Qwen-Image-2.1-Turbo: เช็คพอยต์แบบ 8 ขั้นตอนคืออะไร และแตกต่างจาก Qwen-Image-2.1 อย่างไร

Qwen-Image-2.1-Turboเป็นเช็กพอยต์แบบเร่งความเร็วของ Qwen-Image-2.1: โครงสร้างหลักสำหรับการสร้างภาพขนาด 7B แบบเดียวกัน งานสองอย่างแบบเดียวกัน — การสร้างภาพจากข้อความและการแก้ไขภาพตามคำสั่ง — และขั้นตอนการขจัดสัญญาณรบกวนแปดขั้น ในขณะที่ตัวอย่างของเช็กพอยต์ฐานใช้ถึงสี่สิบขั้น ไม่ใช่สถาปัตยกรรมใหม่และไม่ใช่ตระกูลโมเดลใหม่ และไม่มีโมเดลที่สองอยู่ภายในไฟล์นี้ เช็กพอยต์นี้ถูกอัปโหลดขึ้น Hugging Face เมื่อวันที่ 9 ตุลาคม 2026 ซึ่งเป็นวันที่ปรากฏทั้งในเวลาที่สร้างที่เก็บ (repository) และในบรรทัดหนึ่งของรายการข่าวของโปรเจกต์ Qwen-Image เอง ทุกอย่างด้านล่างนี้คือคำอธิบายประจำของโมเดล ซึ่งจัดทำขึ้นใหม่เมื่อวันที่ 13 ตุลาคม 2026 จากสื่อของเจ้าของผู้พัฒนาเอง ไม่ใช่จากบทสรุปของใครก็ตาม

ถ้าคุณพิมพ์ชื่อของโมเดลเพื่อดูว่ามันคืออะไร คำตอบแบบสั้นคือย่อหน้าก่อนหน้า ส่วนคำตอบที่มีประโยชน์คือความเปรียบต่าง

รุ่น Turbo ทีละมิติ

แต่ละบรรทัดด้านล่างนี้มาจากที่จัดเก็บของ checkpoint เอง — การ์ดโมเดล, model_index.json, transformer/config.json และ LICENSE — หรือจากที่จัดเก็บโครงการ Qwen-Image บน GitHub ซึ่งอ่านเมื่อวันนี้ ในกรณีที่ผู้จำหน่ายไม่ได้เผยแพร่สิ่งใดไว้ ก็จะระบุไว้เช่นนั้นแทนการเติมข้อมูลขึ้นมาเอง

• จำนวนสเต็ป — 8 สเต็ปการลดสัญญาณรบกวนสำหรับ Qwen-Image-2.1-Turbo เทียบกับ 40 สำหรับ Qwen-Image-2.1 โดย 40 เป็นตัวเลขของผู้จำหน่ายเอง ใช้ในทุกตัวอย่างของ Qwen-Image-2.1 บนการ์ดของโมเดล และระบุเป็นค่าเริ่มต้นในตารางพารามิเตอร์ของโปรเจกต์บน GitHub

• ความเร็ว — จำนวนสเต็ปเป็นข้ออ้างเรื่องความเร็วเพียงอย่างเดียวที่ Qwen ระบุ และมันเป็นการนับจำนวน而非การวัดค่า ไม่มีตัวเลข latency, throughput หรือจำนวนภาพต่อ GPU ปรากฏขึ้นสำหรับเช็กพอยต์ทั้งสองตัว และการ์ดทั้งสองใบก็ไม่ได้ระบุฮาร์ดแวร์ที่ใช้สร้างตัวอย่างเหล่านั้น

• การแลกคุณภาพ —ไม่ได้วัดเป็นตัวเลข ไม่มีคะแนนประเมินสำหรับ Qwen-Image-2.1-Turbo ไม่มีสำหรับ Qwen-Image-2.1 และไม่มีการเปรียบเทียบแบบตัวต่อตัวระหว่างทั้งสองที่ใดเลยในเอกสารของผู้จำหน่าย ภาพตัวอย่างบนการ์ด Turbo เป็นผลลัพธ์แบบแปดขั้นตอนที่ผู้จำหน่ายคัดเลือกมา สิ่งเหล่านี้แสดงให้เห็นว่าเช็กพอยต์สร้างภาพได้ ไม่ได้แสดงว่าต้องสละความเที่ยงตรงไปมากเพียงใดเพื่อไปให้ถึงแปดขั้นตอน ไม่มีผลทดสอบมาตรฐานจากบุคคลที่สามของเช็กพอยต์ใดในสองตัวนี้ที่เรามี ณ เวลาที่เขียน

