vai inventar uma classificação que a evidência não sustenta.

É na licença que a decisão é tomada

O Z-Image Turbo é Apache-2.0. Essa é a licença do repositório, declarada sem rodeios, sem barreiras, sem registro e sem condição de receita. Você pode executá-lo, modificá-lo, fazer ajuste fino nele, redistribuir derivados e distribuir resultados comerciais a partir dele sem contatar a Tongyi-MAI.

O Qwen-Image 2.1 não é isso. Seu repositório traz licença: outra com o nome da licença qwen-research, e o arquivo LICENSE é o Contrato de Licença Qwen Research, datado de 20 de setembro de 2026. Lido em 13 de outubro de 2026, ele concede uma licença não exclusiva, mundial e isenta de royalties para usar, reproduzir, distribuir e modificar os materiais apenas para fins não comerciais, definindo "Não Comercial" como fins de pesquisa ou avaliação, e exigindo uma licença comercial separada — solicitada por e-mail — para qualquer outra finalidade. A redistribuição traz outras condições: repassar o contrato, marcar os arquivos modificados, manter o aviso nomeando Hangzhou Tongyi Laboratory Technology Co., Ltd, exibir "Built with Qwen" se as saídas forem usadas para treinar outro modelo distribuído, e não usar "Qwen" como nome principal de uma obra derivada.

Vale a pena declarar isto como um fato da família de modelos, e não como um caso isolado, porque é uma mudança de direção. Os checkpoints anteriores do Qwen-Image — Qwen-Image, Qwen-Image-Edit, os lançamentos -2509, -2511, -Layered e -2512 — são todos Apache-2.0, conforme lido em 13 de outubro de 2026. O Qwen-Image 2.1 é a quebra desse padrão. As licenças já concedidas não mudam retroativamente, então os checkpoints mais antigos continuam utilizáveis nos seus termos originais, mas ninguém deveria planejar um pipeline comercial partindo do pressuposto de que o modelo Qwen-Image mais recente é permissivo.

Isso dá aos dois modelos a mesma forma que seus arquivos de licença, em vez de suas fichas técnicas: o Z-Image Turbo é aquele que você pode lançar hoje sem nenhuma conversa, e o Qwen-Image 2.1 é aquele que exige uma negociação que talvez você não queira ter.

Em que você pode executar cada um

O Qwen-Image 2.1 foi lançado com suporte de runtime documentado em vez de adquiri-lo depois: Diffusers através de QwenImage21Pipeline, ComfyUI nativo com fluxos de trabalho de template, serviço offline e online do vLLM-Omni, SGLang via sglang generate, e LightX2V para aceleração, com AMD ROCm e um caminho FlagOS abrangendo oito plataformas de chip. Dois checkpoints de reescrita de prompt são publicados junto com ele como downloads separados.

O suporte do Z-Image Turbo é mais amplo em um aspecto específico: por ser pequeno, ter licença Apache-2.0 e ter quase um ano de idade, ele acumulou um amplo ecossistema de quantização e empacotamento — conversões para GGUF, variantes FP8 e SDNQ, builds int4 e reempacotamentos em arquivo único para o ComfyUI — e é isso que torna possíveis os caminhos abaixo de 16 GB e abaixo de 8 GB. Um modelo 6B com licença permissiva é portado; um de 33 GB licenciado para pesquisa é portado de forma mais lenta e mais cuidadosa. Esse efeito de segunda ordem é fácil de passar despercebido em uma ficha técnica e, muitas vezes, é o que decide o que um leitor consegue de fato fazer nesta semana.

Trabalhando em ambos, sem uma segunda pilha

O OrcaRouter não roteia o Qwen-Image 2.1 e não roteia o Z-Image Turbo. Verificamos nossa lista atual de modelos em 13 de outubro de 2026 e nenhum dos dois aparece, então nada do que segue abaixo é uma afirmação de que os servimos — as rotas para ambos são auto-hospedagem ou os endpoints hospedados do próprio fornecedor.

O padrão que os une é aquele que este par convida: Z-Image Turbo como a primeira passagem barata e um modelo mais forte como a renderização final. Esse é um pipeline sensato, e seu custo oculto é operacional — duas pilhas de download, dois conjuntos de configurações e uma segunda integração no momento em que qualquer um dos dois mudar. O OrcaRouter coloca mais de 200 modelos atrás de um único endpoint compatível com OpenAI ao preço de lista do provedor, sem markup, com failover automático entre provedores quando um deles degrada, de modo que um pipeline de rascunho-e-final pode colocar os modelos que ele de fato chama atrás de uma única chave e um único cliente, e um soluço do provedor se torna uma nova tentativa em vez de um lote travado. A DSL de roteamento faz o mesmo trabalho para a própria composição, permitindo que vários modelos sejam endereçados como uma única chamada em vez de como várias integrações.

Qual deles, para quem

• Você está lançando um produto comercial — Z-Image Turbo. Apache-2.0, sem conversa, sem linha de receita para verificar.

• Você precisa editar uma imagem existente, usar máscaras ou produzir ativos transparentes — Qwen-Image 2.1. O modo documentado do Z-Image Turbo é prompt-to-image; não há checkpoint de edição nessa família nem entrada de máscara no caminho documentado.

• A sua restrição é a VRAM ou o custo por imagem — Z-Image Turbo. Um modelo de 6B com uma década de trabalho de quantização por trás, contra uma pilha de 33 GB com um codificador de visão-linguagem de 8B.

• Sua limitação é a qualidade do resultado avaliada por estranhos — Qwen-Image 2.1, por cerca de cem pontos de Elo no ranking onde ambos figuram, com intervalos que não se sobrepõem.

• Você está fazendo pesquisa, não produção — o Qwen-Image 2.1 tem licença exatamente para isso, e sua superfície de edição é o motivo para aceitar o custo do download.

O fato que decide isso com mais frequência, em uma frase: o Z-Image Turbo vence sempre que a resposta precisa ser entregue ou precisa rodar na máquina que o leitor já tem, e o Qwen-Image 2.1 vence sempre que a tarefa envolve uma imagem que já existe.