Qwen-Image-2.1-Turbo: Vad 8-stegs-checkpointen är och hur den skiljer sig från Qwen-Image-2.1

Qwen-Image-2.1-Turbo är en accelererad checkpoint av Qwen-Image-2.1: samma 7B-stomme för visuell generering, samma två uppgifter – text-till-bild-generering och instruktionsstyrd bildredigering – och åtta avbrusningssteg där bascheckpointens egna exempel använder fyrtio. Det är inte en ny arkitektur och inte en ny modellfamilj, och det finns ingen andra modell inuti filen. Checkpointen lades upp på Hugging Face den 9 oktober 2026, ett datum som bärs både av repots skapelsetidsstämpel och av en rad i Qwen-Image-projektets egen nyhetslista; allt nedan är den stående beskrivningen av modellen, återupprättad den 13 oktober 2026 från leverantörens eget material snarare än från någons sammanfattning av den.

Om du skrev in modellens namn för att få reda på vad den är, är det korta svaret föregående stycke. Det användbara svaret är kontrasten.

Turbo-varianten, en dimension i taget

Varje rad nedan är hämtad från checkpointens eget arkiv — modellkortet, model_index.json, transformer/config.json och LICENSE — eller från Qwen-Image-projektets arkiv på GitHub, läst idag. Där leverantören inte publicerar något anges det i stället för att fyllas i.

• Antal steg – 8 avbrusningssteg för Qwen-Image-2.1-Turbo, mot 40 för Qwen-Image-2.1. Siffran 40 är tillverkarens egen uppgift, som används i varje Qwen-Image-2.1-exempel på dess modellkort och anges som standard i projektets parametertabell på GitHub.

• Hastighet — antalet steg är det enda hastighetspåståendet Qw​en gör, och det är en räkning snarare än en mätning. Ingen siffra för latens, genomströmning eller bilder per GPU anges för någon av checkpointarna, och inget av korten anger vilken hårdvara deras exempel genererades på.

• Kvalitetsavvägning — inte kvantifierad. Det finns ingen utvärderingspoäng för Qwen-Image-2.1-Turbo, ingen för Qwen-Image-2.1 och ingen direkt jämförelse mellan de två någonstans i leverantörens material. Demonstrationsbilderna på Turbo-kortet är åttastegsutdata som valts ut av leverantören; de visar att checkpointen producerar bilder, inte hur mycket trohet som gavs upp för att nå åtta steg. Vi hade inte tillgång till något tredjepartsbenchmark för någon av checkpointarna när detta skrevs.

• Var samplingsschemat finns — detta är den enda strukturella skillnaden som korten avslöjar. Turbos model_index.json innehåller en sample_sigmas med åtta värden, från 1.0 ned till 0.414568, och kortet anger att schemat sparas med checkpointen och laddas automatiskt — "att bara ställa in num_inference_steps åsidosätter det inte." Qwen-Image-2.1 tar antalet steg vid anropstillfället. Nödutgången är ett uttryckligt sigmas-argument vid anropstillfället, och kortet noterar att andra scheman "inte har utvärderats för denna checkpoint."

• Backbone — identisk. Turbos transformer/config.json matchar bascheckpointens fält för fält: 32 lager, 32 uppmärksamhetshuvuden med 128 dimensioner vardera, patchstorlek 1, 64 indata- och utdatakanaler, causal_condition true, kontextens indatadimension 4096. Det enda värde som skiljer sig mellan de två filerna är den registrerade Diffusers-versionen.

• Textkodare, VAE och schemaläggare —Turbos model_index.json anger Qwen3VLForConditionalGeneration som textkodare med en Qwen3VLProcessor, en AutoencoderKLQwenImage21-VAE och en FlowMatchEulerDiscreteScheduler. Det är samma komponentklasser som Qwen-Image-2.1 deklarerar. Projektets arkitekturnoteringar beskriver den delade textkodaren som en Qwen3-VL 8B vision-language-modell och VAE:n som en 64-kanalig RGBA-autoencoder med 16× rumslig komprimering.

• Standard för vägledning — Turbo-kortet anger CFG 1 som standard, vilket tar bort det klassificeraroberoende vägledningspasset från varje steg. Basmodellens kort anger inte någon standard för vägledning alls.

