Qwen-Image 2.1 vs Z-Image Turbo: จำนวนสเต็ป สัญญาอนุญาต และแต่ละตัวเหมาะกับงานแบบไหน

แปดสเต็ปเทียบกับสี่สิบ และสัญญาอนุญาตที่บอกว่าใช่เทียบกับที่บอกว่าไม่ Qwen-Image 2.1เป็นโมเดลสร้างและแก้ไขภาพแบบเปิดน้ำหนักของผู้ขายรายนี้ เปิดตัวเมื่อ 20 กันยายน 2026 ภายใต้ข้อตกลงเพื่อการวิจัยเท่านั้น และดีนอยซ์ใน 40 สเต็ปเป็นค่าเริ่มต้น Z-Image Turboเป็นเช็กพอยต์แบบกลั่นจากองค์กร Tongyi-MAI ในเครือบริษัทเดียวกัน เปิดตัวเมื่อ 26 พฤศจิกายน 2025 ซึ่งทำงานเดียวกันได้ใน 8 สเต็ปภายใต้ Apache-2.0 ทั้งสองห่างกันเกือบสิบเอ็ดเดือน ตัวใหม่กว่ามีขนาดดาวน์โหลดเล็กกว่าในทางทฤษฎี และตัวเก่ากว่าคือตัวที่คุณใส่ในผลิตภัณฑ์เชิงพาณิชย์ได้โดยไม่ต้องขออนุญาตใคร การกลับตาลปัตรนี้คือสาระทั้งหมดของการเปรียบเทียบ

คำตอบสั้น ๆ หากคุณอยากได้ก่อนเหตุผลประกอบ: เลือก Z-Image Turbo เมื่อข้อจำกัดคือความเร็วต่อภาพ, VRAM บนฮาร์ดแวร์สำหรับผู้บริโภค, หรือสัญญาอนุญาตแบบผ่อนปรน เลือก Qwen-Image 2.1 เมื่อคุณต้องแก้ไขภาพที่มีอยู่แล้ว, ต้องการความโปร่งใสแบบเนทีฟ, หรือต้องการคะแนนที่สูงกว่าบนบอร์ดจัดอันดับอิสระ ไม่มีใครที่มีภาระงานแบบผสมจำเป็นต้องเลือกเพียงอย่างเดียว และหน้านี้ใช้พื้นที่ส่วนใหญ่ไปกับสองเหตุผลที่ผู้คนคิดว่าต้องเลือกเพียงอย่างเดียว

ประการแรก ปัญหาการตั้งชื่อ

มีสองสิ่งในการจับคู่นี้ที่ถูกเรียกว่า turbo และมันไม่ใช่ turbo ตัวเดียวกัน Qwen-Image 2.1 มีตัวแปรแบบเร่งความเร็วของตัวเอง — "turbo variant ของ Qwen-Image 2.1" ซึ่งเปิดตัวเมื่อวันที่ 9 ตุลาคม 2026 ใช้สถาปัตยกรรมและคลาสไปป์ไลน์เดียวกับโมเดลฐาน แต่ลดสัญญาณรบกวนใน 8 ขั้นตอน โดยค่าเริ่มต้นของ CFG เป็น 1 นั่นไม่ใช่โมเดลที่หน้านี้ใช้เปรียบเทียบ Z-Image Turbo เป็นโมเดลแยกต่างหากจากอีกสายผลิตภัณฑ์หนึ่ง สร้างโดยกลุ่ม Tongyi-MAI และมันกลั่นจากฐานที่แตกต่าง — เช็กพอยต์ Z-Image ซึ่งทำงานที่ 50 ขั้นตอน