• ตำแหน่งที่ตารางการสุ่มตัวอย่างอยู่ — นี่คือความแตกต่างเชิงโครงสร้างหนึ่งเดียวที่การ์ดเปิดเผย Turbo model_index.json มี sample_sigmas อาร์เรย์แปดค่า ตั้งแต่ 1.0 ลงไปถึง 0.414568 และการ์ดระบุว่าตารางนี้ถูกบันทึกไว้พร้อมกับเช็กพอยต์และโหลดโดยอัตโนมัติ — "การตั้งค่า num_inference_steps เพียงอย่างเดียวไม่ได้แทนที่มัน" Qwen-Image-2.1 รับจำนวนสเต็ปในเวลาที่เรียกใช้ ทางออกคือการระบุอาร์กิวเมนต์ sigmas อย่างชัดเจนในเวลาที่เรียกใช้ และการ์ดบันทึกไว้ว่าตารางอื่นๆ "ยังไม่ได้รับการประเมินสำหรับเช็กพอยต์นี้"

• Backbone — เหมือนกันทุกประการ Turbo's transformer/config.json ตรงกับ checkpoint ฐานทุกฟิลด์: 32 เลเยอร์, 32 เฮดความสนใจที่ 128 มิติต่อเฮด, ขนาดแพตช์ 1, 64 ช่องสัญญาณอินพุตและเอาต์พุต, causal_condition เป็น true, มิติอินพุตบริบท 4096 ค่าเดียวที่แตกต่างระหว่างสองไฟล์คือเวอร์ชัน Diffusers ที่บันทึกไว้

• ตัวเข้ารหัสข้อความ, VAE และตัวจัดตารางเวลา — ของ Turbo model_index.jsonระบุชื่อ Qwen3VLForConditionalGeneration เป็นตัวเข้ารหัสข้อความ โดยมี Qwen3VLProcessor, AutoencoderKLQwenImage21 VAE และ FlowMatchEulerDiscreteScheduler. ซึ่งเป็นคลาสของคอมโพเนนต์ชุดเดียวกับที่ Qwen-Image-2.1 ประกาศไว้ บันทึกสถาปัตยกรรมของโปรเจกต์อธิบายว่าตัวเข้ารหัสข้อความที่ใช้ร่วมกันนั้นเป็นโมเดลด้านการมองเห็นและภาษา Qwen3-VL 8B และ VAE เป็นออโตเอนโคเดอร์ RGBA 64 ช่องสัญญาณที่มีการบีบอัดเชิงพื้นที่ 16×

• ค่าเริ่มต้นของ Guidance —การ์ด Turbo ระบุว่าใช้ CFG 1 เป็นค่าเริ่มต้น ซึ่งจะตัดการทำ classifier-free guidance ออกในแต่ละขั้นตอน ส่วนการ์ดของโมเดลพื้นฐานไม่ได้ระบุค่าเริ่มต้นของ guidance ไว้เลย

• พรีเซ็ตความละเอียด — ทั้งเจ็ดแบบเดียวกันในทั้งสอง โดยคัดลอกมาตรง ๆ จาก Turbo card: 1:1 ที่ 2048 × 2048, 4:3 ที่ 2400 × 1792, 3:4 ที่ 1792 × 2400, 3:2 ที่ 2528 × 1696, 2:3 ที่ 1696 × 2528, 16:9 ที่ 2752 × 1536 และ 9:16 ที่ 1536 × 2752

• พื้นที่จัดเก็บบนดิสก์ — รายการไฟล์ของที่เก็บ Turbo เองมีขนาดรวมประมาณ 32.5 GB โดยนับรวมทรานส์ฟอร์มเมอร์ขนาด 14.2 GB, ตัวเข้ารหัสข้อความขนาด 17.5 GB และ VAE ขนาด 0.7 GB ซึ่งวัดจากขนาดไฟล์ที่เผยแพร่ของที่เก็บ ณ วันนี้ นั่นคือชุดองค์ประกอบของเช็กพอยต์ฐานที่ความแม่นยำระดับ bfloat16 และผู้จำหน่ายไม่ได้จัดส่งบิลด์แบบควอนไทซ์ของตนเองเลย

