Qwen-Image 2.1 vs LLaDA-Image-Turbo: สองโมเดลภาพแบบเปิด สองสัญญาอนุญาตที่แตกต่างกันสุดขั้ว

โมเดลภาพแบบเปิดน้ำหนักสองตัวเปิดตัวภายในช่วงสามสัปดาห์เดียวกัน ทีม Qwen-Image เผยแพร่ Qwen-Image 2.1 เมื่อวันที่ 20 กันยายน 2026 — ทั้งไฟล์น้ำหนัก ไฟล์สัญญาอนุญาต การ์ดโมเดล และโพสต์บล็อก ในวันเดียวกันทั้งหมด โดยแทบไม่มีช่วงประชาสัมพันธ์ล่วงหน้าเลย สิบหกวันก่อนหน้านั้น เมื่อวันที่ 4 กันยายน 2026 inclusionAI (ห้องแล็บวิจัยของ Ant Group) ได้เผยแพร่ LLaDA-Image-Turbo โดยไม่มีโพสต์เปิดตัว ไม่มีข่าวประชาสัมพันธ์ และไม่มีการประกาศใด ๆ เลย ทั้งสองตัวดาวน์โหลดได้ในวันนี้ ทั้งคู่ยังไม่มีคะแนน benchmark จากแหล่งอิสระแม้แต่คะแนนเดียว และความแตกต่างที่จะตัดสินจริง ๆ ว่าคุณใช้ตัวไหนได้ ไม่ได้อยู่ในเอกสารการ์ดโมเดลของทั้งสองตัว — แต่มันอยู่ในเอกสารสัญญาอนุญาต Qwen-Image 2.1 มาพร้อมสัญญาอนุญาตเพื่อการวิจัยที่ห้ามใช้เชิงพาณิชย์โดยเด็ดขาด ส่วน LLaDA-Image-Turbo มาพร้อมกับการที่ไม่มีการประกาศสัญญาอนุญาตใด ๆ ในทุกคลังเก็บของมันเลย

คำถามเกี่ยวกับใบอนุญาตต้องมาก่อน เพราะเป็นเพียงข้อเดียวที่มีคำตอบชัดเจน

เริ่มจากตรงนี้ เพราะทุกสิ่งอย่างอื่นในการเปรียบเทียบนี้เป็นเพียงข้อสันนิษฐานชั่วคราว แต่สิ่งนี้ไม่ใช่

• Qwen-Image 2.1 เผยแพร่ภายใต้ข้อตกลงสิทธิ์การใช้งาน Qwen Research License Agreement ลงวันที่ 20 กันยายน 2026 ซึ่งให้สิทธิ์ "สำหรับวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น" และระบุว่าการใช้งานเชิงพาณิชย์ต้องขอใบอนุญาตแยกต่างหากจากผู้จำหน่าย นี่เป็นการเปลี่ยนแปลงที่มีนัยสำคัญจากสายผลิตภัณฑ์ Qwen-Image ก่อนหน้า ซึ่งเผยแพร่ภายใต้ Apache 2.0 ข้อกำหนดนี้ชัดเจนไม่มีข้อกำกวม: คุณสามารถอ่าน ประเมิน ทดสอบเปรียบเทียบ และเขียนเกี่ยวกับมันได้ แต่คุณไม่สามารถนำมันไปใส่ในผลิตภัณฑ์ได้

• LLaDA-Image-Turboไม่มีการประกาศสัญญาอนุญาตใด ๆ เลย ไม่ใช่แบบเปิดกว้าง ไม่ใช่แบบจำกัด และไม่ใช่ข้อความแทนที่ใด ๆ รีโพซิทอรีที่ไม่มีการระบุสัญญาอนุญาตไม่ถือว่า "ใช้ฟรีได้" ในความหมายทางกฎหมายใด ๆ — โดยค่าเริ่มต้นจะสงวนสิทธิ์ทั้งหมด ซึ่งเป็นสถานะที่เข้มงวดกว่าสัญญาอนุญาตเพื่อการวิจัยของ Qwen ไม่ใช่ผ่อนปรนกว่า หากคุณวางแผนจะต่อยอดจากมัน นั่นเป็นคำถามที่ต้องถามทีมวิจัย ไม่ใช่ถามจาก README