• Upplösningsförval — samma sju i båda, ordagrant hämtade från Turbo-kortet: 1:1 vid 2048 × 2048, 4:3 vid 2400 × 1792, 3:4 vid 1792 × 2400, 3:2 vid 2528 × 1696, 2:3 vid 1696 × 2528, 16:9 vid 2752 × 1536 och 9:16 vid 1536 × 2752.

• Diskutrymme —Turbo-repots egen filförteckning uppgår till ungefär 32,5 GB, där en transformer på 14,2 GB, en textkodare på 17,5 GB och en VAE på 0,7 GB ingår, mätt utifrån repots publicerade filstorlekar i dag. Det är bascheckpointens komponentuppsättning i bfloat16-precision, och leverantören levererar ingen egen kvantiserad version.

Vad Qw​en faktiskt säger om avvägningen mellan hastighet och trohet

Leverantörens påstående är snävare än rubriken antyder, och det är värt att läsa i kortets egna ord. Qwen-Image-2.1-Turbo beskrivs som "en accelererad checkpoint av Qwen-Image-2.1 för text-till-bild-generering och bildredigering med 8 avbrusningssteg", en som "använder samma 7B-arkitektur för visuell generering och laddas direkt med QwenImage21Pipeline." Kortets inramning av fördelen är procedurell, inte visuell: checkpointen "inkluderar sitt rekommenderade samplingsschema, så den är redo att använda utan att manuellt konfigurera schemaläggaren."

Tre mekanismer namnges, och endast tre. Själva åttastegsschemat. CFG 1 som standard, vilket hoppar över vägledningspasset. Och prefix-KV-cachning, som "återanvänder text- och referensbildskontexten över avbrusningssteg" — en mekanism som Base-modellen också dokumenterar, och som har större betydelse, inte mindre, när loopen bara är åtta iterationer lång.

Nu kommer delen som inte finns där. Kortet säger aldrig att Turbo-checkpointen matchar Qwen-Image-2.1:s utdatakvalitet. Det säger aldrig hur mycket kvalitet som byttes bort, eller vilka kategorier som försämras först — textur, små text, ansikten, multi-referens-konsekvens. Det använder aldrig ordet destillation, och ingenting i repot anger ett lärar-elev-förhållande. Vad metadata däremot säger är härlett: Hugging Face-taggarna innehåller base_model:Qwen/Qwen-Image-2.1 och base_model:finetune:Qwen/Qwen-Image-2.1, och ModelScopes modellpost listar samma förälder med relationen "finetune". Qwens egen position är, med andra ord, fine-tune av bascheckpointen, och kvalitetsfrågan lämnas till den som kör den.

Det är inte så mycket en kritik som själva formen för släppet. En leverantör som släpper en accelererad checkpoint utan ett benchmark bjuder in till exakt den jämförelse som en läsare nu måste göra själv: samma prompt, samma seed, båda checkpointarna, fyrtio steg mot åtta.

Ingångar, utgångar och hur stort det faktiskt är

Kortet dokumenterar två indatamodaliteter och en utdatamodalitet, och de är basmodellens, oförändrade.

• Text in, bild ut — en textprompt producerar en rasterbild. Kortets genomarbetade exempel är en poster i porträttorientering i 1696 × 2528, och visningen går igenom porträttfotografi, typografi och posterdesign samt UI- och informationslayout, vilket är ett påstående från Qw​en om textrendering och layouttrohet snarare än en mätning av det.

• Bild in, bild ut — samma pipeline tar emot en indatabild tillsammans med prompten för instruktionsstyrd redigering. Kortets exempel omvandlar en yacht-skiss till ett fotorealistiskt fotografi i 2048 × 2048 och laddar indata som RGBA. Showcaset demonstrerar också komposition med flera referenser och en interiörkomposition med fyra bilder. En siffra att vara försiktig med här: uppgiften "upp till 10 referensbilder" tillhör dokumentationen för Qwen-Image-2.1, och Turbo-kortet upprepar inte någon gräns för referensbilder. Betrakta 10 som basmodellens publicerade siffra, inte som en Turbo-specifikation.

