Qwen-Image-2.1-Turbo på en stationär dator: BaoCut 3.5 och de första lokala tidsmätningarna

Repositoriet för Qwen-Image-2.1-Turbo dök upp på Hugging Face den 9 oktober 2026 med 707 gilla-markeringar, vikter, en licensfil och en enda rad i Qwen-Image-2.1:s GitHub-nyhetslista som hela dess tillkännagivande. Fem dagar senare körs den redan på folks skrivbord. BaoCut 3.5, ett kinesiskt redigeringsverktyg för skrivbordet, integrerade checkpointen och började generera bilder lokalt på datorn i stället för via en server; X/@dotey rapporterade den 13 oktober 2026 att en bild tar ungefär tre till fem minuter vid 1080p på deras Mac Mini M2 och nästan tjugo minuter vid 2K. Separat postade en öppen källkods-app för macOS som heter Siliconed på modellens eget diskussionsforum den 11 oktober 2026 med en uppmätt tid på 118 sekunder vid 1024² på en M1 Pro, och samma maskin som kör Z-Image Turbo — den andra öppna 8-stegs-checkpointen som folk väljer mellan — på 82 till 85 sekunder. Qwen-Image-2.1, basmodellen som båda de lokala portningarna härstammar från, släpptes den 20 september 2026. Den accelererade checkpointen är tre veckor yngre än sin förälder och har ingen egen oberoende utvärdering.

Det är formen på den här berättelsen: en checkpoint som aldrig lanserades, bara publicerades, och som nu dyker upp i skrivbordsprogramvara innan leverantören har sagt särskilt mycket alls om den offentligt. Det som följer skiljer vad repositoriet faktiskt uppger från vad de första användarna rapporterar, eftersom de två inte är samma slags påstående.

Vad arkivet bekräftar, och vad det inte bekräftar

Allt nedan kommer från modellkortet, licensfilen och projektets ändringslogg — primära källor som vem som helst kan kontrollera.

• Daterad, och daterad där det räknas. Hugging Face-API:et rapporterar att förvaret skapades 2026-10-09T04:50:01Z och senast ändrades 2026-10-12. Nyhetslistan för Qwen-Image-2.1 på GitHub innehåller den matchande posten: "2026.10.09: Vi släppte Qwen-Image-2.1-Turbo för bildgenerering och bildredigering på bara 8 avbrusningssteg." Samma ändringslogg noterar att Pro- och Turbo-API:erna gick live på A​libaba Cloud Model Studio samma dag. Detta är en release; det är en release utan en lansering.

• Vad det är. Kortet kallar det "en accelererad checkpoint av Qwen-Image-2.1 för text-till-bild-generering och bildredigering med 8 denoising-steg", byggd på samma 7B-arkitektur för visuell generering. Det är inte en ny familj och inte en ny arkitektur. Det är bascheckpointen ompaketerad kring en mycket kortare samplingsbana.

• Båda funktionerna i en och samma nedladdning. Text-till-bild och instruktionsstyrd redigering hanteras av denna enda checkpoint. Modellkortets egna exempel använder samma sparade 8-stegsschema och samma standardvärde CFG=1 för båda, och demonstrerar redigering genom att förvandla en skiss av en yacht till en fotorealistisk bild.

• Schemat följer med vikterna. Checkpointen levereras med sitt rekommenderade samplingsschema, så Diffusers laddar det automatiskt. Kortet säger uttryckligen att enbart ange `num_inference_steps` inte åsidosätter det sparade schemat. Prefix-KV-cachning återanvänder text- och referensbildskontext över brusreduceringssteg.

• Det krävs två versioner av verktygslådan. Den angivna installationen är ett CUDA-kompatibelt PyTorch-bygge, Diffusers från källkod, transformers 5.17.0 eller senare, accelerate och pillow. Checkpointen kräver Diffusers-stöd för pipeline-konfigurerade samplingssigman, tillagt i PR #14950 — källkodsträdet, inte en taggad utgåva när detta skrevs.

• Licensen är oförändrad, och den utgör den kommersiella muren. Repositoriet omfattas av qwen-research-licensen. Det avtalet ger rättigheter "ENDAST FÖR ICKE-KOMMERSIELLA ÄNDAMÅL" och anger att kommersiell användning kräver en separat licens som måste begäras från leverantören. Ingenting med Turbo gör det mindre strängt.

• Ingen form av benchmark. Det finns inget resultat för Turbo-checkpointen på kortet, ingen jämförelse mot basen, ingen latenssiffra och ingen minnessiffra. Leverantören publicerar inget av det.

• Ej att förväxla med basmodellens siffror. Om du ser ett Elo- eller kvalitetspåstående kopplat till namnet Qwen-Image-2.1 bör du kontrollera vilken checkpoint det tillhör. Den offentliga image-arena-raden tillhör Qwen-Image-2.1, basmodellen från den 20 september, inte Turbo.

