Qwen-Image-2.1-Turbo vs Z-Image Turbo: สองโมเดล 8 สเต็ป สองการเดิมพันที่ต่างกัน

Qwen-Image-2.1-Turbo และ Z-Image Turbo คือเช็กพอยต์ภาพแบบเปิดสองตัวที่คนส่วนใหญ่ในตอนนี้สุดท้ายต้องเลือกระหว่างสองตัวนี้ และเหตุผลที่การเปรียบเทียบนี้ยังวนไปวนมาก็คือทั้งคู่โฆษณาตัวเลขเด่นเดียวกัน ทั้งคู่รันในแปดขั้นตอนการลดสัญญาณรบกวน ทั้งคู่เปิดกว้างพอที่จะดาวน์โหลดและรันบนเครื่องของคุณเอง ทั้งคู่ถูกโฆษณาว่าเร็วกว่าสิ่งที่พวกมันถูกพัฒนามาจากอย่างมาก ทุกอย่างที่ตัดสินว่าจริง ๆ แล้วคุณอยากได้อันไหนอยู่ใต้ตัวเลขที่ใช้ร่วมกันนั้น และไม่มีส่วนไหนเลยที่เป็นจำนวนขั้นตอน Z-Image Turbo ถูกเผยแพร่เมื่อวันที่ 25 พฤศจิกายน 2025 ในฐานะโมเดล 6B ภายใต้ Apache-2.0 โดยกลั่นมาจากสาย Z-Image ด้วยสูตรสองขั้นตอนที่เผยแพร่ไว้ Qwen-Image-2.1-Turbo ปรากฏเมื่อวันที่ 9 ตุลาคม 2026 ในฐานะเช็กพอยต์แบบเร่งความเร็วของ Qwen-Image-2.1 — โมเดลฐานที่เปิดตัวเมื่อวันที่ 20 กันยายน 2026 — โดยคงสถาปัตยกรรม 7B และสัญญาอนุญาตสำหรับงานวิจัยที่ไม่ใช่เชิงพาณิชย์ของผู้ให้บริการไว้ สองรีโพซิทอรีห่างกันแปดเดือน และความแตกต่างในวิธีการสร้างนั้นใหญ่กว่าที่ช่องว่างวันที่บ่งชี้

แปดขั้นตอนคืออาการร่วม ไม่ใช่สาเหตุร่วม

เมื่อโมเดลสองตัวมาถึงจำนวนสเต็ปที่เท่ากันผ่านเส้นทางที่ต่างกัน จำนวนสเต็ปก็ไม่ใช่ตัวเปรียบเทียบที่มีประโยชน์อีกต่อไป มันบอกได้เพียงว่าโมเดลทั้งสองถูกปรับแต่งมาเพื่อให้มีความหน่วงที่เทียบเคียงกันได้ และไม่ได้บอกอะไรอย่างอื่นเลย

• Z-Image Turbo ไปถึงจุดนั้นได้ด้วยการกลั่นแบบจำลอง (distillation) แล้วตามด้วยการเรียนรู้แบบเสริมกำลัง (reinforcement learning) การ์ดของตระกูล Z-Image อธิบายไว้ว่าเป็น "เวอร์ชันกลั่นของ Z-Image ที่เทียบเท่าหรือเหนือกว่าคู่แข่งชั้นนำด้วย NFE เพียง 8 ครั้ง" บทความทางเทคนิคระบุกลไกไว้ชัดเจนว่า Decoupled-DMD ซึ่งเป็นรูปแบบหนึ่งของ Distribution Matching Distillation ที่แยกกลไกสองอย่างซึ่งเมธอด DMD ที่มีอยู่เดิมมองเป็นหนึ่งเดียวออกจากกัน ตามด้วย DMDR ซึ่งผสาน DMD และ RL เข้าด้วยกันในระหว่างการฝึกหลังการฝึก (post-training) ตารางเวอร์ชันบนการ์ดแสดงเส้นทางการฝึกอย่างชัดเจน — การฝึกก่อนการฝึก (pre-training), SFT และ RL ถูกทำเครื่องหมายไว้ทั้งหมด, 8 ขั้นตอน, ปิดการใช้งาน CFG