ความย้อนแย้งนี้ควรกล่าวให้ตรงไปตรงมา: โมเดลที่มาพร้อมสัญญาอนุญาตแบบเป็นทางการและเข้มงวด คือโมเดลที่คุณวางแผนรับมือได้ในวันนี้ เพราะคุณรู้แน่ชัดว่าคุณยืนอยู่ตรงไหน ส่วนโมเดลที่ไม่มีสัญญาอนุญาต คือโมเดลที่คุณวางแผนรับมือไม่ได้

โมเดลทั้งสองนั้นแท้จริงคืออะไร

ถ้าตัดเรื่องการอนุญาตให้ใช้สิทธิออกไป ทั้งสองก็คือดีไซน์ที่แตกต่างกันอย่างแท้จริง สร้างขึ้นด้วยเหตุผลที่ต่างกัน

• สถาปัตยกรรม — Qwen-Image 2.1 เป็น diffusion transformer แบบ single-stream จำนวน 32 ชั้น ที่มีพารามิเตอร์ 7B ในคอมโพเนนต์การสร้างภาพ ตัวเข้ารหัสข้อความ Qwen3-VL 8B และ VAE แบบ RGBA 64 ช่อง ที่การบีบอัดเชิงพื้นที่ 16× โดยรวมทั้งชุดประมาณ 33 GB LLaDA-Image-Turbo เป็นโมเดลสร้างและแก้ไขแบบรวมเป็นหนึ่งขนาด 6B — ชุดน้ำหนักชุดเดียวทำทั้งสองงาน แทนที่จะเป็นโมเดลฐานบวกเส้นทางการแก้ไขแยกต่างหาก

• ขั้นตอนการอนุมาน — Qwen-Image 2.1 มีค่าเริ่มต้นที่ 2048×2048 ด้วย 40 ขั้นตอน โดยใช้ flow matching และการจัดตารางแบบ Euler discrete ส่วน LLaDA-Image-Turbo ผ่านการกลั่นด้วย Twin-DMD ให้เหลือ 2–4 ขั้นตอน โดยแนะนำที่ 4 ขั้นตอน และทำงานที่ guidance scale 1.0 เทียบกับ 5.0 ของโมเดล Base

• ตัวเลือกความแม่นยำ — Qwen-Image 2.1 เผยแพร่การรองรับการควอนไทซ์ FP8 ผ่านเส้นทาง vLLM-Omni ของตน ส่วน LLaDA-Image-Turbo มีให้ดาวน์โหลดทั้งเช็กพอยต์ BF16 และ FP8 แยกเป็นรายการต่างหาก

• การกำหนดเงื่อนไขด้วยภาพอ้างอิง — Qwen-Image 2.1 รองรับภาพอ้างอิงสูงสุด 10 ภาพ รองรับการแก้ไขเฉพาะจุดด้วยการวงกลม การวาดคำอธิบาย หรือมาสก์แยกต่างหาก และสร้าง RGBA แบบเนทีฟพร้อมการแก้ไขเลเยอร์โปร่งใส การ์ดของ LLaDA-Image-Turbo ไม่ได้ระบุเพดานจำนวนภาพอ้างอิง

• แอตเทนชัน — Qwen-Image 2.1 ใช้แอตเทนชันแบบบล็อก-คอซัล (block-causal) กล่าวคือ ใช้มาสก์เชิงเหตุ-ผลระดับโทเคนสำหรับข้อความ และใช้มาสก์แบบสองทิศทางระดับชังก์สำหรับการสร้างภาพ โดยจะใช้แคช KV ของพรีฟิกซ์ซ้ำเมื่อเช็กพอยต์มี causal_condition: true ส่วนการ์ดของ LLaDA-Image-Turbo ไม่ได้อธิบายรูปแบบการมาสก์ของตนไว้อย่างละเอียดเท่านั้น