พวกมันยังแตกต่างกันในสิ่งที่ถูกกลั่นมาและวิธีการกลั่นด้วย Tongyi-MAI อธิบายว่า Z-Image Turbo ถูกกลั่นด้วย Decoupled-DMD บวกกับขั้นตอนที่มันเรียกว่า DMDR ซึ่งผสาน DMD เข้ากับการเรียนรู้แบบเสริมกำลัง ตัวแปรเทอร์โบของ Qwen-Image 2.1 ถูกผู้ขายนำเสนอว่าเป็นการเปลี่ยนแปลงเช็กพอยต์มากกว่าสถาปัตยกรรมใหม่ ทั้งคู่มาลงที่ 8 ขั้น; ทั้งสองไม่ใช่อันเดียวกัน และประโยคที่เขียนเกี่ยวกับอันหนึ่งไม่ควรถูกอ่านว่าครอบคลุมอีกอันหนึ่ง

หากคุณกำลังเปรียบเทียบ "โมเดล Qwen-Image ที่เร็วที่สุด" กับ Z-Image Turbo หน้านี้คือหน้าที่ผิด — การเปรียบเทียบนั้นเทียบกับตัวแปร turbo ของ Qwen-Image 2.1 และกรอบแนวคิดเรื่องเช็กพอยต์ 8 สเต็ปสองตัวก็เป็นอีกคำถามหนึ่งซึ่งมีคำตอบอีกแบบหนึ่ง

สิ่งที่ Z-Image Turbo ส่งมอบจริง ๆ

นำข้อมูลนี้มาจากเอกสารของเจ้าของผลิตภัณฑ์เองมากกว่าจากเว็บไซต์ที่สรุปไว้ เพราะส่วนใหญ่ระบุขนาดผิดหรือไม่ระบุเลย ตระกูล Z-Image มีเอกสารระบุว่ามี 6B พารามิเตอร์ ด้วยการออกแบบ diffusion-transformer แบบ single-stream ซึ่งโทเคนข้อความ โทเคนความหมายเชิงภาพ และโทเคน VAE ของภาพถูกนำมาต่อกันเป็นลำดับอินพุตเดียว Turbo เป็นสมาชิกรุ่นกลั่นของตระกูลนี้ และทำงานที่ 8 NFE — โค้ดอ้างอิงกำหนด num_inference_steps=9 และระบุว่าสิ่งนี้ทำให้เกิดการส่งผ่านไปข้างหน้า 8 ครั้งผ่าน transformer — โดยปิดการใช้งาน guidance

คำกล่าวอ้างด้านประสิทธิภาพของผู้ขายมีดังนี้ และสิ่งเหล่านี้เป็นคำกล่าวอ้างของผู้ขาย: ความหน่วงในการอนุมานต่ำกว่าหนึ่งวินาทีบน GPU ระดับองค์กร H800 และสามารถใช้งานได้ "อย่างสบายภายใน VRAM 16G" บนอุปกรณ์สำหรับผู้บริโภค ต่อมาเครื่องมือของชุมชนรายงานว่าสามารถรันได้ที่ประมาณ 4GB ผ่าน stable-diffusion.cpp ซึ่งเป็นตัวเลขจากชุมชน ไม่ใช่จากผู้ขาย ความละเอียดไม่ได้เผยแพร่เป็นช่วงบนโมเดลการ์ด ตัวอย่างที่มีการบันทึกไว้สร้างที่ 1024×1024 การ์ดยังระบุจำนวน adapter, finetune และ quantisation ที่ 879, 170 และ 93 โมเดล บวกกับ Spaces ประมาณ 100 รายการ — ซึ่งเป็นตัววัดกิจกรรมของระบบนิเวศบนแพลตฟอร์มโฮสติ้ง ไม่ใช่ตัววัดคุณภาพ

บนบอร์ดจัดอันดับ text-to-image อิสระ Z-Image Turbo อยู่ที่ 941 Elo โดยมีช่วง 95% ที่ 933 ถึง 949 จาก 8,991 ตัวอย่าง อันดับ 83 จาก 168 ที่ราคา $5.00 ต่อ 1,000 ภาพ พร้อมชุดตัวบ่งชี้ open-weights และบอร์ดระบุวันที่ของแถวดังกล่าวเป็นเดือนธันวาคม 2025 ตัวเลขทั้งหมดจาก Artificial Analysis เก็บแบบสดเป็นภาษาอังกฤษเมื่อวันที่ 13 ตุลาคม 2026