• Transparens — kortet listar generering av transparenta bilder bland showcase-kategorierna, och den medföljande VAE-klassen är samma 64-kanaliga RGBA-autoencoder som basmodellen använder, så alfa-utdata dokumenteras för denna checkpoint snarare än att bara ärvas till namnet.

• Utdataupplösning — samma sju förinställningar som listas ovan, upp till 2752 × 1536 i liggande format och 1536 × 2752 i stående format, med 2048 × 2048 som standardnivå. Projektet beskriver Qwen-Image-2.1 som att det har inbyggt stöd för 2K-upplösning; inget i något av repona gör anspråk på en inbyggd nivå över detta, och inget dokumenterar ett uppskalningssteg.

• Modellstorlek — 7B parametrar i den visuella genereringskomponenten över 32 enkelströms-DiT-lager, i bfloat16, cirka 32,5 GB på disk för hela repositoryt. Det finns inget textkontextfönster att citera, eftersom detta inte är en textmodell; den 4096-dimensionella kontextinmatningen i transformer-konfigurationen är den kodade prompt- och villkorsbildsrepresentationen, inte ett tokenfönster.

Licens och var vikterna finns

Qwen-Image-2.1-Turbo släpps under Qwen Research License Agreement. Repositoriets metadata anger license: other med license_name: qwen-research och license_link: LICENSE, och en LICENSE-fil ligger i repositoriet tillsammans med vikterna. Vi jämförde de två licensfilerna i dag: Turbo-repositoriets LICENSE är byte-identisk med basmodellens, vilket är värt att veta eftersom det innebär att accelerationen inte innebar någon förändring av villkoren.

Vad avtalet säger, läst från själva filen: beviljandet är "ENDAST FÖR ICKE-KOMMERSIELLA ÄNDAMÅL," "Icke-kommersiell" definieras som "endast för forsknings- eller utvärderingsändamål," och kommersiell användning kräver "en separat kommersiell licens från oss," som begärs via model-business@notice.qwencloud.com. Avtalets eget sidhuvud daterar versionen till den 20 september 2026. Om anledningen till att du vill ha generering i åtta steg är att den gör modellen tillräckligt billig för att lägga bakom en produkt, är licensen den bindande begränsningen här, inte antalet steg, och ingen sida i detta kodförvar löser det.

Vikterna går att ladda ner på två ställen, båda från förstapart: Hugging Face på Qwen/Qwen-Image-2.1-Turbo och ModelScope på Qwen/Qwen-Image-2.1-Turbo. Hugging Face-repot är inte åtkomstbegränsat. I dess metadata listas ingen värdbaserad inferensleverantör, så det finns ingen tredjepartsändpunkt som kör just den här checkpointsfilen åt dig i dag, såvitt leverantörens egen förteckning visar.

För en hostad väg finns Qw​ens egen: projektets nyhetslista dokumenterar att Qwen-Image-2.1 Pro- och Turbo-API:erna lanserades på Aliba​ba Cloud Model Studio den 9 oktober 2026, och GitHub-README:n erbjuder "de hostade API:erna, eller kör Turbo-checkpointen i din egen miljö med Diffusers." Pris per bild för Turbo-slutpunkten anges inte på leverantörens API-referenssida som vi läste, vilken i stället hänvisar till en separat sida för modellpriser — så betrakta priset som opublicerat i det material vi kunde verifiera, och kontrollera leverantörens prissida innan du planerar utifrån det.

Finjustering: vad som är dokumenterat, och vad som bara är community

Det ärliga svaret är att Turbo-kortet inte dokumenterar någon finjustering av något slag. Det täcker installation, text-till-bild, bildredigering, sampling och bildförhållanden, och sedan inget mer. Det finns ingen träningssektion, inga LoRA-instruktioner, ingen vägledning för adaptrar, inga datasetanteckningar och inget träningsskript någonstans i Qwen-Image-projektets kodarkiv — vi kontrollerade dess filträd, som endast innehåller resurser och två datafiler för promptomskrivning.

Basmodellen klarar sig något bättre, och det är en annan modells dokumentation: materialet för Qwen-Image-2.1 dokumenterar LoRA-träning via ModelScope, byggt på det öppna källkodsramverket DiffSynth-Studio. Det påståendet handlar om Qwen-Image-2.1, och inget i Turbo-kortet utvidgar det till den accelererade checkpointen.