• ใบอนุญาต — ใช้เพื่อการวิจัยเท่านั้นและระบุไว้อย่างชัดเจน เทียบกับแบบที่ไม่ได้ประกาศไว้

สังเกตว่าจำนวนสเต็ปหมายถึงอะไรเมื่อเทียบกับจำนวนพารามิเตอร์ Qwen-Image 2.1 เป็นโมเดลที่ใหญ่กว่าและรันด้วยจำนวนสเต็ปมากกว่าสิบเท่า ส่วน LLaDA-Image-Turbo เป็นโมเดลที่เล็กกว่า ซึ่งถูกกลั่นให้เหลือเพียงไม่กี่สเต็ป ทั้งสองเป็นการเดิมพันที่ตรงข้ามกันเกี่ยวกับว่าต้นทุนของการสร้างภาพอยู่ตรงไหน และคำตอบที่ถูกต้องก็ขึ้นอยู่ทั้งหมดกับว่าคอขวดของคุณคือวินาที GPU ต่อภาพ หรือเพดานว่าภาพหนึ่งภาพจะดูดีได้แค่ไหน

เศรษฐศาสตร์ความเร็ว: 40 ขั้นตอน เทียบกับ 4

ชื่อ Turbo มีความหมายจริง ๆ ตรงนี้ การกลั่นแบบ Twin-DMD ย่อวิถีการแพร่ให้เหลือเพียงไม่กี่ก้าวกระโดดขนาดใหญ่ ซึ่งเป็นเหตุผลว่าทำไม LLaDA-Image-Turbo จึงสามารถรันที่ 4 สเต็ปได้ ในขณะที่โมเดล Base ของมันต้องการกำหนดการแบบปกติ ที่ guidance 1.0 มันยังข้าม classifier-free guidance ซึ่งปกติจะเพิ่มจำนวน forward pass ต่อสเต็ปเป็นสองเท่า — ดังนั้นช่องว่างที่แท้จริงจึงกว้างกว่าที่ 40 ต่อ 4 บอกไว้เพียงลำพัง

สิ่งที่คุณได้จากตรงนั้นคือปริมาณงานต่อหน่วยเวลาและความสามารถในการคาดการณ์ โมเดลขนาด 6B ที่ใช้สี่ขั้นตอนเป็นแบบที่พอดีกับการ์ดระดับผู้บริโภคเพียงใบเดียว และสร้างภาพร่างได้เร็วพอที่จะอยู่ในลูปแบบโต้ตอบ Qwen-Image 2.1 ที่ 40 ขั้นตอนและ 2048×2048 เป็นการตั้งค่าที่เน้นคุณภาพเป็นอันดับแรก คำแนะนำของ model card เองสำหรับฮาร์ดแวร์ที่มีข้อจำกัดคือ CPU offload ผ่าน pipe.enable_model_cpu_offload() ซึ่งเป็นทางออกฉุกเฉินมากกว่าจะเป็นการแก้ปัญหา

สิ่งที่ถ่วงดุลก็คือการกลั่นเป็นเพียงการบีบอัดความสามารถ และไม่มีสิ่งใดตรงนี้ที่ถูกวัดโดยใครก็ตามนอกสองแล็บนี้ จุดข้อมูลอิสระเพียงจุดเดียวที่มีอยู่สำหรับโมเดลใดโมเดลหนึ่งคือรีวิวแบบลงมือใช้ในช่วง Early Access ของ Qwen-Image 2.1 จากผู้ทดสอบในโครงการ Qwen Ambassador ซึ่งรันเวตสุดท้ายผ่านอินเทอร์เฟซ ModelScope Studio และรายงานว่าประมาณ 10–15 วินาทีสำหรับการสร้างภาพจากข้อความ และ 18–23 วินาทีสำหรับการแก้ไขภาพ นั่นคือผู้รีวิวหนึ่งคน บน UI แบบ Early Access โดยไม่มีตัวจับเวลาแสดงผล — เป็นสัญญาณที่มีประโยชน์ ไม่ใช่เบนช์มาร์ก LLaDA-Image-Turbo ไม่มีรายงานแบบลงมือใช้ที่เทียบเคียงได้ในที่สาธารณะเลยแม้แต่ชิ้นเดียว