สิ่งที่ Qwen พูดจริง ๆ เกี่ยวกับการแลกเปลี่ยนระหว่างความเร็วกับความแม่นยำ

คำกล่าวอ้างของผู้ขายนั้นแคบกว่าที่พาดหัวชวนให้เข้าใจ และควรค่าแก่การอ่านในถ้อยคำของบัตรเอง Qwen-Image-2.1-Turbo ถูกอธิบายว่าเป็น "เช็คพอยต์แบบเร่งความเร็วของ Qwen-Image-2.1 สำหรับการสร้างภาพจากข้อความและการแก้ไขภาพด้วยขั้นตอนการลดสัญญาณรบกวน 8 ขั้นตอน" ซึ่ง "ใช้สถาปัตยกรรมการสร้างภาพ 7B แบบเดียวกัน และโหลดโดยตรงด้วย QwenImage21Pipeline." การนำเสนอคุณประโยชน์ของบัตรเป็นเชิงกระบวนการ ไม่ใช่เชิงภาพ: เช็คพอยต์นี้ "มาพร้อมตารางการสุ่มตัวอย่างที่แนะนำไว้แล้ว จึงพร้อมใช้งานได้ทันทีโดยไม่ต้องกำหนดค่าตัวจัดตารางเวลาด้วยตนเอง"

มีกลไกสามอย่างที่ถูกเอ่ยชื่อ และมีเพียงสามอย่างเท่านั้น ตัวกำหนดการแปดขั้นตอนเอง CFG 1 เป็นค่าเริ่มต้น ซึ่งตัดรอบ guidance ออก และ prefix KV caching ซึ่ง "นำบริบทของข้อความและภาพอ้างอิงกลับมาใช้ซ้ำในแต่ละขั้นตอนการลดสัญญาณรบกวน" — กลไกที่โมเดล Base ก็ระบุไว้ในเอกสารเช่นกัน และยิ่งสำคัญมากขึ้น ไม่ใช่น้อยลง เมื่อลูปยาวเพียงแปดรอบเท่านั้น

ตอนนี้มาถึงส่วนที่ไม่มีอยู่จริง โมเดลการ์ดไม่เคยระบุว่าเช็กพอยต์ Turbo ให้คุณภาพเอาต์พุตเทียบเท่ากับผลลัพธ์ของ Qwen-Image-2.1 เลย ไม่เคยบอกว่าต้องแลกคุณภาพไปมากแค่ไหน หรือหมวดหมู่ไหนที่แย่ลงก่อน — เท็กซ์เจอร์ ข้อความขนาดเล็ก ใบหน้า ความสอดคล้องแบบหลายเรฟเฟอเรนซ์ มันไม่เคยใช้คำว่า distillation และไม่มีอะไรในรีโพซิทอรีที่ระบุถึงความสัมพันธ์แบบ teacher-student สิ่งที่เมทาดาทาระบุก็คือความเป็นอนุพันธ์ (derivative): แท็กของ Hugging Face มี base_model:Qwen/Qwen-Image-2.1 และ base_model:finetune:Qwen/Qwen-Image-2.1 และบันทึกโมเดลของ ModelScope ก็ระบุพาเรนต์เดียวกันโดยมีความสัมพันธ์ว่า "finetune" กล่าวอีกนัยหนึ่ง จุดยืนของ Qwen เองก็คือ การปรับแต่งแบบละเอียด (fine-tune) ของเช็กพอยต์ฐาน ส่วนคำถามเรื่องคุณภาพก็ถูกทิ้งให้เป็นเรื่องของใครก็ตามที่นำมันไปรัน

นั่นไม่เชิงเป็นคำวิจารณ์ แต่เป็นลักษณะของการเปิดตัวมากกว่า ผู้จำหน่ายที่ปล่อยเช็กพอยต์แบบเร่งความเร็วโดยไม่มีเบนช์มาร์ก กำลังเปิดทางให้เกิดการเปรียบเทียบแบบที่ผู้อ่านต้องรันเองในตอนนี้พอดี: พรอมต์เดียวกัน ซีดเดียวกัน เช็กพอยต์ทั้งสอง สี่สิบสเต็ปเทียบกับแปด