De två första lokala rapporterna, och varför de går isär

Två oberoende personer kvantifierade lokal inferens inom fyra dagar efter att repot dök upp. De mätte olika maskiner, olika upplösningar och olika pipelines, och deras resultat skiljer sig med ungefär en storleksordning för samma nominella uppgift. Båda är värda att läsa; ingen av dem är ett benchmark.

Rapporten från skrivbordsredigeraren. X/@dotey, 13 oktober 2026: BaoCut 3.5 har integrerat Qwen-Image-2.1-Turbo, och bildgenereringen sker på den lokala datorn i stället för via en server. På deras Mac Mini M2 tar en 1080p-bild ungefär tre till fem minuter och en 2K-bild närmare tjugo. De noterar också att verktyget producerar NSFW-innehåll, och att en agent kan riktas mot datorns lokala bildtjänst.

Rapporten om den inbyggda appen. Den 11 oktober 2026 publicerade författaren till Siliconed ett inlägg på checkpointens eget Hugging Face-diskussionsforum. Siliconed är en macOS-app med öppen källkod och Apache-2.0-licens som kör modellen i Swift och Metal utan Python och utan ComfyUI i kedjan, och jämför varje steg — textkodare, transformer, VAE — kanal för kanal mot Diffusers-implementeringen i fp32. På referensmaskinen, en MacBook Pro M1 Pro med 16 GB enhetligt minne, vid 1024², 8 steg och CFG 1, renderar Qwen-Image-2.1-Turbo på 118 sekunder; en rendering i 1024×1536 tar 190 sekunder, en redigering med en referensbild 212 sekunder och en redigering med två referensbilder 285 sekunder. Toppminnet ligger kvar mellan 1,8 och 2,7 GB utan några swap-outs. Z-Image Turbo på samma maskin och med samma upplösning tar 82 till 85 sekunder.

• Varför 3–5 minuter och 118 sekunder inte är en motsägelse. Postarens siffra är en Mac Mini M2 vid 1080p inuti en applikation; appens siffra är en M1 Pro vid 1024² som drivs direkt. Olika kisel, olika pixelantal, olika mängd arbete som sker runt modellen. Ingen av siffrorna säger vad din maskin kommer att göra.

• Det appen rapporterar är självrapporterat, och det säger den själv. Upphovsmannen är upphovsmannen. Mot detta: metoden är publicerad, varje siffra åtföljs av ett angivet mätinstrument — `phys_footprint` samplas var 100:e ms, swap från `vm_stat` — och projektet publicerar en tabell över chip med en rad ifylld och ett offentligt formulär för läsare att lägga till sina egna. Det är mer än vad leverantören ger dig, och mindre än ett oberoende labb.

• Minne är talet som avgör genomförbarheten. En standardinstallation på 31,2 GB körs på en Mac med 16 GB eftersom vikterna strömmas från disken allt eftersom de behövs, inom en angiven budget på tre fjärdedelar av systemminnet minus 2 GB. Det är därför en installationsstorlek som är större än ditt RAM-minne inte automatiskt är ett hinder, och varför diskens läsgenomströmning – inte VRAM – är begränsningen.

• Upplösningstaket är en verklig gräns. macOS-porten begränsar utdata till en yta på 1024×1536, där varje sida är minst 512 och en multipel av 16, med motiveringen att detta är den största storlek som uppmätts utan växling på en 16 GB-maskin. Större renderingar avvisas i förväg i stället för att tillåtas gå i växlingsstorm. Om ditt arbete behöver basmodellens 2048-klassiga förinställningar kommer den här lokala vägen inte att ge dig dem.

Lokala vikter innebär inget modereringslager, och det skär åt båda hållen.

Den mest citerade raden från inlägget den 13 oktober är att modellen genererar NSFW-bilder. Det är värt att vara precis om vad det är och inte är.

Det är inte en funktion som leverantören marknadsför. Modellkortet säger ingenting om innehållspolicy för den öppna checkpointen, och licensen gör inte något undantag: den beviljar icke-kommersiell användning och kräver att du följer tillämplig lag, punkt slut. Det rapporten beskriver är den vanliga konsekvensen av att köra en diffusionsmodell på din egen hårdvara – det finns ingen leverantör mellan din prompt och samplern, så det finns inget leverantörssidigt filter som kan utlösas. Varje öppen bildcheckpoint beter sig så här. Skillnaden här är hastighet och paketering: en 8-stegsmodell av den här klassen är nu tillräckligt snabb på konsumenthårdvara för att den lokala vägen inte längre känns som en kompromiss.

Efterlevnadsfrågan flyttas helt över till dig. Om du avser att leverera något som byggts på denna checkpoint är licensen den bindande begränsningen, och den är inte tillåtande — basmodellen distribueras under samma icke-kommersiella forskningsvillkor, och Turbo-checkpointen ärver dem oförändrade. Lokal inferens förändrar inte vad du får göra med utdata.

