Qwen-Image-2.1-Turbo: Checkpoint 8 bước là gì và nó khác Qwen-Image-2.1 như thế nào

Qwen-Image-2.1-Turbo là một checkpoint tăng tốc của Qwen-Image-2.1: cùng một backbone tạo hình ảnh 7B, cùng hai nhiệm vụ — tạo ảnh từ văn bản và chỉnh sửa ảnh theo hướng dẫn — và tám bước khử nhiễu trong khi các ví dụ của chính checkpoint cơ sở sử dụng bốn mươi bước. Đây không phải là một kiến trúc mới và cũng không phải một họ mô hình mới, và không có mô hình thứ hai nào bên trong tệp. Checkpoint đã được đăng lên Hugging Face vào ngày 9 tháng 10 năm 2026, một ngày được ghi lại cả bởi dấu thời gian tạo của kho lưu trữ lẫn bởi một dòng trong danh sách tin tức của chính dự án Qwen-Image; mọi nội dung dưới đây là phần mô tả hiện hành của mô hình, được thiết lập lại vào ngày 13 tháng 10 năm 2026 từ chính tài liệu của nhà cung cấp chứ không phải từ bản tóm tắt của bất kỳ ai về nó.

Nếu bạn gõ tên của mô hình để tìm hiểu xem nó là gì, câu trả lời ngắn gọn là đoạn trước. Câu trả lời hữu ích là sự tương phản.

Biến thể Turbo, từng khía cạnh một

Mỗi dòng dưới đây đều được lấy từ kho lưu trữ của chính checkpoint — thẻ mô hình, model_index.json, transformer/config.json và LICENSE — hoặc từ kho lưu trữ dự án Qwen-Image trên GitHub, đọc hôm nay. Ở đâu nhà cung cấp không công bố gì, điều đó được nêu rõ thay vì được điền vào.

• Số bước — 8 bước khử nhiễu cho Qwen-Image-2.1-Turbo, so với 40 cho Qwen-Image-2.1. Con số 40 là số liệu của chính nhà cung cấp, được dùng trong mọi ví dụ về Qwen-Image-2.1 trên model card của nó và được liệt kê là mặc định trong bảng tham số của dự án trên GitHub.

• Tốc độ — số bước là tuyên bố duy nhất về tốc độ mà Qwen đưa ra, và đó là một con số đếm chứ không phải một phép đo. Không có thông số nào về độ trễ, thông lượng hay số ảnh trên mỗi GPU cho cả hai checkpoint, và cả hai card đều không nêu rõ phần cứng mà các ví dụ của chúng được tạo ra.

• Đánh đổi chất lượng — không được định lượng. Không có điểm đánh giá nào cho Qwen-Image-2.1-Turbo, cũng không có cho Qwen-Image-2.1, và không có so sánh đối đầu giữa hai mô hình ở bất kỳ đâu trong tài liệu của nhà cung cấp. Các hình ảnh trình diễn trên thẻ Turbo là đầu ra tám bước do nhà cung cấp chọn lọc; chúng chứng minh rằng checkpoint tạo ra được hình ảnh, chứ không cho biết đã phải hy sinh bao nhiêu độ trung thực để đạt tới tám bước. Không có benchmark của bên thứ ba cho cả hai checkpoint vào thời điểm chúng tôi viết.

• Lịch lấy mẫu nằm ở đâu — đây chính là khác biệt cấu trúc duy nhất mà các card hé lộ. model_index.json của Turbo mang một sample_sigmas mảng gồm tám giá trị, chạy từ 1.0 xuống 0.414568, và card nêu rõ rằng lịch này được lưu cùng checkpoint và tự động nạp — "chỉ đặt num_inference_steps thôi thì không ghi đè được nó." Qwen-Image-2.1 nhận số bước ngay tại thời điểm gọi. Lối thoát là truyền đối số sigmas một cách tường minh tại thời điểm gọi, và card lưu ý rằng các lịch khác "chưa được đánh giá cho checkpoint này."

• Backbone — giống hệt nhau. Của Turbo transformer/config.json khớp với checkpoint cơ sở từng trường một: 32 lớp, 32 đầu chú ý ở 128 chiều mỗi đầu, kích thước patch 1, 64 kênh đầu vào và đầu ra, causal_condition true, chiều đầu vào ngữ cảnh 4096. Giá trị duy nhất khác nhau giữa hai tệp là phiên bản Diffusers được ghi lại.

