Qwen-Image-2.1-Turbo vs Qwen-Image-2.1: Vad förändrades egentligen mellan bascheckpointen och den accelererade versionen

Samma 7B-visuella genereringskomponent. Samma 32 DiT-lager för enkelström. Samma sju upplösningsförinställningar, samma enhetliga yta för generering och redigering, samma icke-kommersiella licens, samma pipeline-klass för att ladda den. Qwen-Image-2.1-Turbo och Qwen-Image-2.1 är inte två modeller som du väljer mellan utifrån förmåga – Turbo-checkpointen är en finjustering av basmodellen, och det står i repots egen metadata. Det som skiljer dem åt är en enda samplingstrajektoria, och sättet den lagras på. Den ena kör fyrtio steg. Den andra kör åtta och vägrar att bli tillsagd något annat vid anropstillfället. Allt intressant med paret ligger i den andra meningen.

Börja med de delar som är identiska

Före skillnaderna är likheterna värda att kartlägga, eftersom de är mer omfattande än etiketten "Turbo" antyder och det är de som gör bytet attraktivt.

• Arkitekturen. Turbo-kortet anger att det "använder samma 7B-visuella genereringsarkitektur" som Qwen-Image-2.1. Projektet beskriver den komponenten som 7B parametrar fördelade över 32 Single-Stream DiT-lager. Inget i Turbo-repositoriet aviserar en mindre, beskuren eller omarkitekterad stomme.

• Förmågorna. Båda checkpoInterna beskrivs utföra text-till-bild-generering och bildredigering. Turbo ärver basmodellens yta i stället för att upprepa den: basmodellens kort dokumenterar inbyggd RGBA-transparens, upp till 10 referensbilder och lokala redigeringar som specificeras med cirklar, målade annoteringar eller separata masker, med identitetsbevarande för personer och produkter.

• Upplösningarna.Turbos kort säger att man ska "använda samma upplösningsförinställningar som Qwen-Image-2.1" och listar dem sedan: 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. Basmodellens kort listar en identisk tabell. Båda korten använder upplösningsnivån 2048 för sina exempel.

• Laddningsvägen. Båda laddas via QwenImage21Pipeline i Diffusers. Turbo-kortets snabbstart är baskortets snabbstart med checkpointnamnet ändrat och bfloat16 stavat dtype i stället för torch_dtype.

• Pappersarbetet. Båda är licensierade under Qwen-Image-2.1 Research License Agreement, båda har license: other med license_name: qwen-research, och båda har en LICENSE-fil i repot bredvid vikterna.

Om du redan har Qwen-Image-2.1 inkopplat, då är migrationsytan genuint liten. Vilket är precis varför det ena argumentet som inte beter sig som du förväntar dig är värt att uppehålla sig vid.

Schemat flyttade ut ur din kod och in i kontrollpunkten

På basmodellen är det du som bestämmer antalet steg. Qwen-Image-2.1-kortets text-till-bild-exempel, dess redigeringsexempel och dess RGBA-transparensexempel skickar alla num_inference_steps=40, och talet är ett anropsargument på vanligt Diffusers-sätt. Inget på det kortet säger att checkpointen har åsikter om schemat.

På Turbo är schemat checkpoint-metadata. Kortet anger att checkpointen "innehåller sitt rekommenderade samplingsschema, så den är redo att använda utan att manuellt konfigurera schemaläggaren," och förklarar sedan i samplingsavsnittet vad det innebär i praktiken: "Det rekommenderade samplingsschemat med 8 steg sparas med checkpointen och laddas automatiskt. Att bara ställa in num_inference_steps åsidosätter det inte."

Två saker följer, och båda är lätta att få fel i motsatta riktningar.

Det första är att åtta inte är ett standardvärde som du kan justera uppåt. Om du vill veta hur Turbo ser ut vid tolv steg eller tjugo, säger kortet att den enda vägen är ett explicit sigmas-argument vid anropstillfället — och stänger sedan dörren för experimentet genom att notera att andra scheman "inte har utvärderats för denna checkpoint". Det är en leverantör som talar om att åttastegskonfigurationen är den de står bakom, och att allt annat är outforskat territorium som du ger dig in i på egen hand. Det är en ovanligt ärlig mening och den bör läsas som en gräns snarare än en inbjudan.