บันทึกทางประวัติศาสตร์ประการหนึ่งที่เนื้อหาจากผู้ขายระบุไว้ และเป็นเรื่องที่ควรอ่านให้ถูกต้อง คือ เมื่อวันที่ 8 ธันวาคม 2025 Artificial Analysis จัดอันดับ Z-Image Turbo ไว้ที่อันดับ 8 โดยรวม และเป็นอันดับ 1 ในกลุ่มโมเดลโอเพนซอร์ส ข้อมูลนั้นเป็นจริง ณ ตอนที่เขียน และเป็นข้อกล่าวอ้างที่ระบุวันที่ไว้ วันนี้ไม่เป็นจริงแล้ว — ปัจจุบันตารางอันดับมีโมเดลแบบปิดและแบบเปิดอยู่เหนือขึ้นไปถึงสิบหกแถว เหตุผลไม่ใช่ว่า Z-Image Turbo แย่ลง แต่เป็นเพราะเวลาผ่านไปสิบเดือน

สิ่งที่ Qwen-Image 2.1 ส่งมอบจริง ๆ

รูปร่างแตกต่างไปโดยสิ้นเชิง Qwen-Image 2.1 มีพารามิเตอร์ 7B ในส่วนประกอบการสร้างภาพ กระจายอยู่ทั่ว 32 เลเยอร์ DiT แบบ single-stream พร้อมตัวเข้ารหัสข้อความที่ใหญ่กว่ามาก — Qwen3-VL 8B — และ RGBA VAE 64 ช่องสัญญาณที่การบีบอัดเชิงพื้นที่ 16× ส่วนหลังนี้คือที่มาของความโปร่งใส: มันถูกสร้างขึ้นโดยกำเนิดแทนที่จะตัดออกในภายหลัง การสุ่มตัวอย่างเริ่มต้นคือ 40 ขั้นตอนบนเช็คพอยต์ฐาน ที่ค่าเริ่มต้น 2048×2048 ครอบคลุมเจ็ดพรีเซ็ตที่เผยแพร่ตั้งแต่ 1:1 ถึง 9:16

• ความยืดหยุ่นของข้อมูลนำเข้า — พรอมต์เพียงอย่างเดียว พรอมต์พร้อมรูปภาพ 1 รูป หรือพรอมต์พร้อมรูปภาพอ้างอิงสูงสุด 10 รูป

• การควบคุมการแก้ไขเฉพาะจุด — วงกลมที่วาดขึ้น, คำอธิบายประกอบที่ระบายสี, หรือมาสก์แยกต่างหากที่ส่งเป็นอินพุตของตัวเอง เพื่อให้ภาพถ่ายต้นฉบับคงสภาพไม่ถูกทำเครื่องหมาย

• ความโปร่งใสทั้งสองทิศทาง — สร้าง RGBA แก้ไขภายในเลเยอร์โปร่งใส หรือแยกตัวแบบออกจากภาพถ่าย RGB ทั่วไปเป็นเลเยอร์ RGBA

• ขนาดดาวน์โหลด — รีโพซิทอรี Diffusers ที่ Qwen/Qwen-Image-2.1 มีขนาด 33.1 GB โดยประมาณ 17.5 GB เป็นตัวเข้ารหัสข้อความ นั่นคือค่าใช้จ่ายในทางปฏิบัติของการมีโมเดลภาษา-ภาพอยู่ในสแต็ก