• Bộ mã hóa văn bản, VAE và bộ lập lịch — tệp model_index.json của Turbo chỉ định Qwen3VLForConditionalGeneration làm bộ mã hóa văn bản cùng với một Qwen3VLProcessor, một VAE AutoencoderKLQwenImage21, và một FlowMatchEulerDiscreteScheduler. Đó đều là những lớp thành phần giống như Qwen-Image-2.1 khai báo. Các ghi chú về kiến trúc của dự án mô tả bộ mã hóa văn bản dùng chung là một mô hình ngôn ngữ - thị giác Qwen3-VL 8B và VAE là một bộ tự mã hóa RGBA 64 kênh với khả năng nén không gian 16×.

• Mặc định guidance — thẻ Turbo ghi mặc định là CFG 1, điều này loại bỏ lượt guidance không phân loại khỏi mỗi bước. Thẻ của mô hình cơ sở hoàn toàn không ghi mặc định guidance nào.

• Các preset độ phân giải — cùng bảy mức như vậy ở cả hai, được lấy nguyên văn từ thẻ Turbo: 1:1 ở 2048 × 2048, 4:3 ở 2400 × 1792, 3:4 ở 1792 × 2400, 3:2 ở 2528 × 1696, 2:3 ở 1696 × 2528, 16:9 ở 2752 × 1536 và 9:16 ở 1536 × 2752.

• Dung lượng ổ đĩa — danh sách tệp của chính kho Turbo có tổng dung lượng vào khoảng 32,5 GB, bao gồm một transformer 14,2 GB, một bộ mã hoá văn bản 17,5 GB và một VAE 0,7 GB, theo đo lường từ kích thước tệp được công bố của kho tính đến hôm nay. Đó là bộ thành phần của checkpoint cơ sở ở độ chính xác bfloat16, và nhà cung cấp không phát hành bản lượng tử hoá nào của riêng mình.

Qw​en thực sự nói gì về sự đánh đổi giữa tốc độ và độ trung thực

Tuyên bố của nhà cung cấp hẹp hơn so với những gì tiêu đề gợi ý, và đáng để đọc bằng chính lời lẽ trong card. Qwen-Image-2.1-Turbo được mô tả là "một checkpoint tăng tốc của Qwen-Image-2.1 dùng cho tạo hình ảnh từ văn bản và chỉnh sửa hình ảnh với 8 bước khử nhiễu", một checkpoint "sử dụng cùng kiến trúc tạo hình ảnh 7B và tải trực tiếp bằng QwenImage21Pipeline." Cách card trình bày lợi ích mang tính quy trình, không phải hình ảnh: checkpoint "bao gồm lịch lấy mẫu được đề xuất, nên nó sẵn sàng để sử dụng mà không cần cấu hình thủ công bộ lập lịch."

Ba cơ chế được nêu tên, và chỉ ba. Bản thân lịch trình tám bước. CFG 1 theo mặc định, vốn bỏ qua lượt guidance. Và bộ nhớ đệm KV tiền tố, thứ "tái sử dụng ngữ cảnh văn bản và ảnh tham chiếu qua các bước khử nhiễu" — một cơ chế mà mô hình Base cũng ghi nhận, và nó càng quan trọng hơn, chứ không kém đi, khi vòng lặp chỉ kéo dài tám lần lặp.

Giờ đến phần không hề hiện diện. Thẻ mô hình không bao giờ nói rằng checkpoint Turbo khớp với chất lượng đầu ra của Qwen-Image-2.1. Nó cũng không nói đã đánh đổi bao nhiêu chất lượng, hay những hạng mục nào suy giảm trước — kết cấu, chữ nhỏ, khuôn mặt, tính nhất quán đa tham chiếu. Nó không hề dùng từ distillation, và không có gì trong kho mã nói về quan hệ teacher-student. Điều mà metadata nói lại mang tính phái sinh: các tag trên Hugging Face mang base_model:Qwen/Qwen-Image-2.1 và base_model:finetune:Qwen/Qwen-Image-2.1, và bản ghi mô hình của ModelScope liệt kê cùng mô hình cha với quan hệ "finetune." Vị thế của chính Qwen, nói cách khác, là fine-tune của checkpoint gốc, còn câu hỏi chất lượng thì để cho ai chạy nó tự trả lời.