การแก้ไขคือจุดที่การออกแบบทั้งสองแตกต่างกันมากที่สุด

โมเดลทั้งสองทำการแปลงข้อความเป็นภาพและการแก้ไขภาพได้ แต่ไปถึงจุดนั้นด้วยวิธีที่ต่างกัน และความแตกต่างนั้นปรากฏอยู่ในโครงสร้างเบื้องหลังมากกว่าผลลัพธ์

Qwen-Image 2.1 มองว่าการทำตามคำสั่งเป็นองค์ประกอบแยกต่างหากที่ตรวจสอบได้ นอกเหนือจากโมเดลภาพแล้ว การเปิดตัวครั้งนี้ยังรวมถึงเช็กพอยต์สำหรับเขียนพรอมป์ตใหม่สองตัว — Qwen/Qwen-Image-2.1-PE-T2I และ Qwen/Qwen-Image-2.1-PE-I2I โดยแต่ละตัวเป็น Qwen3.5-VL 9B ที่ผ่านการไฟน์จูน ขนาดประมาณ 18.8 GB — ซึ่งรับคำสั่งที่คลุมเครือและเขียนใหม่ให้เป็นคำสั่งที่ชัดเจนไม่กำกวมก่อนที่โมเดล diffusion จะได้เห็น ตัวแปร I2I นั้นมีภาพนำเข้าเสมอ จึงเป็นงานแก้ไขเสมอ และไม่ใช่การสร้างจากศูนย์ สิ่งสำคัญคือ ตัวเขียนใหม่นี้มาพร้อมกับ system_prompt.txt ที่คุณสามารถอ่านและเขียนทับได้ และมันระบุเรื่องภาษาไว้อย่างชัดเจนเป็นพิเศษ: ภาษาที่ใช้บรรยายจะเป็นไปตามคำสั่งของคุณ ส่วนภาษาของข้อความที่วาด ลงในภาพนั้นถูกกำหนดด้วยลำดับความสำคัญที่เข้มงวด ซึ่งรักษาภาษาของป้ายกำกับที่มีอยู่ของภาพนำเข้าไว้ แม้ว่าคุณจะพรอมป์ตด้วยภาษาอื่นก็ตาม

นั่นเป็นงานวิศวกรรมชิ้นเล็ก ๆ ที่มีรัศมีผลกระทบกว้างใหญ่ หากคุณกำลังผลิตภาพผลิตภัณฑ์สำหรับตลาดที่ข้อความบนบรรจุภัณฑ์มีความสำคัญ "ตัวรีไรต์รักษาภาษาของฉลากที่มีอยู่เดิม" กับ "ตัวรีไรต์ช่วยแปลทุกอย่างเป็นภาษาอังกฤษ" คือความแตกต่างระหว่างแอสเซตที่ใช้ได้กับแอสเซตที่ถูกปฏิเสธ — และเนื่องจากมันอยู่ในพรอมต์ระบบแทนที่จะอยู่ในกล่องดำที่โฮสต์ไว้ คุณจึงสามารถ diff มันและแก้ไขมันได้

LLaDA-Image-Turbo เลือกแลกแบบตรงกันข้าม: โมเดล 6B ตัวเดียว ชุดน้ำหนักชุดเดียว การสร้างและการแก้ไขใช้ทุกอย่างร่วมกัน ชิ้นส่วนที่เคลื่อนไหวน้อยกว่า ตั้งค่าน้อยกว่า และไม่มีอะไรให้ตรวจสอบหรือเขียนทับ การ์ดของมันอ้างอิงตัวเลขจาก Qwen-Image-Bench ที่ 53.53 สำหรับภาษาอังกฤษ และ 53.38 สำหรับภาษาจีน พร้อมข้ออ้างว่าเป็น SOTA ของโอเพนซอร์ส — ผู้ขายรายงานเอง ยังไม่มีการทำซ้ำ และพึงสังเกตว่าเบนช์มาร์กที่มันกำลังชนะนั้นตั้งชื่อตามโมเดลที่มันแข่งขันด้วยโดยปริยาย