บนกระดานเดียวกัน Qwen-Image 2.1 อยู่ที่ 1,038 Elo ช่วงความเชื่อมั่น 1,029 ถึง 1,047 จาก 5,554 ตัวอย่าง อันดับ 20 จาก 168 พร้อมเครื่องหมาย open-weights และ "No API available" ในคอลัมน์ราคา บนกระดานการแก้ไขภาพ มีเพียงตัวนี้เท่านั้นจากทั้งสองตัวที่ปรากฏให้เห็น: 1,072 Elo ช่วง 1,063 ถึง 1,081 จาก 6,132 ตัวอย่าง อันดับ 21 จาก 81 Z-Image Turbo ไม่มีแถวในกระดานการแก้ไขภาพ

สองแถวนั้น — 1,038 เทียบกับ 941 ช่องว่าง 97 คะแนน โดยมีช่วงที่ไม่ทับซ้อนกัน — เป็นหลักฐานอิสระที่แข็งแรงที่สุดในบทความนี้ และก็ยังควรอ่านพร้อมข้อควรระวังว่า Elo ในที่นี้เป็นคะแนนความชอบจากการโหวตแบบไม่เปิดเผย มันบอกว่าผลลัพธ์ใดที่คนหมู่มากชอบ ไม่ได้บอกว่าโมเดลใดเร็วกว่า ถูกกว่า หรือได้รับอนุญาตให้คุณใช้งาน

ก้าวไม่ใช่วินาที

ข้อผิดพลาดที่พบบ่อยที่สุดในการอ่านการเปรียบเทียบนี้คือการมองว่า 8 สเต็ปกับ 40 สเต็ปเป็นอัตราส่วนความเร็วห้าเท่า พวกมันไม่ใช่หน่วยที่เทียบกันได้ข้ามสองโมเดล จำนวนสเต็ปคือจำนวนครั้งที่ตัวดีนอยเซอร์ทำงาน ส่วนแต่ละครั้งจะใช้เวลานานเท่าใดนั้นขึ้นอยู่กับขนาดของทรานส์ฟอร์มเมอร์ ความละเอียด ความแม่นยำ การนำ attention ไปใช้ และฮาร์ดแวร์ Z-Image Turbo ผู้ขายเผยแพร่ค่าความหน่วงที่ความละเอียดหนึ่งบนคลาส GPU หนึ่ง ส่วน Qwen-Image 2.1 ผู้ขายไม่ได้เผยแพร่ค่าความหน่วงเลยแม้แต่ค่าเดียว

สิ่งที่สามารถเปรียบเทียบได้อย่างซื่อตรงคือทิศทางและข้อจำกัด Z-Image Turbo ถูกสร้างมาให้ทำงานที่ 8 NFEs บน VRAM ระดับผู้บริโภค โดยมีกรอบ 16GB ที่ผู้ขายระบุไว้ และมีรายงานจากชุมชนว่าต่ำกว่านั้น Qwen-Image 2.1 เช็คพอยต์พื้นฐานทำงาน 40 ขั้นตอน นอกเหนือจากการดาวน์โหลด 33 GB และตัวเข้ารหัส Qwen3-VL 8B; ตัวแปร turbo ของมันเองมีอยู่ก็เพราะว่า 40 ขั้นตอนไม่ใช่การตั้งค่าที่รวดเร็ว หากต้นทุนการอนุมานเป็นข้อจำกัดที่มีผลผูกพันของคุณ ทิศทางก็ไม่ต้องสงสัยเลยแม้ว่าอัตราส่วนจะยังเป็นที่กังขา