Det som finns för Turbo är gemenskapsarbete. I dag uppger 47 repositorier på Hugging Face Qwen/Qwen-Image-2.1-Turbo som sin basmodell, och nästan alla av dem är kvantiseringsportningar – GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO-byggen. Exakt en är en LoRA-adapter, en adapter för karaktärsbyte som publicerades den 10 oktober 2026. Inget av detta är leverantörsstöd, inget av det är validerat av Qw​en, och en adapter som tränats mot bascheckpointens fyrtiostegstrajektoria är inte automatiskt korrekt mot ett sparat åttastegsschema. Om du har kommit hit för att leta efter ett Turbo LoRA-arbetsflöde, är det korrekta svaret att leverantören inte har publicerat ett.

Hur man kör det, och hur man anropar det

Självhosting är ett vanligt Diffusers-jobb med en hake. Kortets installation är en CUDA-kompatibel PyTorch-build, Diffusers från källkod (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate och pillow. Haken är att denna checkpoint kräver en Diffusers-build med stöd för pipelinekonfigurerade samplingssigman, tillagt i PR #14950 — vilket vid skrivandets stund finns i källkodsträdet snarare än i en taggad release, vilket är varför kortet inte säger åt dig att installera ett versionsnummer.

Inläsningsraden är basmodellens pipelineklass med checkpoint-namnet utbytt: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). Genereringen är sedan ett anrop med en prompt, en bredd och höjd från förinställningslistan, use_kv_cache=True, och en generator-seed; modellkortets text-till-bild-exempel använder 1696 × 2528 med seed 42, och dess redigeringsexempel skickar en RGBA-bild som image-argumentet vid 2048 × 2048 med seed 20261009. Skicka inte num_inference_steps och förvänta dig att det ska göra något.

En lucka att planera kring: Turbo-modellkortet publicerar ingen minnesvägledning. Basmodellens modellkort har ett avsnitt om minnesoptimering som visar pipe.enable_model_cpu_offload(); Turbo-modellkortet slutar bara. Med en textkodare på 17,5 GB i repot är det siffran att budgetera för, och modellkortet säger inte vilken GPU den får plats på.

Att anropa den i stället för att köra den innebär att använda Qwens egen hostade Turbo-API på Alibaba Cloud Model Studio. Det finns inget publicerat pris per bild som vi kunde verifiera på leverantörens API-referenssida, och inte heller någon publicerad frekvensgräns som vi kunde verifiera – så en läsare som planerar för stora volymer har två siffror att hämta från leverantören innan något beslut fattas.

Var OrcaRouter befinner sig, sagt rakt ut

OrcaRouter routar inte Qwen-Image-2.1-Turbo och routar inte Qwen-Image-2.1 – ingen av identifierarna förekommer i vår aktuella modellista, som vi kontrollerade idag, och inget på den här sidan bör läsas som ett erbjudande om att betjäna någon av dem. Den bildlinje vi faktiskt erbjuder är den hostade: OpenAI GPT-Image-familjen, Googles Imagen 4-nivåer och xAIs Grok Imagine-bildendpoint.

Den åtskillnaden är den praktiska för den här kontrollpunkten. OrcaRouter placerar 200+ modeller bakom en enda OpenAI-kompatibel slutpunkt till leverantörens listpris utan påslag, och den lägger till automatisk failover när en leverantör degraderas — vilket är vad du vill ha när du anropar en hostad bildmodell i produktion, och irrelevant när modellen i fråga är en forskningslicensierad nedladdning på 32,5 GB. Om din plan är att köra Qwen-Image-2.1-Turbo själv är routningslagret inte begränsningen; Qw​en Research License Agreement är det.

Så beslutet delar sig tydligt. Åtta steg, ett sparat schema, en byte-identisk forskningslicens och ingen benchmark innebär att checkpointen är ett forsknings- och prototypverktyg tills antingen Qw​en publicerar en utvärdering eller du kör din egen. Om du behöver en bildendpoint i produktion den här veckan är det ett annat köp, och det är det vi säljer.