Đó không hẳn là một lời chỉ trích mà đúng hơn là hình dạng của bản phát hành. Một nhà cung cấp tung ra một checkpoint tăng tốc mà không có benchmark chính là đang mời gọi đúng phép so sánh mà người đọc giờ phải tự chạy: cùng prompt, cùng seed, cả hai checkpoint, bốn mươi bước so với tám.

Đầu vào, đầu ra và quy mô thực sự của thứ đó

Thẻ ghi lại hai phương thức đầu vào và một phương thức đầu ra, và chúng là của mô hình cơ sở, không thay đổi.

• Văn bản vào, hình ảnh ra — một lời nhắc văn bản tạo ra hình ảnh raster. Ví dụ minh họa của thẻ là một poster khổ dọc ở 1696 × 2528, và phần trình diễn giới thiệu qua nhiếp ảnh chân dung, thiết kế chữ và poster, cùng bố cục UI và thông tin, đây là tuyên bố của Qw​en về độ trung thực khi hiển thị văn bản và bố cục chứ không phải là một phép đo về điều đó.

• Ảnh vào, ảnh ra — cùng một pipeline chấp nhận ảnh đầu vào song song với câu lệnh để chỉnh sửa theo hướng dẫn. Ví dụ trên card chuyển một bản phác thảo du thuyền thành ảnh chụp chân thực ở kích thước 2048 × 2048 và nạp đầu vào dưới dạng RGBA. Phần showcase cũng minh họa cách ghép nhiều ảnh tham chiếu và một bố cục nội thất từ bốn ảnh. Một con số cần lưu ý ở đây: con số "tối đa 10 ảnh tham chiếu" thuộc về tài liệu của Qwen-Image-2.1, và card Turbo không nhắc lại giới hạn ảnh tham chiếu. Hãy coi 10 là con số đã công bố của model cơ sở, chứ không phải thông số kỹ thuật của Turbo.

• Tính trong suốt — thẻ này liệt kê khả năng tạo ảnh trong suốt trong số các hạng mục trình diễn, và lớp VAE được phát hành chính là bộ tự mã hóa RGBA 64 kênh mà mô hình cơ sở sử dụng, vì vậy đầu ra alpha được ghi thành tài liệu cho checkpoint này chứ không chỉ đơn thuần được kế thừa theo tên gọi.

• Độ phân giải đầu ra — cùng bảy cài đặt trước được liệt kê ở trên, tối đa 2752 × 1536 ở khổ ngang và 1536 × 2752 ở khổ dọc, với 2048 × 2048 là mức mặc định. Dự án mô tả Qwen-Image-2.1 là hỗ trợ gốc độ phân giải 2K; không có nội dung nào trong cả hai kho lưu trữ khẳng định một cấp gốc cao hơn mức đó, và không có nội dung nào ghi lại một bước nâng cấp độ phân giải.

• Kích thước mô hình — 7B tham số trong thành phần tạo hình ảnh, trải qua 32 lớp DiT single-stream, ở định dạng bfloat16, chiếm khoảng 32,5 GB trên đĩa cho toàn bộ kho lưu trữ. Không có cửa sổ ngữ cảnh văn bản nào để trích dẫn, vì đây không phải là mô hình văn bản; đầu vào ngữ cảnh 4096 chiều trong cấu hình transformer là biểu diễn prompt đã được mã hóa và ảnh điều kiện, chứ không phải cửa sổ token.

Giấy phép, và vị trí của các trọng số

Qwen-Image-2.1-Turbo được phát hành theo Thỏa thuận Giấy phép Nghiên cứu Qwen. Metadata của kho lưu trữ ghi license: other cùng với license_name: qwen-research và license_link: LICENSE, và một tệp LICENSE nằm trong kho lưu trữ cùng với các trọng số. Hôm nay chúng tôi đã so sánh hai tệp giấy phép: LICENSE của kho lưu trữ Turbo giống hệt từng byte so với tệp của mô hình cơ sở, điều này đáng để biết vì nó có nghĩa là việc tăng tốc không mang lại thay đổi nào về các điều khoản.

Những gì thỏa thuận quy định, đọc từ chính tệp đó: việc cấp phép là "CHỈ DÀNH CHO MỤC ĐÍCH PHI THƯƠNG MẠI", "Phi Thương Mại" được định nghĩa là "chỉ dành cho mục đích nghiên cứu hoặc đánh giá", và việc sử dụng cho mục đích thương mại đòi hỏi "một giấy phép thương mại riêng từ chúng tôi", được yêu cầu tại model-business@notice.qwencloud.com. Phần tiêu đề của chính thỏa thuận ghi phiên bản ngày 20 tháng 9 năm 2026. Nếu lý do bạn muốn tạo sinh tám bước là vì nó khiến mô hình đủ rẻ để đưa vào sau một sản phẩm, thì giấy phép mới là ràng buộc quyết định ở đây, chứ không phải số bước, và không có trang nào trong kho lưu trữ này giải quyết được điều đó.