Den andra är en reproduktionsfälla utan något felmeddelande kopplat till sig. Ta basmodellens exempel, ändra repository-strängen till Turbo-checkpointen, lämna num_inference_steps=40 kvar, och koden kommer att köras. Den varnar dig inte. Den kommer att producera en bild med det sparade åttastegsschemat, och den kommer inte att vara samma utdata som Turbo-showcaset visar, eftersom fyrtio aldrig lästes. Detta är felsättet där inget ser trasigt ut — renderingen slutförs, bilden är rimlig, och det enda sättet du får reda på det är om du letar efter en skillnad. Det finns ett andra beroende begravt bredvid det: checkpointen behöver ett Diffusers-bygge som förstår pipelinekonfigurerade samplingssigman, tillagt i PR #14950, som vid skrivandet finns i Diffusers källkodsträd i stället för i en taggad utgåva. Den angivna installationen är ett CUDA-kompatibelt PyTorch-bygge plus Diffusers-källkoden, transformers>=5.17.0, accelerate och pillow.

Vad betalar för de 32 stegen du inte tog

Kortet anger två mekanismer, och båda är värda att känna till eftersom de förklarar vad Turbo-checkpointen förutsätter om hur du kommer att anropa den.

• CFG 1 som standard. "Generering använder CFG=1 som standard." Vid en classifier-free guidance-skala på ett kör modellen inte den andra, ovillkorliga genomkörningen som CFG normalt kräver – vilket till stor del är hur en trajektoria kortas utan att bara trunkeras. Det innebär också att basmodellens vana att ställa in en vägledningsskala inte överförs; det finns inget att ställa in här, och kortet erbjuder ingen vägledningsrekommendation att ställa in efter.

• Prefix-KV-cachning. Turbo-kortet säger "prefix-KV-cachning återanvänder text- och referensbildskontexten över avbrusningssteg." Detta är nedärvd mekanik, inte något nytt för den accelererade checkpointen: Qwen-Image-2.1-tillkännagivandet listar återanvändning av prefix-KV-cache som en av basmodellens fyra huvudförbättringar, vid sidan av uppmärksamhet med blandad granularitet, och basmodellens integrationer för serving från dag ett – vLLM-Omni- och SGLang-posterna i projektets nyhetslista – nämner prefix-KV-cachning uttryckligen bland de funktioner de stöder. I en slinga med fyrtio steg är den återanvändningen en optimering. I en slinga med åtta steg spelar den proportionellt större roll, eftersom varje cachat steg utgör en större andel av det totala arbetet.

Det som kortet inte nämner är någon destillationsteknik. Basmodellens Qwen-Image-2.1-kort och projektets README beskriver arkitektur och förmågor; Turbo-kortet beskriver mekaniken. Om du försöker resonera kring vad åtta steg kostar i kvalitetshänseende ger repositoriet dig ingen metod att resonera utifrån – bara ett schema och en uppsättning showcase-bilder.

Stegantalet är inte ett riktmärke.

Det här är den del av jämförelsen där det ärliga svaret är att det inte finns någon jämförelse, och det är värt att vara rakt på sak om varför.

• Turbo-checkpointen har ingen publicerad poäng. Dess kort innehåller inget utvärderingsnummer av något slag. Det finns inget Qwen-Image-Bench-resultat för Turbo, ingen sida-vid-sida-jämförelse mot bas-checkpointen, ingen ablation över antal steg, och ingen tabell som visar var kvaliteten planar ut.

• Poängen för bascheckpointen är rapporterad av leverantören. Den enda rubriksiffran för Qwen-Image-2.1-linjen är basmodellens eget Qwen-Image-Bench-resultat, rapporterat av leverantören mot bascheckpointen. Det är inte en mätning av Turbo och bör inte överföras till den – accelerationen är precis det som skulle förväntas flytta ett sådant tal, och leverantören har inte angett med hur mycket.

• Inget av korten redovisar tid eller minne. Det finns ingen latenssiffra, ingen genomströmningssiffra och inget minnesavtryck för någon av checkpunkterna, och inget av korten anger vilken hårdvara dess exempel kördes på. Basmodellens kort dokumenterar åtminstone ett avsnitt om minnesoptimering; Turbo-kortet dokumenterar installation, generering, redigering, sampling och bildförhållanden, och stannar där.

Argumentet för Turbo framför bas-checkpointen är för närvarande ett argument om designavsikt, inte om uppmätta resultat. Åtta steg med samma arkitektur och samma 2048-upplösningsnivå bör kosta betydligt mindre per bild. "Betydligt" gör ett verkligt arbete i den meningen, och det enda sättet att ersätta det med en siffra är att köra båda checkpointarna på din egen arbetsbelastning, vilket också är det enda sättet att ta reda på vad den förkortade trajektorian gör med de särskilda bilder du bryr dig om.

Inget annat flyttades, inklusive licensen.

Två saker som en läsare rimligen skulle kunna förvänta sig ha förändrats, men som inte har det.