คุณจะรันมันบนอะไรจริง ๆ

การสนับสนุนระบบนิเวศในวันเปิดตัวเป็นส่วนที่ดูไม่หวือหวาที่สุดของการเปิดตัว และเป็นส่วนที่ตัดสินว่าคุณจะใช้เวลาช่วงบ่ายหรือทั้งสุดสัปดาห์

• Qwen-Image 2.1 เปิดตัวในวงกว้าง: QwenImage21Pipeline ถูก merge เข้า Diffusers ตั้งแต่วันแรก; รองรับ ComfyUI แบบเนทีฟพร้อมเทมเพลตเวิร์กโฟลว์ text-to-image และ image-edit; vLLM-Omni ที่มี step-wise execution, prefix KV caching, CUDA Graph decode, FP8 quantization และ tensor/Ulysses parallelism; pull request สำหรับรองรับ SGLang แบบเนทีฟที่ merge เมื่อวันที่ 17 กันยายน — สามวัน ก่อนที่น้ำหนักโมเดลจะออก — ครอบคลุมทั้ง DiT, RGBA VAE, การปรับเงื่อนไข Qwen3-VL และอินพุตแบบหลายข้อมูลอ้างอิง ผ่านการตรวจสอบบน H200, B200, RTX PRO 6000, RTX 5090 และ RTX 4090; และการเร่งความเร็วตั้งแต่วันแรกผ่าน LightX2V พร้อม AMD Radeon ผ่าน ROCm และการรองรับหลายชิปผ่าน FlagOS

• LLaDA-Image-Turboได้รับการรองรับบน ComfyUI เมื่อวันที่ 7 กันยายน 2026 ซึ่งเป็นเวลาสามวันหลังจากที่น้ำหนักโมเดลเปิดตัว พร้อมทั้งการเผยแพร่ผ่าน Diffusers และ Safetensors นั่นถือเป็นเส้นทางจริงสู่การรันโมเดล แต่ก็เป็นเส้นทางที่บางกว่า และไม่มีงานด้านการให้บริการในเวอร์ชันก่อนเปิดตัวที่เทียบเท่ากันให้อ้างอิงได้

พูลรีเควสต์ SGLang ก่อนเปิดตัวคือสัญญาณบอกสำหรับ Qwen-Image 2.1 การรองรับเฟรมเวิร์กที่ลงมาก่อนน้ำหนักโมเดล หมายความว่ามีใครบางคนกำลังทดสอบเส้นทางการให้บริการกับเช็กพอยต์ ไม่ใช่เขียนมันขึ้นมาจากการ์ดโมเดลทีหลัง

พาธที่โฮสต์ไว้ซึ่งคุณเก็บไว้ควบคู่กับการทดลอง

ณ เวลาที่เขียนบทความนี้ โมเดลทั้งสองนี้ไม่สามารถจัดเส้นทางผ่าน OrcaRouter ได้ และบทความนี้จะไม่สื่อเป็นนัยเป็นอย่างอื่น — ทั้งคู่เป็นข้อเสนอแบบโฮสต์เอง โดยตัวหนึ่งอยู่ภายใต้สัญญาอนุญาตที่ตัดความเป็นไปได้ในการใช้งานจริง (production) และอีกตัวหนึ่งไม่มีสัญญาอนุญาตใด ๆ เลย สิ่งที่สำคัญสำหรับทีมที่ประเมินโมเดลเหล่านี้ก็คือ การประเมินนั้นไม่จำเป็นต้องอยู่บนเส้นทางวิกฤต