อินพุต เอาต์พุต และของจริงมีขนาดใหญ่แค่ไหน

การ์ดนี้ระบุรูปแบบอินพุตสองแบบและรูปแบบเอาต์พุตหนึ่งแบบ และสิ่งเหล่านี้เป็นของโมเดลฐานโดยไม่เปลี่ยนแปลง

• ป้อนข้อความ ได้ภาพออกมา — พรอมต์ข้อความสร้างภาพแรสเตอร์ ตัวอย่างการใช้งานจริงของการ์ดคือโปสเตอร์แนวตั้งที่ 1696 × 2528 และโชว์เคสครอบคลุมการถ่ายภาพบุคคล การจัดตัวอักษรและการออกแบบโปสเตอร์ และ UI กับการจัดวางข้อมูล ซึ่งเป็นคำกล่าวอ้างของ Qw​en เกี่ยวกับความแม่นยำในการเรนเดอร์ข้อความและการจัดวาง มากกว่าจะเป็นการวัดผลจริง

• อิมเมจเข้า อิมเมจออก — ไพป์ไลน์เดียวกันรองรับรูปภาพอินพุตควบคู่ไปกับพรอมต์สำหรับการแก้ไขตามคำสั่ง ตัวอย่างในการ์ดแปลงภาพสเก็ตช์เรือยอชต์เป็นภาพถ่ายสมจริงที่ขนาด 2048 × 2048 และโหลดอินพุตเป็น RGBA โชว์เคสยังแสดงให้เห็นการคอมโพสิตแบบหลายอ้างอิงและการจัดองค์ประกอบภายในโดยใช้สี่ภาพ ตัวเลขหนึ่งที่ต้องระวังในที่นี้: ตัวเลข "สูงสุด 10 รูปภาพอ้างอิง" เป็นของเอกสารของ Qwen-Image-2.1 และการ์ด Turbo ไม่ได้ระบุขีดจำกัดรูปภาพอ้างอิงซ้ำ ให้ถือว่า 10 เป็นตัวเลขที่เผยแพร่ของโมเดลพื้นฐาน ไม่ใช่ข้อกำหนดของ Turbo

• ความโปร่งใส — การ์ดนี้ระบุการสร้างภาพโปร่งใสไว้ในหมวดหมู่ที่นำมาจัดแสดง และคลาส VAE ที่เผยแพร่จริงก็เป็นตัวเข้ารหัสอัตโนมัติ RGBA แบบ 64 ช่องสัญญาณตัวเดียวกับที่โมเดลฐานใช้ ดังนั้นเอาต์พุตอัลฟาจึงถูกจัดทำเป็นเอกสารไว้สำหรับเช็กพอยต์นี้ มิใช่เพียงสืบทอดกันมาตามชื่อเท่านั้น

• ความละเอียดเอาต์พุต — พรีเซ็ตทั้งเจ็ดรายการเดียวกันกับที่ระบุไว้ข้างต้น สูงสุดถึง 2752 × 1536 ในโหมดแนวนอน และ 1536 × 2752 ในโหมดแนวตั้ง โดยมี 2048 × 2048 เป็นระดับค่าเริ่มต้น โครงการนี้อธิบายว่า Qwen-Image-2.1 รองรับความละเอียด 2K ได้โดยกำเนิด ไม่มีข้อความใดในทั้งสองรีโพซิทอรีที่อ้างถึงระดับความละเอียดโดยกำเนิดที่สูงกว่านั้น และไม่มีเอกสารใดกล่าวถึงขั้นตอนการอัปสเกล

• ขนาดโมเดล — พารามิเตอร์ 7B ในองค์ประกอบการสร้างภาพ กระจายอยู่ทั่ว 32 เลเยอร์ DiT แบบ single-stream ในรูปแบบ bfloat16 ใช้พื้นที่บนดิสก์ประมาณ 32.5 GB สำหรับคลังเต็ม ไม่มีหน้าต่างบริบทข้อความให้อ้างอิง เพราะนี่ไม่ใช่โมเดลข้อความ อินพุตบริบทขนาด 4096 มิติในการตั้งค่าทรานส์ฟอร์เมอร์คือตัวแทนพรอมป์และภาพเงื่อนไขที่เข้ารหัสแล้ว ไม่ใช่หน้าต่างโทเคน