Các trọng số có thể được tải xuống ở hai nơi, cả hai đều do chính chủ cung cấp: Hugging Face tại Qwen/Qwen-Image-2.1-Turbo và ModelScope tại Qwen/Qwen-Image-2.1-Turbo. Kho Hugging Face không bị hạn chế truy cập. Siêu dữ liệu của nó không liệt kê nhà cung cấp suy luận được lưu trữ nào, vì vậy theo như danh sách của chính nhà cung cấp cho thấy, hiện tại không có điểm cuối nào của bên thứ ba sẽ chạy chính xác checkpoint này cho bạn ngay hôm nay.

Đối với hướng triển khai dưới dạng dịch vụ được host, có sẵn giải pháp của chính Qwen: danh sách tin tức của dự án ghi nhận rằng các API Qwen-Image-2.1 Pro và Turbo đã ra mắt trên Alibaba Cloud Model Studio vào ngày 9 tháng 10 năm 2026, và README trên GitHub đưa ra lựa chọn "các API được host, hoặc chạy checkpoint Turbo trong môi trường của riêng bạn với Diffusers." Giá theo từng ảnh cho endpoint Turbo không được nêu trên trang tham chiếu API của nhà cung cấp mà chúng tôi đã đọc; thay vào đó, trang này trỏ đến một trang định giá mô hình riêng — vì vậy hãy coi mức giá đó là chưa được công bố trong tài liệu mà chúng tôi có thể xác minh, và hãy kiểm tra trang định giá của nhà cung cấp trước khi bạn lập kế hoạch dựa trên nó.

Tinh chỉnh: những gì được tài liệu hóa, và những gì chỉ có ở cộng đồng

Câu trả lời trung thực là thẻ Turbo không ghi lại bất kỳ hình thức tinh chỉnh nào. Nó bao gồm cài đặt, text-to-image, chỉnh sửa ảnh, lấy mẫu và tỷ lệ khung hình, rồi hết. Không có phần huấn luyện, không có hướng dẫn LoRA, không có chỉ dẫn adapter, không có ghi chú tập dữ liệu và không có script huấn luyện ở bất kỳ đâu trong kho dự án Qwen-Image — chúng tôi đã kiểm tra cây tệp của nó, thứ chỉ chứa tài nguyên và hai tệp dữ liệu viết lại prompt.

Mô hình cơ sở hoạt động tốt hơn một chút và đó là tài liệu của một mô hình khác: tài liệu về Qwen-Image-2.1 ghi nhận việc huấn luyện LoRA thông qua ModelScope, được xây dựng trên khung DiffSynth-Studio mã nguồn mở. Phát biểu đó nói về Qwen-Image-2.1, và không có nội dung nào trong thẻ Turbo mở rộng nó sang checkpoint tăng tốc.

Những gì tồn tại cho Turbo là công việc của cộng đồng. Tính đến hôm nay, 47 kho lưu trữ trên Hugging Face khai báo Qwen/Qwen-Image-2.1-Turbo là mô hình cơ sở của chúng, và gần như tất cả đều là các bản chuyển đổi lượng tử hóa — các bản dựng GGUF, FP8, INT8, INT4, NVFP4, MLX, OpenVINO. Chỉ có đúng một là adapter LoRA, một adapter hoán đổi nhân vật được công bố vào ngày 10 tháng 10 năm 2026. Không có gì trong số đó là hỗ trợ từ nhà cung cấp, không có gì trong số đó được Qwen xác thực, và một adapter được huấn luyện dựa trên quỹ đạo bốn mươi bước của checkpoint cơ sở không tự động đúng khi đối chiếu với lịch trình tám bước đã lưu. Nếu bạn đến đây để tìm quy trình làm việc LoRA cho Turbo, câu trả lời chính xác là nhà cung cấp chưa công bố một quy trình như vậy.