• Qwen-Image-2.1-Turbo ไปถึงจุดนั้นได้ด้วยการนำฐานที่แข็งแกร่งมาห่อบรรจุใหม่ การ์ดของมันอธิบายไว้ว่าเป็น "เช็กพอยต์แบบเร่งความเร็วของ Qwen-Image-2.1 สำหรับการสร้างภาพจากข้อความและการแก้ไขภาพด้วยขั้นตอนการลดสัญญาณรบกวน 8 ขั้น" บนสถาปัตยกรรมการสร้างภาพขนาด 7B เดียวกัน ไม่มีสูตรการกลั่น (distillation) ที่เผยแพร่ไว้ สิ่งที่ได้รับการบันทึกไว้คือ เช็กพอยต์นี้มีตารางการสุ่มตัวอย่างที่แนะนำมาให้ในตัวเอง ดังนั้น Diffusers จึงโหลดมันโดยอัตโนมัติ และการตั้งค่า `num_inference_steps` เพียงอย่างเดียวจะไม่สามารถแทนที่มันได้ และการสร้างจะใช้ค่าเริ่มต้นเป็น CFG=1 โดยมีแคช KV แบบ prefix ที่นำบริบทข้อความและภาพอ้างอิงกลับมาใช้ซ้ำในแต่ละขั้นตอน

ผลลัพธ์ในทางปฏิบัติ: กับ Z-Image Turbo คุณกำลังรันโมเดลที่ความเร็วเป็นผลผลิตจากกระบวนการเทรน และกับ Qwen-Image-2.1-Turbo คุณกำลังรันเช็กพอยต์ของโมเดลที่คุณภาพดีอยู่แล้ว โดยเส้นทางการสุ่มตัวอย่างถูกย่นให้สั้นลงและถูกตรึงไว้ในไฟล์ ทั้งสองแบบล้วนชอบด้วยเหตุผล แต่ความล้มเหลวของมันต่างกัน โมเดลแบบกลั่น (distilled) มีงบประมาณด้านคุณภาพที่ถูกใช้ไประหว่างการเทรน ส่วนเช็กพอยต์ที่นำมาบรรจุใหม่มีงบประมาณนั้นที่ถูกใช้ไประหว่างการสร้างเช็กพอยต์ ไม่มีใบสเปกของฝ่ายไหนเปิดเผยว่าใช้ไปเท่าไร

เส้นที่แยกพวกเขาออกจากกันจริง ๆ

ห้ามิติเป็นตัวตัดสินการเปรียบเทียบครั้งนี้ แต่ละมิติระบุไว้ในแหล่งข้อมูลปฐมภูมิที่คุณเปิดดูได้

• ขนาด: พารามิเตอร์ 6B สำหรับ Z-Image Turbo เทียบกับ 7B สำหรับ Qwen-Image-2.1-Turbo ทั้งคู่มีขนาดเล็กพอสำหรับฮาร์ดแวร์ระดับผู้บริโภค และช่องว่างนี้ไม่ใช่สิ่งที่ตัดสินผลลัพธ์ของคุณ

• สัญญาอนุญาต: Apache-2.0 สำหรับ Z-Image Turbo; ข้อตกลง qwen-research สำหรับ Qwen-Image-2.1-Turbo ซึ่งให้สิทธิ์ "เพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น" และต้องยื่นขอสัญญาอนุญาตแยกต่างหากสำหรับการใช้งานเชิงพาณิชย์ นี่คือความแตกต่างที่มากที่สุดระหว่างสองโมเดล และเป็นความแตกต่างเพียงข้อเดียวที่เป็นแบบสองทาง

• การแก้ไขภาพ:Qwen-Image-2.1-Turbo ทำทั้ง text-to-image และการแก้ไขภาพตามคำสั่ง ด้วยการดาวน์โหลดเพียงครั้งเดียว — การ์ดของโมเดลนี้สาธิตทั้งสองความสามารถโดยใช้ตารางเวลาที่บันทึกไว้ชุดเดียวกัน Z-Image Turbo เป็นโมเดลสำหรับสร้างภาพ ส่วนการแก้ไขภาพอยู่ใน Z-Image-Edit ซึ่งเป็นเวอร์ชันแยกต่างหากที่การ์ดของตระกูลนี้ยังระบุว่า "จะเปิดตัวในภายหลัง" หากไปป์ไลน์ของคุณต้องการการแก้ไขภาพตามคำสั่งในตอนนี้ บรรทัดนี้ก็ตัดสินได้เลย