Den del som är genuint ny: ett verktyg som en agent kan anropa

Båda rapporterna landar i samma detalj, och det är den med den längre svansen. Inlägget från 13 oktober nämner att en agent kan riktas mot maskinens lokala bildtjänst. macOS-porten levererar exakt det gränssnittet: en hjälpbinär som heter `silicontrol` inuti apppaketet som styr det körande fönstret från en terminal, med kommandon för att lista modeller, köa en rendering med `--wait --out` och läsa status, och skickar ut JSON-rader med ett avslutande `"ok"`-fält. Det finns en kö och aldrig två renderingar samtidigt.

En lokal bildendpoint som svarar i JSON Lines och returnerar en filsökväg är ett mål för verktygsanrop. Det är en annan sak än att klistra in prompter i ett webbgränssnitt: en kodningsagent kan avgöra att den behöver ett diagram, en platshållare eller en variant, anropa den lokala tjänsten och fortsätta arbeta utan API-nyckel, utan kostnad per bild och utan att data lämnar maskinen. För icke-kommersiellt arbete – forskning, interna prototyper, utvärderingsramverk – är det en genuint ny förmåga vid 8 steg och under 3 GB i toppminne.

Den har också en hård kant, och samma licens drar upp den. I samma stund som det du bygger är en produkt snarare än en forskningsartefakt, slutar den lokala vägen att vara det enkla svaret och den icke-kommersiella begränsningen blir det avgörande faktumet.

Var ett routningslager passar in, och var det inte gör det

Qwen-Image-2.1-Turbo är en forskningslicensierad nedladdning av vikter. Det är inte en hostad slutpunkt på OrcaRouter, och inget här bör tolkas som att det säger något annat. Den ärliga uppdelningen sker efter arbetsbelastning.

Om dina bilder måste produceras på en maskin som du kontrollerar, för integritet, för kostnad, eller för att det inte finns någon anslutning, då är detta checkpoint och en lokal runner svaret, och routningsfrågan uppstår aldrig – den icke-kommersiella licensen och diskutrymmet är dina två begränsningar. Om du i stället anropar bildmodeller i produktion, där en begäran behöver landa någonstans pålitligt och du helst inte vill ha en leverantörsrelation per modell, är det problemet OrcaRouter finns för: 200+ modeller bakom en OpenAI-kompatibel endpoint till leverantörens listpris utan påslag, automatisk failover när en leverantör försämras, och ett routnings-DSL för de fall där du vill uttrycka preferens i stället för att acceptera en standard. De två uppläggen konkurrerar inte. En lokal checkpoint är ett verktyg på ditt skrivbord; en router är vad du sätter framför de hostade modeller du anropar när arbetet lämnar skrivbordet.

Det praktiska skälet att hålla dem åtskilda i huvudet är att de misslyckas på olika sätt. En lokal rendering misslyckas när maskinen är upptagen, disken är långsam eller minnesbudgeten överskrids. Ett hostat anrop misslyckas när en leverantör gör det. Bara ett av dessa är värt att lösa med failover.

Vad vi fortfarande inte kan säga

Tre saker skulle avgöra den här checkpointens rykte, och ingen av dem finns ännu.

• Ingen oberoende utvärdering. Turbo har ingen arena-rad, ingen publicerad Elo och ingen tredjepartskvalitetsjämförelse mot vare sig Qwen-Image-2.1 eller Z-Image Turbo. Kvalitetskostnaden för att gå från basmodellens längre samplingsbana till 8 steg är helt enkelt inte offentligt uppmätt.

• Ingen leverantörssiffra för genomströmning eller minne. Kortet karakteriserar checkpointen och säger ingenting om vad den kostar att köra. Varje tal i den här artikeln som inte är ett datum kommer från en användare, och vart och ett av dem är stämplat med maskinen det mättes på.

• Ett chip i den offentliga tabellen. macOS-portens resultattabell har exakt en ifylld rad, en M1 Pro, och en inbjudan till alla andra att lägga till sina. Om du är på väg att köpa hårdvara för detta extrapolerar du från den raden plus en anekdot om en Mac Mini M2.

Det som med säkerhet kan sägas är snävare och mer användbart. Checkpointen finns, den är daterad den 9 oktober 2026, den utför generering och redigering i 8 steg vid 7B, dess schema är inbakat i vikterna, den är icke-kommersiell, och den gick från ett repositorium till att köras i skrivbordsprogramvara på under en vecka utan någon lansering alls. Det är en verklig händelse inom lokal bildgenerering, och det sker innan någon har publicerat en siffra som man kan hålla leverantören fast vid.

Modellval som detta är också där fellägena visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd flagga.