สัญญาอนุญาต และตำแหน่งที่น้ำหนักอยู่

Qwen-Image-2.1-Turbo เปิดให้ใช้งานภายใต้ Qwen Research License Agreement เมทาดาทาของรีโพซิทอรีระบุว่า license: other พร้อมกับ license_name: qwen-research และ license_link: LICENSE และมีไฟล์ LICENSE อยู่ในรีโพซิทอรีพร้อมกับเวตต์ เราเปรียบเทียบไฟล์สัญญาอนุญาตทั้งสองวันนี้: LICENSE ของรีโพซิทอรี Turbo เหมือนกันทุกไบต์กับของโมเดลฐาน ซึ่งน่ารู้เพราะหมายความว่าการเร่งความเร็วไม่ได้แลกมาด้วยการเปลี่ยนแปลงในเงื่อนไข

สิ่งที่ข้อตกลงระบุ โดยอ่านจากตัวไฟล์เอง: การอนุญาตให้ใช้สิทธิระบุว่า "เพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น" คำว่า "ไม่ใช่เชิงพาณิชย์" ถูกนิยามว่า "เพื่อวัตถุประสงค์ด้านการวิจัยหรือการประเมินผลเท่านั้น" และการใช้ในเชิงพาณิชย์ต้องได้รับ "ใบอนุญาตเชิงพาณิชย์แยกต่างหากจากเรา" ซึ่งขอได้ที่ model-business@notice.qwencloud.com ส่วนหัวของข้อตกลงเองระบุเวอร์ชันไว้วันที่ 20 กันยายน 2026 หากเหตุผลที่คุณต้องการการสร้างแบบแปดขั้นตอนคือมันทำให้โมเดลมีต้นทุนต่ำพอที่จะอยู่เบื้องหลังผลิตภัณฑ์ได้ ใบอนุญาตคือข้อจำกัดที่มีผลผูกพันในกรณีนี้ ไม่ใช่จำนวนขั้นตอน และไม่มีหน้าใดในที่เก็บนี้ที่ไขปัญหานี้ได้

น้ำหนักโมเดลสามารถดาวน์โหลดได้จากสองแห่ง ซึ่งเป็นของเจ้าของผู้พัฒนาเองทั้งคู่: Hugging Face ที่ Qwen/Qwen-Image-2.1-Turbo และ ModelScope ที่ Qwen/Qwen-Image-2.1-Turbo รีโพซิทอรีบน Hugging Face ไม่ได้ถูกจำกัดการเข้าถึง เมทาดาทาของรีโพซิทอรีไม่ได้ระบุผู้ให้บริการอินเฟอเรนซ์ที่โฮสต์ไว้ ดังนั้น เท่าที่รายการของผู้ให้บริการเองระบุไว้ จึงยังไม่มีเอนด์พอยต์ของบุคคลที่สามที่จะรันเช็กพอยต์ตัวนี้ให้คุณได้ในตอนนี้

สำหรับเส้นทางแบบโฮสต์ก็มีของ Qwen เอง: รายการข่าวของโครงการบันทึกว่า Qwen-Image-2.1 Pro และ Turbo APIs เปิดให้บริการบน Alibaba Cloud Model Studio เมื่อวันที่ 9 ตุลาคม 2026 และ GitHub README เสนอว่า "API ที่โฮสต์ไว้ หรือรัน Turbo checkpoint ในสภาพแวดล้อมของคุณเองด้วย Diffusers" ราคาต่อภาพสำหรับเอนด์พอยต์ Turbo ไม่ได้ระบุไว้บนหน้าอ้างอิง API ของผู้ให้บริการที่เราอ่าน ซึ่งชี้ไปที่หน้าราคาโมเดลแยกต่างหากแทน — ดังนั้นให้ถือว่าราคานั้นยังไม่ถูกเผยแพร่ในเนื้อหาที่เราสามารถตรวจสอบได้ และตรวจสอบหน้าราคาของผู้ให้บริการก่อนที่คุณจะวางแผนโดยอิงกับราคานั้น