นอกจากนี้ยังมีการแลกเปลี่ยนระหว่างคุณภาพกับจำนวนสเต็ปที่ผู้ขายทั้งสองรายไม่ได้ระบุเป็นตัวเลขไว้ เช็คพอยต์แบบไม่กี่สเต็ปที่ผ่านการกลั่นถูกฝึกให้ประมาณเส้นทางการทำงานแบบหลายสเต็ป และจุดที่การประมาณนั้นอ่อนที่สุด — ข้อความขนาดเล็ก เลย์เอาต์ที่แน่น รายละเอียดเล็ก ๆ ที่ซ้ำกัน — ขึ้นอยู่กับโมเดลและไม่ได้รับการเผยแพร่ อย่าสันนิษฐานว่าสเต็ปที่แปดของโมเดลแปดสเต็ปจะเท่ากับสเต็ปที่สี่สิบของโมเดลสี่สิบสเต็ป หลักฐานการเปรียบเทียบแบบเคียงข้างกันที่เป็นอิสระสำหรับคู่นี้โดยเฉพาะยังไม่มีอยู่ ณ การตั้งค่าที่จับคู่กัน และหน้านี้จะไม่สร้างอันดับขึ้นเองจากสิ่งที่หลักฐานไม่ได้รองรับ

ใบอนุญาตคือจุดที่การตัดสินใจเกิดขึ้น

Z-Image Turbo อยู่ภายใต้สัญญาอนุญาต Apache-2.0 นั่นคือสัญญาอนุญาตของที่เก็บโค้ด ซึ่งระบุไว้อย่างชัดเจน ไม่มีข้อกั้น ไม่ต้องลงทะเบียน และไม่มีเงื่อนไขเรื่องรายได้ คุณสามารถรัน แก้ไข ไฟน์จูน เผยแพร่ผลงานดัดแปลงต่อ และนำผลลัพธ์ไปใช้เชิงพาณิชย์ได้ โดยไม่ต้องติดต่อ Tongyi-MAI

Qwen-Image 2.1 ไม่ใช่เช่นนั้น รีโพซิทอรีของมันระบุ สัญญาอนุญาต: อื่นๆ โดยมีชื่อสัญญาอนุญาตว่า qwen-research และไฟล์ LICENSE คือข้อตกลงสัญญาอนุญาต Qwen Research License Agreement ลงวันที่ 20 กันยายน 2026 เมื่ออ่านเมื่อวันที่ 13 ตุลาคม 2026 พบว่าข้อตกลงนี้ให้สัญญาอนุญาตแบบไม่ผูกขาด ครอบคลุมทั่วโลก และไม่มีค่าลิขสิทธิ์ ในการใช้ ทำซ้ำ เผยแพร่ และดัดแปลงเนื้อหาเหล่านี้ เพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น โดยนิยามคำว่า "Non-Commercial" ว่าเป็นเพื่อการวิจัยหรือการประเมินผล และกำหนดให้ต้องมีสัญญาอนุญาตเชิงพาณิชย์แยกต่างหาก — ซึ่งต้องขอทางอีเมล — สำหรับการใช้งานอื่นใดก็ตาม การเผยแพร่ต่อยังมีเงื่อนไขเพิ่มเติมอีก: ต้องส่งต่อข้อตกลงนี้ไปด้วย ทำเครื่องหมายกำกับไฟล์ที่แก้ไข เก็บประกาศที่ระบุชื่อ Hangzhou Tongyi Laboratory Technology Co., Ltd ไว้ แสดงข้อความ "Built with Qwen" หากมีการนำผลลัพธ์ไปใช้ฝึกโมเดลอื่นที่เผยแพร่ต่อ และห้ามใช้คำว่า "Qwen" เป็นชื่อหลักของงานดัดแปลง

เรื่องนี้ควรระบุเป็นข้อเท็จจริงระดับตระกูล มากกว่าจะเป็นกรณีครั้งเดียว เพราะมันเป็นการเปลี่ยนทิศทาง checkpoint ของ Qwen-Image รุ่นก่อน ๆ — Qwen-Image, Qwen-Image-Edit, รุ่น -2509, -2511, -Layered และ -2512 — ล้วนเป็น Apache-2.0 ตามที่อ่านเมื่อวันที่ 13 ตุลาคม 2026 Qwen-Image 2.1 คือจุดที่รูปแบบนั้นขาดตอน สัญญาอนุญาตที่ให้ไปแล้วไม่เปลี่ยนแปลงย้อนหลัง ดังนั้น checkpoint รุ่นเก่ายังใช้ได้ตามเงื่อนไขเดิม แต่ไม่ควรมีใครวางแผนไปป์ไลน์เชิงพาณิชย์โดยตั้งสมมติฐานว่าโมเดล Qwen-Image ใหม่ล่าสุดมีสัญญาอนุญาตแบบผ่อนปรน

