Qwen-Image-2.1-Turbo vs Z-Image Turbo：两个八步模型，两种不同的赌注

Qwen-Image-2.1-Turbo和Z-Image Turbo是当下大多数人最终要在这两者之间做选择的两款开源图像模型检查点，而这场比较之所以一直绕圈子，是因为它们宣传的是同一个招牌数字。两者都只需八步去噪。两者都足够开放，可以下载并在你自己的机器上运行。两者都宣称比各自所衍生的模型快得多。真正决定你究竟想要哪一个的一切，都藏在那个共享的数字之下，而其中没有一项是步数。Z-Image Turbo 于 2025 年 11 月 25 日发布，是一个 6B 模型，采用 Apache-2.0 许可，依据已公开的两阶段配方从 Z-Image 系列蒸馏而来。Qwen-Image-2.1-Turbo 于 2026 年 10 月 9 日以Qwen-Image-2.1的加速检查点身份亮相——其基础模型于 2026 年 9 月 20 日发布——保留了 7B 架构以及厂商的非商业研究许可。两个代码库相隔八个月，而它们在构建方式上的差异远比这个时间差所暗示的更大。

八步是共同的症状，而非共同的病因

当两个模型通过不同的路径达到相同的步数时，步数就不再是有用的比较依据了。它只能说明这两个模型是为相近的延迟而调优的，除此之外别无其他。

• Z-Image Turbo 是通过蒸馏、再通过强化学习实现这一点的。 Z-Image 家族卡片将其描述为“Z-Image 的蒸馏版本，仅需 8 次 NFE 即可匹敌或超越领先的竞争对手”。技术文章点明了其机制：Decoupled-DMD，这是分布匹配蒸馏（Distribution Matching Distillation）的一种变体，它把现有 DMD 方法一直视为一体的两种机制分离开来，随后是 DMDR，它在后训练阶段将 DMD 与 RL 融合。卡片上的变体表明确展示了训练路径——预训练、SFT 和 RL 均有标注，8 步，CFG 已禁用。

• Qwen-Image-2.1-Turbo 之所以能做到这一点，靠的是对强大基座的重新打包。其模型卡将其描述为“Qwen-Image-2.1 的加速版 checkpoint，可用于文生图与图像编辑，仅需 8 个去噪步数”，并基于相同的 7B 视觉生成架构。目前没有公开的蒸馏配方。有文档记载的是：该 checkpoint 自带推荐的采样调度，因此 Diffusers 会自动加载它，仅设置 `num_inference_steps` 无法将其覆盖；并且生成默认采用 CFG=1，配合前缀 KV 缓存，在各步之间复用文本与参考图像上下文。

实际后果是：使用 Z-Image Turbo 时，你运行的模型，其速度是训练过程的产物；而使用 Qwen-Image-2.1-Turbo 时，你运行的是一个原本就已经很好的模型的检查点，其采样路径已被缩短并冻结在文件里。两者都是合理的。它们失败的方式不同。蒸馏模型的质量预算是在训练期间消耗掉的；重新打包的检查点的质量预算则是在创建检查点期间消耗掉的。两张模型卡都没有公布各自消耗了多少。

真正将它们分隔开的界线

五个维度决定这场对决。每一个维度都写在一份你可以打开的一手资料上。

• 大小：Z-Image Turbo 为 6B 参数，而 Qwen-Image-2.1-Turbo 为 7B。两者都足够小，可在消费级硬件上运行，而这一差距并不会决定你的最终结果。

• 许可证：Z-Image Turbo 采用 Apache-2.0；Qwen-Image-2.1-Turbo 则适用 qwen-research 协议，该协议授予的权利“仅限非商业用途”，商业使用需另行申请许可证。这是两个模型之间差异最大的一点，也是唯一一个非此即彼的差异。

• 编辑能力：Qwen-Image-2.1-Turbo 只需一次下载即可完成文生图与指令引导编辑——其模型卡使用同一份已保存的调度方案展示了这两项能力。Z-Image Turbo 是生成模型；编辑功能位于 Z-Image-Edit，这是一个独立变体，而系列卡片中仍将其列为“待发布”。如果你的流水线如今就需要基于指令的编辑，这一点便足以定论。

• 文本渲染与语言：Z-Image 的卡片将中英文双语文本渲染作为 Turbo 的一大亮点来特别强调。Qwen-Image-2.1-Turbo 的卡片则没有提出对等的说法——其展示内容按输出类别来组织（人像、姿态与动态、透明 RGBA、字体排版与海报设计、UI 布局、单图变换、多参考图合成），而非按语言划分。

• 内存与部署成熟度：Z-Image的模型卡称Turbo“可轻松适配16G显存的消费级设备”，并宣称在H800级硬件上推理时间低于一秒——这些均为厂商说法，未注明测量方法。Qwen-Image-2.1-Turbo的模型卡则完全未公布任何内存或延迟数据。在其发布后的四天内，一个独立的macOS移植版本在16 GB M1 Pro上测得峰值内存为1.8至2.7 GB，零交换，输出上限为1024×1536；这是第三方实现上的第三方数据，而非厂商数据。