การปรับละเอียด: อะไรที่ได้รับการบันทึกไว้ และอะไรที่มีเพียงชุมชนเท่านั้น

คำตอบตามตรงคือการ์ด Turbo ไม่ได้ระบุการ fine-tuning ใด ๆ ไว้เลย มันครอบคลุมการติดตั้ง การสร้างภาพจากข้อความ การแก้ไขภาพ การสุ่ม และอัตราส่วนภาพ เท่านั้น ไม่มีส่วนการฝึกโมเดล ไม่มีคำแนะนำ LoRA ไม่มีคำแนะนำเรื่องอะแดปเตอร์ ไม่มีบันทึกเกี่ยวกับชุดข้อมูล และไม่มีสคริปต์สำหรับฝึกโมเดลที่ไหนเลยในรีโพซิทอรีของโปรเจกต์ Qwen-Image — เราได้ตรวจดูโครงสร้างไฟล์ของมัน ซึ่งมีเพียงแอสเซ็ตและไฟล์ข้อมูลสำหรับเขียนพรอมป์ต์ใหม่สองไฟล์

โมเดลฐานให้ผลลัพธ์ดีกว่าเล็กน้อย และนั่นเป็นเอกสารของโมเดลอื่น: เนื้อหาเกี่ยวกับ Qwen-Image-2.1 บันทึกการฝึก LoRA ผ่าน ModelScope ซึ่งสร้างขึ้นบนเฟรมเวิร์กโอเพนซอร์ส DiffSynth-Studio ข้อความนั้นเกี่ยวกับ Qwen-Image-2.1 และไม่มีสิ่งใดในการ์ด Turbo ที่ขยายความไปถึงเช็กพอยต์แบบเร่งความเร็ว

สิ่งที่มีอยู่สำหรับ Turbo คือผลงานของชุมชน ณ วันนี้ มี 47 รีพอซิทอรีบน Hugging Face ที่ประกาศว่า Qwen/Qwen-Image-2.1-Turbo เป็นโมเดลฐานของตนเอง และเกือบทั้งหมดเป็นการพอร์ตควอนไทเซชัน — บิลด์ GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO มีเพียงหนึ่งเดียวเท่านั้นที่เป็น LoRA adapter ซึ่งเป็นอะแดปเตอร์สลับตัวละครที่เผยแพร่เมื่อวันที่ 10 ตุลาคม 2026 ทั้งหมดนั้นไม่ใช่การสนับสนุนจากผู้พัฒนา ไม่มีส่วนใดได้รับการตรวจสอบยืนยันจาก Qw​en และอะแดปเตอร์ที่ฝึกกับเส้นทางสี่สิบสเต็ปของเช็กพอยต์ฐานก็ไม่ได้ถูกต้องโดยอัตโนมัติเมื่อใช้กับตารางแปดสเต็ปที่บันทึกไว้ หากคุณมาที่นี่เพื่อมองหาขั้นตอนการทำงานของ LoRA สำหรับ Turbo คำตอบที่ถูกต้องคือผู้พัฒนายังไม่ได้เผยแพร่สิ่งนั้นเลย

วิธีรันมัน และวิธีเรียกใช้มัน

การโฮสต์เองเป็นงานปกติของ Diffusers ที่มีจุดที่ต้องระวังหนึ่งจุด การติดตั้งตามการ์ดนี้คือบิลด์ PyTorch ที่รองรับ CUDA, ติดตั้ง Diffusers จากซอร์ส (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate และ pillow จุดที่ต้องระวังคือเช็กพอยต์นี้ต้องใช้บิลด์ Diffusers ที่รองรับค่าซิกมาสำหรับการสุ่มตัวอย่างที่กำหนดค่าผ่านไปป์ไลน์ ซึ่งเพิ่มเข้ามาใน PR #14950 — ซึ่ง ณ เวลาที่เขียนยังอยู่ในซอร์สทรีมากกว่าที่จะอยู่ในรีลีสที่ติดแท็ก ซึ่งเป็นเหตุผลว่าทำไมการ์ดจึงไม่บอกให้คุณติดตั้งหมายเลขเวอร์ชัน

บรรทัดการโหลดคือคลาสไปป์ไลน์ของโมเดลฐานโดยสลับชื่อเช็กพอยต์: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda") การสร้างภาพจึงเป็นการเรียกด้วยพรอมป์ต ความกว้างและความสูงจากรายการพรีเซ็ต use_kv_cache=True และซีดของเจนเนอเรเตอร์ ตัวอย่าง text-to-image ของการ์ดใช้ 1696 × 2528 กับซีด 42 และตัวอย่างการแก้ไขส่งอิมเมจ RGBA เป็นอาร์กิวเมนต์ imageที่ 2048 × 2048 กับซีด 20261009 อย่าส่งnum_inference_stepsโดยคาดหวังว่ามันจะทำอะไรได้