นั่นทำให้ทั้งสองโมเดลมีลักษณะเหมือนไฟล์สัญญาอนุญาตของตัวเอง มากกว่าที่จะเป็นเอกสารสเปก: Z-Image Turbo คือตัวที่คุณนำออกใช้ได้วันนี้โดยไม่ต้องเจรจาใด ๆ และ Qwen-Image 2.1 คือตัวที่ต้องมีการเจรจา ซึ่งคุณอาจไม่อยากทำ

คุณสามารถรันแต่ละรายการในอะไรได้บ้าง

Qwen-Image 2.1 เปิดตัวพร้อมการรองรับรันไทม์ที่มีเอกสารประกอบชัดเจนตั้งแต่แรก แทนที่จะต้องมาเพิ่มภายหลัง: Diffusers ผ่าน QwenImage21Pipeline ComfyUI แบบเนทีฟพร้อมเวิร์กโฟลว์เทมเพลต การให้บริการแบบออฟไลน์และออนไลน์ของ vLLM-Omni, SGLang ผ่าน sglang generate และ LightX2V สำหรับการเร่งความเร็ว พร้อมด้วย AMD ROCm และเส้นทาง FlagOS ที่ครอบคลุมแปดแพลตฟอร์มชิป มีการเผยแพร่เช็กพอยต์สำหรับเขียนพรอมป์ต์ใหม่สองตัวควบคู่กันในฐานะการดาวน์โหลดแยกต่างหาก

การรองรับของ Z-Image Turbo นั้นกว้างขวางกว่าในแง่หนึ่งโดยเฉพาะ: เนื่องจากมีขนาดเล็ก เป็น Apache-2.0 และมีอายุเกือบหนึ่งปี จึงได้สะสมระบบนิเวศด้านการควอนไทเซชันและการแพ็กเกจที่กว้างขวาง — การแปลงเป็น GGUF ตัวแปร FP8 และ SDNQ บิลด์ int4 และการรีแพ็กเกจเป็นไฟล์เดียวของ ComfyUI — ซึ่งเป็นสิ่งที่ทำให้เส้นทางต่ำกว่า 16GB และต่ำกว่า 8GB เป็นไปได้ โมเดล 6B ที่มีสัญญาอนุญาตแบบเปิดกว้างจะถูกพอร์ต ส่วนโมเดล 33 GB ที่มีสัญญาอนุญาตเพื่อการวิจัยจะถูกพอร์ตช้ากว่าและระมัดระวังมากกว่า ผลกระทบอันดับสองนั้นมองข้ามได้ง่ายบนสเปกชีต และมักเป็นสิ่งที่ตัดสินว่าผู้อ่านจะทำอะไรได้จริงในสัปดาห์นี้

ทำงานได้ทั้งสองแบบ โดยไม่ต้องมีสแต็กที่สอง

OrcaRouter ไม่ได้กำหนดเส้นทางไปยัง Qwen-Image 2.1 และไม่ได้กำหนดเส้นทางไปยัง Z-Image Turbo เราตรวจสอบรายการโมเดลที่ใช้งานจริงของเราเมื่อวันที่ 13 ตุลาคม 2026 และไม่พบทั้งสองรายการ ดังนั้นไม่มีข้อความใดด้านล่างนี้ที่เป็นการอ้างว่าเราให้บริการโมเดลเหล่านี้ — เส้นทางสำหรับทั้งสองโมเดลคือการโฮสต์เองหรือปลายทางที่ผู้ขายโฮสต์เอง