• การเรนเดอร์ข้อความและภาษา: การ์ดของ Z-Image ระบุถึงการเรนเดอร์ข้อความสองภาษา คืออังกฤษและจีน เป็นจุดแข็งระดับหัวข้อของ Turbo ส่วนการ์ดของ Qwen-Image-2.1-Turbo ไม่ได้กล่าวอ้างในลักษณะเดียวกัน — การนำเสนอผลงานของมันจัดหมวดหมู่ตามประเภทของผลลัพธ์ (ภาพบุคคล ท่าทางและการเคลื่อนไหว RGBA แบบโปร่งใส การจัดวางตัวอักษรและการออกแบบโปสเตอร์ เลย์เอาต์ UI การแปลงภาพเดี่ยว การจัดองค์ประกอบจากภาพอ้างอิงหลายภาพ) มากกว่าจะจัดตามภาษา

• ความพร้อมด้านหน่วยความจำและการนำไปใช้งาน:การ์ด Z-Image ระบุว่า Turbo "พอดีอย่างสบาย ๆ ภายในอุปกรณ์สำหรับผู้บริโภคที่มี VRAM 16G" และอ้างว่าการอนุมานใช้เวลาต่ำกว่าหนึ่งวินาทีบนฮาร์ดแวร์ระดับ H800 — เป็นคำกล่าวอ้างของผู้ขาย โดยไม่ได้อ้างอิงกับวิธีการวัดใด ๆ การ์ดของ Qwen-Image-2.1-Turbo ไม่ได้เผยแพร่ตัวเลขหน่วยความจำหรือเวลาแฝงใด ๆ เลย ภายในสี่วันหลังจากที่มันเปิดตัว พอร์ต macOS อิสระได้วัดมันที่ค่าสูงสุด 1.8 ถึง 2.7 GB โดยไม่มีการสวอปเลยบน M1 Pro ขนาด 16 GB ที่ขีดจำกัดเอาต์พุต 1024×1536 นั่นเป็นตัวเลขจากบุคคลที่สามบนการนำไปใช้งานของบุคคลที่สาม ไม่ใช่ตัวเลขจากผู้ขาย

สิ่งที่ลีดเดอร์บอร์ดครอบคลุม และสองแถวที่ไม่มีอยู่

นี่คือจุดที่การเปรียบเทียบมักถูกตีความผิดบ่อยที่สุด ดังนั้นจึงคุ้มค่าที่จะระบุให้ชัดเจนว่าตัวเลขแต่ละตัวเป็นของโมเดลใด

บนอารีนา text-to-image สาธารณะ มีแถวสำหรับ Z-Image Turbo ที่ 941 Elo จากการโหวตประมาณ 9,000 ครั้ง และมีอีกแถวแยกต่างหากสำหรับ Z-Image Base ที่ 877 มีแถวสำหรับ Qwen-Image-2.1 ที่ 1,038 Elo จากการโหวตประมาณ 5,500 ครั้ง ลงวันที่กันยายน 2026 และถูกทำเครื่องหมายว่าไม่มี API ให้ใช้งาน บอร์ดการแก้ไขก็มีแถวของ Qwen-Image-2.1 เช่นกัน

สังเกตสิ่งที่หายไป ไม่มีแถวสำหรับ Qwen-Image-2.1-Turbo บนบอร์ดใดเลย — checkpoint นี้เป็นรุ่นวันที่ 9 ตุลาคม 2026 และยังไม่ได้ถูกประเมินแยกต่างหาก และไม่มีแถว Z-Image Turbo บนบอร์ด editing เพราะ Z-Image Turbo ไม่ได้ทำ editing ดังนั้นการเปรียบเทียบที่ดูสะอาดตา "Qwen ที่ 1,034 เทียบกับ Z-Image ที่ 941" จึงไม่ใช่การเปรียบเทียบ checkpoint สองตัวที่บทความนี้พูดถึง แต่เป็นการเปรียบเทียบโมเดลที่ Z-Image Turbo ถูกกลั่นมาจาก กับโมเดลที่ Qwen-Image-2.1-Turbo ถูกเร่งความเร็วมาจาก คุณภาพของ Qwen-Image-2.1-Turbo ในแปดขั้นตอนไม่มีการวัดในที่สาธารณะ และเช่นเดียวกันกับว่า อันดับของโมเดลฐานยังคงอยู่มากเพียงใดภายใต้กำหนดการที่สั้นลง