Cách chạy nó và cách gọi nó

Tự host là một công việc Diffusers bình thường nhưng có một điểm gai góc. Phần cài đặt của thẻ là bản dựng PyTorch tương thích CUDA, Diffusers từ mã nguồn (git+https://github.com/huggingface/diffusers.git), transformers>=5.17.0, accelerate và pillow. Điểm gai góc là checkpoint này yêu cầu bản dựng Diffusers có hỗ trợ các sigma lấy mẫu được cấu hình theo pipeline, được thêm trong PR #14950 — tại thời điểm viết, nó nằm trong cây mã nguồn chứ không phải trong bản phát hành đã gắn thẻ, đó là lý do thẻ không bảo bạn cài đặt một số phiên bản cụ thể.

Dòng load chính là lớp pipeline của mô hình cơ sở với tên checkpoint được thay đổi: QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo", dtype=torch.bfloat16).to("cuda"). Sau đó, việc sinh ảnh là một lời gọi với prompt, chiều rộng và chiều cao lấy từ danh sách preset, use_kv_cache=True, và một seed cho generator; ví dụ text-to-image của card dùng 1696 × 2528 với seed 42, còn ví dụ chỉnh sửa của nó truyền một ảnh RGBA làm đối số image ở kích thước 2048 × 2048 với seed 20261009. Đừng truyền num_inference_steps với hy vọng nó sẽ làm được gì.

Một khoảng trống cần tính đến: thẻ Turbo không công bố hướng dẫn nào về bộ nhớ. Thẻ của mô hình cơ sở có phần tối ưu hóa bộ nhớ hiển thị pipe.enable_model_cpu_offload(); thẻ Turbo chỉ kết thúc ở đó. Với bộ mã hóa văn bản 17,5 GB trong kho lưu trữ, đó là con số cần dự trù, và thẻ không cho bạn biết nó vừa trên GPU nào.

Gọi nó thay vì tự chạy nó nghĩa là API Turbo được lưu trữ của chính Qwen trên Alibaba Cloud Model Studio. Không có mức giá trên mỗi ảnh nào được công bố mà chúng tôi có thể xác minh trên trang tham chiếu API của nhà cung cấp, và cũng không có giới hạn tốc độ nào được công bố mà chúng tôi có thể xác minh — vì vậy một độc giả đang lên kế hoạch về khối lượng có hai con số cần lấy từ nhà cung cấp trước khi cam kết.

Vị trí của OrcaRouter, nói một cách rõ ràng

OrcaRouter không định tuyến Qwen-Image-2.1-Turbo và cũng không định tuyến Qwen-Image-2.1 — cả hai định danh đều không xuất hiện trong danh sách mô hình trực tiếp của chúng tôi, mà chúng tôi đã kiểm tra hôm nay, và không có nội dung nào trên trang này nên được hiểu là lời đề nghị cung cấp dịch vụ cho một trong hai mô hình đó. Dòng sản phẩm hình ảnh mà chúng tôi thực sự cung cấp là dòng được lưu trữ: họ Open​AI GPT-Image, các hạng Imagen 4 của Goog​le và endpoint hình ảnh Grok Imagine của x​AI.

Sự phân biệt đó mới là điều mang tính thực tiễn đối với checkpoint này. OrcaRouter đưa hơn 200 mô hình vào sau một endpoint duy nhất tương thích với OpenAI, ở đúng giá niêm yết của nhà cung cấp và không cộng thêm phí, và nó bổ sung khả năng tự động chuyển sang phương án dự phòng khi một nhà cung cấp gặp sự cố — điều bạn cần khi gọi một mô hình hình ảnh được lưu trữ trong môi trường sản xuất, và không liên quan gì khi mô hình đang bàn tới là một bản tải xuống 32,5 GB có giấy phép nghiên cứu. Nếu kế hoạch của bạn là tự mình chạy Qwen-Image-2.1-Turbo, thì lớp định tuyến không phải là ràng buộc; Thỏa thuận Giấy phép Nghiên cứu Qwen mới là.

Vậy là quyết định phân chia rạch ròi. Tám bước, một lịch trình đã lưu, một giấy phép nghiên cứu giống hệt từng byte và không có chuẩn đối sánh nghĩa là checkpoint chỉ là công cụ nghiên cứu và tạo nguyên mẫu cho đến khi hoặc Qwen công bố một đánh giá hoặc bạn tự chạy đánh giá của riêng mình. Nếu bạn cần một endpoint hình ảnh trong môi trường production trong tuần này, đó là một giao dịch mua khác, và đó chính là thứ chúng tôi bán.