รูปแบบที่นำทั้งสองมารวมกันคือสิ่งที่คู่นี้ชวนให้ทำ: Z-Image Turbo เป็นรอบแรกแบบประหยัด และโมเดลที่แข็งแกร่งกว่าเป็นตัวเรนเดอร์ขั้นสุดท้าย นั่นเป็นไปป์ไลน์ที่สมเหตุสมผล และต้นทุนที่ซ่อนอยู่ของมันเป็นเรื่องของการดำเนินงาน — ชุดดาวน์โหลดสองชุด การตั้งค่าสองชุด และการผสานรวมชุดที่สองทันทีที่ตัวใดตัวหนึ่งเปลี่ยนไป OrcaRouter วางโมเดลกว่า 200 ตัวไว้เบื้องหลังปลายทางเดียวที่เข้ากันได้กับ OpenAI ในราคาตามที่ผู้ให้บริการประกาศโดยไม่บวกเพิ่ม พร้อมด้วย การสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อรายหนึ่งมีปัญหา ดังนั้นไปป์ไลน์แบบร่างก่อน-เรนเดอร์จริงจึงสามารถวางโมเดลที่มันเรียกใช้จริงไว้หลังคีย์เดียวและไคลเอนต์เดียว และปัญหาขัดข้องของผู้ให้บริการก็กลายเป็นการลองใหม่แทนที่จะเป็นแบตช์ที่หยุดชะงัก DSL สำหรับการจัดเส้นทางทำหน้าที่เดียวกันกับการประกอบเอง ทำให้สามารถเรียกใช้โมเดลหลายตัวเป็นคำขอเดียวแทนที่จะเป็นการผสานรวมหลายชุด

อันไหน สำหรับใคร

• คุณกำลังเปิดตัวผลิตภัณฑ์เชิงพาณิชย์ — Z-Image Turbo. Apache-2.0 ไม่มีบทสนทนา ไม่มีบรรทัดรายได้ให้ตรวจสอบ

• คุณจำเป็นต้องแก้ไขภาพที่มีอยู่ ใช้มาสก์ หรือสร้างแอสเซตแบบโปร่งใส — Qwen-Image 2.1 โหมดที่ระบุไว้ในเอกสารของ Z-Image Turbo คือ prompt-to-image ไม่มีเช็กพอยต์สำหรับการแก้ไขในตระกูลนั้น และไม่มีอินพุตมาสก์ในเส้นทางที่ระบุไว้ในเอกสาร

• ข้อจำกัดของคุณคือ VRAM หรือค่าใช้จ่ายต่อภาพ — Z-Image Turbo โมเดล 6B ที่มีงานด้านการควอนไทเซชันกว่าทศวรรษอยู่เบื้องหลัง เทียบกับสแตก 33 GB ที่มีตัวเข้ารหัสภาพ-ภาษา 8B

• ข้อจำกัดของคุณคือคุณภาพของผลลัพธ์ที่ตัดสินโดยคนแปลกหน้า — Qwen-Image 2.1 อยู่ที่ราวหนึ่งร้อยคะแนน Elo บนกระดานอันดับที่ทั้งสองถูกจัดอันดับ โดยมีช่วงความเชื่อมั่นที่ไม่ทับซ้อนกัน

• คุณกำลังทำวิจัย ไม่ใช่การผลิต — Qwen-Image 2.1 ได้รับลิขสิทธิ์สำหรับจุดประสงค์นั้นโดยเฉพาะ และพื้นผิวการแก้ไขของมันคือเหตุผลที่ต้องยอมรับต้นทุนการดาวน์โหลด

ข้อเท็จจริงที่มักเป็นตัวตัดสินมากที่สุด ในประโยคเดียว: Z-Image Turbo ชนะทุกครั้งที่คำตอบต้องถูกนำออกใช้งานหรือต้องรันบนเครื่องที่ผู้อ่านมีอยู่แล้ว และ Qwen-Image 2.1 ชนะทุกครั้งที่งานเกี่ยวข้องกับภาพที่มีอยู่แล้ว