วิธีอ่านตัวเลขเหล่านั้นที่ถูกต้องคือมองเป็นขอบเขตบนที่มีข้อแม้กำกับอยู่ โดยตระกูลที่ Qwen-Image-2.1-Turbo สืบทอดมาอยู่สูงกว่าตระกูลที่ Z-Image Turbo สืบทอดมาประมาณ 97 Elo บนกระดาน text-to-image และยังไม่มีใครเผยแพร่ว่าเช็กพอยต์ Turbo รักษาช่องว่างนั้นไว้หรือไม่

ใบอนุญาตไม่ใช่เชิงอรรถในการจับคู่นี้

ระหว่างสองโมเดลที่ความสามารถใกล้กันขนาดนี้ ไลเซนส์มักเป็นปัจจัยชี้ขาดทั้งหมด และตรงนี้ ทั้งสองไม่ได้ใกล้เคียงกันเลย

Z-Image Turbo เผยแพร่ภายใต้สัญญาอนุญาต Apache-2.0 ซึ่งเป็นสัญญาอนุญาตแบบเปิดกว้าง (permissive) คุณสามารถใช้งาน ดัดแปลง เผยแพร่ต่อ และขายสิ่งที่คุณสร้างขึ้นด้วยมันได้ ภายใต้เงื่อนไขการระบุที่มาและการประกาศแจ้งตามปกติ

Qwen-Image-2.1-Turbo สืบทอดข้อตกลงใบอนุญาต Qwen Research License Agreement มาจากโมเดลฐานโดยไม่มีการเปลี่ยนแปลง เมื่ออ่านข้อตกลงนี้และประโยคที่มีผลบังคับใช้ก็ไม่มีความกำกวม — การอนุญาตนั้นระบุว่า "FOR NON-COMMERCIAL PURPOSES ONLY" (สำหรับวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น) และการใช้งานเชิงพาณิชย์ต้องได้รับใบอนุญาตแยกต่างหากจากผู้จำหน่าย ข้อตกลงดังกล่าวยังห้ามใช้คำว่า "Qwen" เป็นชื่อหลักหรือตัวระบุของงานที่ดัดแปลง ขณะเดียวกันก็อนุญาตให้ใช้ในเชิงพรรณนาได้ เช่น "fine-tuned from Qwen Image"

ถ้าคุณกำลังสร้างต้นแบบ ประเมิน หรือทำวิจัย ความแตกต่างนั้นไม่ทำให้คุณเสียค่าใช้จ่ายใดๆ และคุณสามารถเลือกโดยพิจารณาจากความสามารถได้ ถ้าคุณกำลังสร้างบางสิ่งเพื่อขายหรือดำเนินการเชิงพาณิชย์ หนึ่งในสองสิ่งนี้ใช้งานได้ และอีกสิ่งหนึ่งต้องพูดคุยกับ Alibaba Cloud นั่นเป็นข้อเท็จจริงที่ใหญ่กว่ามากเมื่อเทียบกับตารางเวลา 8 ขั้นตอน

การรันตัวใดตัวหนึ่ง และจุดที่เราเตอร์เริ่มเข้ามาเกี่ยวข้อง

ทั้งสองอย่างนี้เป็นไฟล์เวทที่คุณโฮสต์เอง และทั้งคู่ก็ไม่ใช่เอนด์พอยต์แบบโฮสต์บน OrcaRouter การบอกเป็นนัยว่าเป็นอย่างอื่นก็คงไม่ซื่อสัตย์ — โมเดลภาพที่เราเราเตอร์ให้บริการนั้นคือตระกูล O​penAI GPT-Image เหตุผลที่ผลิตภัณฑ์นี้อยู่ในบทสนทนานี้ตั้งแต่แรกก็คือสิ่งที่เกิดขึ้นในทันทีที่เช็กพอยต์อย่างใดอย่างหนึ่งในสองตัวนี้มีผู้ให้บริการแบบโฮสต์อยู่เบื้องหลัง