OrcaRouter วางโมเดลกว่า 200 รายการไว้เบื้องหลัง endpoint เดียวที่เข้ากันได้กับ OpenAI ในราคา list price ของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมระบบ failover อัตโนมัติข้ามผู้ให้บริการ และ routing DSL ที่ให้คุณประกอบหลายโมเดลเข้าเป็นการเรียกครั้งเดียว รูปแบบที่ใช้ได้จริงสำหรับการตัดสินใจครั้งนี้คือ route ที่โมเดลที่คุณไว้ใจอยู่แล้วรับ traffic production ไป ส่วน checkpoint ที่ self-host เองถูกทดสอบเคียงข้างกัน — และเนื่องจาก list price ถูกส่งผ่านตรง ๆ โดยไม่บวกเพิ่ม การเปลี่ยนแปลงราคาจากผู้ขายของโมเดลใด ๆ ที่อยู่ใน route จะมีผลฝั่งเราในวันเดียวกัน แทนที่จะต้องรอการแก้สัญญา โมเดลรูปภาพที่เรารูตอยู่ในปัจจุบันคือตระกูล GPT-Image ของ OpenAI, Imagen 4 ทุกระดับและ Gemini image previews ของ Google และ image endpoint Grok Imagine ของ xAI ถ้าคุณจะใช้เวลาหนึ่งสัปดาห์ตั้ง diffusion transformer ขนาด 33 GB เพื่อดูว่ามันเอาชนะโมเดลแบบ hosted ได้หรือไม่ โมเดล hosted คือกลุ่มควบคุม และการมีกลุ่มควบคุมพร้อมอยู่บนคีย์อยู่แล้วนั้นคุ้มค่า.

อะไรจะเปลี่ยนการเปรียบเทียบนี้

สามสิ่ง เรียงตามว่าพวกมันจะสำคัญแค่ไหน

ประการแรก คะแนนการทดสอบมาตรฐานที่เป็นอิสระสำหรับโมเดลใดโมเดลหนึ่งในสองตัวนี้ ยังไม่มีเลยทั้งคู่ และตราบใดที่ยังเป็นเช่นนี้ ทุกคำกล่าวอ้างเรื่องคุณภาพของทั้งสองฝ่ายก็ไม่ต่างอะไรกับห้องแล็บที่ตรวจการบ้านของตัวเอง ประการที่สอง สัญญาอนุญาต: หาก Qwen-Image 2.1 มีสัญญาอนุญาตแบบผ่อนปรนสักเวอร์ชันหนึ่ง ก็จะทำให้มันกลายเป็นตัวเลือกเริ่มต้นที่ชัดเจนสำหรับงานภาพแบบเปิดที่ขนาด 7B และการประกาศสัญญาอนุญาตใด ๆ ก็ตามบน LLaDA-Image-Turbo ก็อย่างน้อยจะทำให้วางแผนได้ ประการที่สาม ผู้ทดสอบที่ได้เข้าถึงก่อนกำหนดจากโครงการ ModelScope ของ Qwen เมื่อวันที่ 17 กันยายน ถูกขอให้เผยแพร่ตัวอย่างหรือรีวิวภายในวันที่ 29 กันยายน ซึ่งก็คืออีกแปดวันนับจากนี้ นั่นคือจุดที่เรื่องนี้จะเลิกเป็นการเปรียบเทียบจากบัตรโมเดลสองใบ แล้วกลายเป็นการเปรียบเทียบของจริง จนถึงตอนนั้น สรุปตามจริงก็คือ Qwen-Image 2.1 เป็นโมเดลที่ดูมีความสามารถสูงกว่าซึ่งคุณนำไปใช้เชิงพาณิชย์ไม่ได้ ส่วน LLaDA-Image-Turbo เป็นโมเดลที่เร็วกว่าแต่คุณใช้ไม่ได้เลยหากไม่คุยกันก่อน และไฟล์สัญญาอนุญาตคือส่วนเดียวของทั้งสองรุ่นที่ชัดเจนลงตัวแล้ว