排行榜涵盖的内容，以及两个不存在的行

这正是比较最常被误读的地方，因此值得精确说明每个数字分别属于哪个模型。

在公开的文生图竞技场中，Z-Image Turbo 的条目为 941 Elo，来自约 9,000 票；Z-Image Base 则另有单独一条，为 877。Qwen-Image-2.1 的条目为 1,038 Elo，来自约 5,500 票，日期标注为 2026 年 9 月，并标记为无可用 API。编辑排行榜上也有一条 Qwen-Image-2.1 的条目。

注意缺少了什么。两个榜单上都没有 Qwen-Image-2.1-Turbo 的条目——该检查点是 2026 年 10 月 9 日的版本，尚未被单独评估。而且编辑榜单上也没有 Z-Image Turbo 的条目，因为 Z-Image Turbo 不做编辑。因此，那个看似干净利落的比较——“Qwen 为 1,034，对比 Z-Image 为 941”——并不是本文所讨论的两个检查点之间的比较；它是将 Z-Image Turbo 蒸馏自的模型与 Qwen-Image-2.1-Turbo 加速所基于的模型进行比较。Qwen-Image-2.1-Turbo 在八步下的质量没有公开测量数据，基础模型的位次在缩短后的调度中还能保留多少也同样没有公开测量数据。

解读这些数字的正确方式，是把它当作一个附带前提说明的上限：Qwen-Image-2.1-Turbo 所源自的模型家族，在文生图排行榜上比 Z-Image Turbo 所源自的家族高出约 97 Elo，而至今没有人公布过 Turbo 检查点是否保持了这一差距。

在这场较量中，许可证绝非无足轻重的注脚

在两个能力如此接近的模型之间，许可证往往就是决定选择的全部依据；而在这方面，两者根本谈不上接近。

Z-Image Turbo 以 Apache-2.0 许可发布。这是一种宽松许可：你可以使用它、修改它、分发它，并用它构建的成果进行销售，但需遵守通常的署名与声明条件。

Qwen-Image-2.1-Turbo 原样继承基础模型的《Qwen Research License Agreement》。阅读该协议后会发现，其关键条款并无歧义——授权“仅限非商业用途”，而商业使用需向供应商另行获得许可。该协议还禁止将“Qwen”用作衍生作品的主要名称或标识，但允许诸如“基于 Qwen Image 微调”之类的描述性使用。

如果你是在做原型、评估或研究，这种差异对你没有任何成本，你可以根据能力来挑选。如果你是在构建打算出售或商业运营的东西，那么这两者中有一个是能用的，另一个则需要与 Alibaba Cloud 沟通。与一个 8 步时间表相比，这是一个重要得多的事实。

运行其中任意一个，以及路由器在什么情况下会变得相关

这两个都是你自己托管的权重下载。它们都不是OrcaRouter上的托管端点，如果暗示并非如此，那就不诚实了——我们路由的图像模型是 OpenAI GPT-Image 系列。这个产品之所以还会出现在这次对话里，原因就在于：一旦像这两个中任意一个这样的检查点背后有了托管提供商，会发生什么。

当那一天到来时，要做的决定就不再是“我该下载哪个文件”，而是变成“我要维护多少个供应商集成”。这正是 OrcaRouter 为之而生的问题：200 多个模型汇聚在一个兼容 OpenAI 的端点之后，按供应商标价提供、零加价，一套路由 DSL，用来表达在什么条件下你想要哪个模型；供应商性能下降时的自动故障转移；以及用于合并输出的模型融合。一个 8 步的开放检查点和一款路由器并非彼此竞争的答案；前者只是你磁盘上的一个文件，后者则是让你不再关心某个模型名称背后是哪个端点的方式。

在那之前，本地路径就是完整路径，而约束则是卡片和许可证所规定的那些。

先下载哪一个

这个决定最简短、最诚实的版本：

• 选择 Z-Image Turbo，如果你需要交付商业用途的产品；如果你想要文档更详尽、且有公开训练路径可循的加速方案；如果中英双语文本渲染是硬性需求；或者如果你的目标设备是 16 GB，并且希望内存占用有厂商明确说明的范围。

• 选择 Qwen-Image-2.1-Turbo，前提是你今天就需要从同一个检查点获得指令引导的编辑与文生图，而不是等待一个单独的编辑变体；你的工作属于研究或评估；并且你更愿意采用更强基础模型的血统，并接受其在八步之后的质量目前尚未经过测量。

• 如果你是在为团队做选择，那就两个都选。它们足够小，可以并排放在同一块磁盘上，两者都由同一类本地运行器提供服务，而同时安装两者后唯一不能做的事，就是把 Qwen 检查点用于商业发布。

今天，这两者都没能给你的，是一个基准。八步、6B 对 7B、Apache-2.0 对研究许可证——这些全都是卡片上的事实。经过八步去噪之后，两者中哪一个能生成更好的图像，这是一个尚无一手来源回答的问题；就目前而言，诚实的做法是拿你自己的提示词把两者都跑一遍，而不是相信一行属于另一个检查点的排行榜成绩。

像这样的比较，也正是故障模式暴露之处：OrcaRouter AI Incident Archive 收录了这类模型背后有记录的 AI 事件和智能体故障，其中每个条目都带有各自的来源、严重程度、置信度等级和争议标记。