วันที่สิ่งนั้นเกิดขึ้น การตัดสินใจจะไม่ใช่ "ฉันจะดาวน์โหลดไฟล์ไหน" อีกต่อไป แต่จะกลายเป็น "ฉันต้องดูแลการเชื่อมต่อกับผู้ให้บริการกี่ราย" นั่นคือปัญหาที่ OrcaRouter ถูกสร้างขึ้นมาเพื่อแก้: โมเดลมากกว่า 200 รายการอยู่เบื้องหลัง endpoint เดียวที่เข้ากันได้กับ OpenAI ในราคาตามที่ผู้ให้บริการประกาศ โดยบวกเพิ่มเป็นศูนย์, DSL สำหรับการจัดเส้นทางเพื่อระบุว่าคุณต้องการโมเดลใดภายใต้เงื่อนไขแบบใด การสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง และการหลอมรวมโมเดลเพื่อรวมผลลัพธ์เช็กพอยต์แบบเปิด 8 ขั้นตอนกับเราเตอร์ไม่ใช่คำตอบที่มาแข่งกันเอง อย่างหนึ่งคือไฟล์บนดิสก์ของคุณ ส่วนอีกอย่างคือวิธีที่คุณเลิกสนใจว่า endpoint ใดอยู่เบื้องหลังชื่อโมเดล

จนกว่าจะถึงตอนนั้น เส้นทางภายในเครื่องก็คือเส้นทางทั้งหมด และข้อจำกัดก็คือข้อจำกัดที่การ์ดและใบอนุญาตระบุไว้

อันไหนควรดาวน์โหลดก่อน

เวอร์ชันที่สั้นที่สุดและซื่อตรงที่สุดของการตัดสินใจ:

• เลือก Z-Image Turbo หากคุณต้องการส่งมอบงานเชิงพาณิชย์ หากคุณต้องการสูตรการเร่งความเร็วที่มีเอกสารประกอบครบถ้วนกว่า พร้อมเส้นทางการฝึกที่เผยแพร่แล้ว หากการเรนเดอร์ข้อความสองภาษาทั้งจีนและอังกฤษเป็นข้อกำหนดจริง หรือหากคุณกำลังมุ่งเป้าไปที่อุปกรณ์ขนาด 16 GB และต้องการขอบเขตหน่วยความจำที่ผู้จำหน่ายระบุไว้

• เลือก Qwen-Image-2.1-Turbo หากคุณต้องการการแก้ไขที่นำทางด้วยคำสั่งและการสร้างภาพจากข้อความจาก checkpoint เดียวในวันนี้ แทนที่จะรอเวอร์ชันสำหรับแก้ไขแยกต่างหาก หากงานของคุณคือการวิจัยหรือการประเมิน และหากคุณยินดีที่จะมีสายเลือดของโมเดลฐานที่แข็งแกร่งกว่าและยอมรับว่าคุณภาพของมันหลังจากแปดขั้นตอนยังไม่ถูกวัดในปัจจุบัน

• เลือกทั้งสองตัวหากคุณกำลังเลือกให้ทีม ทั้งสองมีขนาดเล็กพอที่จะวางเคียงข้างกันบนดิสก์เดียวกัน ทั้งคู่ให้บริการโดยตัวรันภายในเครื่องประเภทเดียวกัน และสิ่งเดียวที่คุณทำไม่ได้เมื่อติดตั้งทั้งสองตัวไว้คือการนำ Q​wen checkpoint ไปจำหน่ายในเชิงพาณิชย์

สิ่งที่ทั้งสองยังไม่ได้มอบให้คุณในวันนี้ก็คือเบนช์มาร์ก แปดสเต็ป, 6B เทียบกับ 7B, Apache-2.0 เทียบกับสัญญาอนุญาตสำหรับงานวิจัย — ทั้งหมดนั้นเป็นเพียงข้อเท็จจริงบนการ์ดใบหนึ่ง ส่วนคำถามที่ว่าในสองตัวนี้ ตัวไหนสร้างภาพได้ดีกว่ากันหลังจากผ่านการลดสัญญาณรบกวนแปดสเต็ป ยังไม่มีแหล่งข้อมูลปฐมภูมิใดตอบไว้ และสำหรับตอนนี้ สิ่งที่ซื่อตรงที่สุดคือการรันทั้งสองตัวกับพรอมป์ของคุณเอง มากกว่าจะเชื่อแถวในลีดเดอร์บอร์ดที่เป็นของเช็กพอยต์คนละตัว

การเปรียบเทียบแบบนี้ก็เป็นจุดที่โหมดความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในระดับนี้ได้รับการรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และสถานะถูกโต้แย้งเป็นของตนเอง