ช่องว่างหนึ่งจุดที่ต้องวางแผนเผื่อไว้: การ์ดของ Turbo ไม่ได้ให้คำแนะนำเกี่ยวกับหน่วยความจำเลย การ์ดของโมเดลฐานมีส่วนการปรับแต่งหน่วยความจำที่แสดง pipe.enable_model_cpu_offload(); ส่วนการ์ด Turbo ก็จบลงเพียงเท่านั้น เมื่อมีตัวเข้ารหัสข้อความขนาด 17.5 GB อยู่ในรีโพซิทอรี นั่นคือตัวเลขที่ต้องกันงบไว้ และการ์ดก็ไม่ได้บอกว่ามันพอดีกับการ์ดจอตัวไหน

การเรียกใช้มันแทนการรันมันหมายถึง Qw​en's own hosted Turbo API บน Aliba​ba Cloud Model Studio ไม่มีราคาต่อภาพที่เผยแพร่ซึ่งเราสามารถตรวจสอบได้บนหน้าอ้างอิง API ของผู้ขาย และไม่มีขีดจำกัดอัตราที่เผยแพร่ซึ่งเราสามารถตรวจสอบได้เช่นกัน — ดังนั้นผู้อ่านที่วางแผนเรื่องปริมาณมีตัวเลขสองตัวที่ต้องดึงจากผู้ขายก่อนตัดสินใจ

OrcaRouter อยู่ตรงไหน พูดให้ตรง ๆ

OrcaRouter ไม่ได้จัดเส้นทางให้ Qwen-Image-2.1-Turbo และไม่ได้จัดเส้นทางให้ Qwen-Image-2.1 — ไม่มีตัวระบุใดปรากฏในรายการโมเดลที่ใช้งานจริงของเรา ซึ่งเราได้ตรวจสอบแล้ววันนี้ และไม่มีสิ่งใดในหน้านี้ที่ควรตีความได้ว่าเป็นข้อเสนอที่จะให้บริการโมเดลใดโมเดลหนึ่ง สายงานด้านภาพที่เราให้บริการจริงคือแบบโฮสต์: ตระกูล Open​AI GPT-Image, Imagen 4 ระดับต่าง ๆ ของ Goog​le และเอนด์พอยต์ภาพ Grok Imagine ของ x​AI

ความแตกต่างนี้คือความแตกต่างเชิงปฏิบัติสำหรับจุดตรวจสอบนี้ OrcaRouter รวมโมเดลกว่า 200 รุ่นไว้เบื้องหลังปลายทางเดียวที่เข้ากันได้กับ OpenAI ในราคาตามที่ผู้ให้บริการระบุ โดยไม่บวกเพิ่มเลย และ ยังเพิ่มการสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง — ซึ่งเป็นสิ่งที่คุณต้องการเมื่อคุณเรียกใช้โมเดลรูปภาพแบบโฮสต์ในงานจริง และไม่เกี่ยวข้องเลยเมื่อโมเดลที่พูดถึงคือไฟล์ดาวน์โหลดขนาด 32.5 GB ที่มีลิขสิทธิ์สำหรับการวิจัย หากแผนของคุณคือการรัน Qwen-Image-2.1-Turbo ด้วยตัวเอง ชั้นการจัดเส้นทางไม่ใช่ข้อจำกัด สัญญาอนุญาตการวิจัยของ Qw​en ต่างหากที่เป็น

ดังนั้นการตัดสินใจจึงแยกออกจากกันอย่างชัดเจน แปดขั้นตอน ตารางเวลาที่บันทึกไว้ ใบอนุญาตวิจัยที่เหมือนกันทุกไบต์ และไม่มีเบนช์มาร์ก หมายความว่าเช็กพอยต์นี้เป็นเครื่องมือสำหรับการวิจัยและสร้างต้นแบบ จนกว่าทั้ง Qw​en จะเผยแพร่การประเมิน หรือคุณจะรันการประเมินของคุณเอง หากคุณต้องการเอนด์พอยต์รูปภาพในโปรดักชันภายในสัปดาห์นี้ นั่นคือการซื้อที่แตกต่างออกไป และเป็นสิ่งที่เราขาย