Det första är ekosystemet. När Qwen-Image-2.1 släpptes den 20 september 2026 registrerade projektets nyhetslista fem separata dag-noll-integrationer samma dag: Diffusers-stöd via PR #14804, inbyggt ComfyUI-stöd med publicerade arbetsflödesmallar för text-till-bild och redigering, vLLM-Omni-stöd med stegvis exekvering och CUDA Graph-avkodning och FP8-kvantisering och tensorparallelism, SGLang-stöd med Cache-DiT och komponentavlastning, samt acceleration från LightX2V-projektet. Posten daterad den 9 oktober 2026 som täcker Qwen-Image-2.1-Turbo registrerar själva checkpointen och en notering om att Pro- och Turbo-API:erna är live på Alibaba Cloud Model Studio. Det finns ingen dag-noll-lista över ramverk för Turbo, och varje ramverkspost i nyhetslistan hänvisar fortfarande till basmodellen. Turbo-checkpointen laddas via en pipeline-klass som redan fanns; stödet för dess sparade schema är den enda nya pusselbiten, och det kommer via Diffusers källkod snarare än en taggad utgåva.

Det andra är licensen. Turbo omfattas av Qwen Research License Agreement, precis som basmodellen. Accelerationen kom inte med något kommersiellt undantag, någon separat nivå eller någon uppmjukning av villkoren – den icke-kommersiella begränsningen gäller för finjusteringen lika mycket som för basmodellen. Repots egen metadata och licensfilen bredvid vikterna är beviset; modellkortets licensavsnitt är en enda mening som pekar på samma avtal. Om anledningen till att åtta steg spelar roll för dig är att det gör modellen billig nog att lägga in i en produkt, står licensen definitivt i vägen, och det är leverantören – inte detta repo – som måste stå till svars för det.

Hostade slutpunkter, och var OrcaRouter passar in

OrcaRouter routar varken Qwen-Image-2.1-Turbo eller Qwen-Image-2.1. Båda saknas i vår katalog, och inget här är ett erbjudande om att tillhandahålla någon av dem. Om du vill ha dem är dina vägar leverantörens egna hostade API:er, flera tredjepartsplattformar, eller vikterna med ett Diffusers-bygge som är tillräckligt nytt för att hantera Turbo-checkpointens sparade samplingsschema.

Där OrcaRouter blir relevant för just den här jämförelsen är bytet du gör när självhostning av en checkpoint inte längre är rätt svar. Att gå från en modell med öppna vikter som du kör själv till en hostad bildendpoint är inte bara ett modelbyte – det är ett byte av fellägen. En lokal process misslyckas på sätt som du kan se; en hostad endpoint misslyckas på sätt som beror på vilken leverantör som svarade, och på vad som händer när en av dem försämras mitt i en begäran. OrcaRouter sätter 200+ modeller bakom en enda OpenAI-kompatibel endpoint och förmedlar leverantörslistpriset vidare utan påslag, så att en leverantörs prissänkning syns hos oss samma dag i stället för att vänta på en omprissättningsrunda. Dessutom lägger den till automatisk failover mellan leverantörer, ett routing-DSL för att ange vilka modeller och leverantörer en begäran får använda, och modellfusion för att kombinera flera modeller till ett anrop. De bildmodeller vi exponerar är OpenAI GPT-Image-familjen, Googles Imagen 4-nivåer inklusive varianterna fast och ultra, Googles Gemini-endpoints för bildförhandsvisning och xAI:s Grok Imagine-bildendpoint.

Konkret: om du väljer mellan de två Qwen-checkpoints, är det ett beslut om självhosting, och anledningarna att föredra den ena framför den andra är schemabeteendet och antalet steg. Om det du faktiskt behöver är en bild i produktion utan att äga GPU:erna, är det beslutet vi kan hjälpa till med, och det är ett annat beslut.

Den korta versionen

• Välj Qwen-Image-2.1 om du vill ha den checkpoint vars samplingsbeteende överensstämmer med dess dokumentation, om du behöver variera antalet steg eller utforska scheman, eller om du vill ha versionen som kom med support från dag ett i Diffusers, ComfyUI, vLLM-Omni, SGLang och LightX2V.

• Välj Qwen-Image-2.1-Turbo om du vill ha samma arkitektur och samma funktioner med en dramatiskt kortare trajektoria och är beredd att betrakta åtta steg som fasta, samt att installera Diffusers från källkoden för att kunna ladda den.

• Räkna med samma licens i båda fallen, och räkna inte med något publicerat kvalitetsmått för den accelererade checkpointen som kan jämföras mot basen. Stegminskningen är verklig och dokumenterad. Hur mycket bildkvalitet det kostar dokumenteras inte någonstans, och hur mycket du än läser de två korten kommer det inte att ge dig svaret — det svaret finns bara på din egen hårdvara, mot dina egna prompter.