Qwen-Image 2.1 对比 LLaDA-Image-Turbo：两个开源图像模型，两种截然不同的许可证

两个开放权重图像模型在同样的三周内相继发布。Qwen-Image 团队发布了Qwen-Image 2.1 于 2026 年 9 月 20 日发布——权重、许可证文件、模型卡和一篇博客文章，全都在同一天，几乎没有预热期。十六天前，即 2026 年 9 月 4 日，inclusionAI（蚂蚁集团的研究实验室）发布了LLaDA-Image-Turbo，没有发布文章、没有新闻稿，也没有任何形式的公告。两者如今均可下载。两者都没有任何独立基准测试分数。而真正决定你能使用哪一个的差异，并不在于任何一份模型卡——而在于书面文件。Qwen-Image 2.1 以研究许可证发布，该许可证完全禁止商业使用。LLaDA-Image-Turbo 发布时，其任何仓库均未声明任何许可证。

许可证问题要排在第一位，因为它是唯一一个有明确答案的问题。

从这里开始，因为在这场比较中，其他一切都是暂时的，而这一点并非如此。

• Qwen-Image 2.1依据日期为 2026 年 9 月 20 日的 Qwen Research License Agreement 发布，该协议授予的权利“仅限非商业用途”，并声明商业使用需要向供应商另行申请许可。这与早前以 Apache 2.0 发布的 Qwen-Image 系列相比，是一个重大变化。这一点毫不含糊：你可以阅读、评估、进行基准测试并撰写相关内容。但你不能把它放进产品中。

• LLaDA-Image-Turbo完全没有声明任何许可证。既不是宽松型的，也不是限制型的，连一个占位符都没有。一个没有许可证的仓库，在任何法律意义上都谈不上“可自由使用”——它默认保留所有权利，这比 Qwen 的研究许可证更严格，而不是更宽松。如果你打算在它之上进行开发，那是该问实验室的问题，而不是该问 README 的问题。

讽刺之处值得直白地说出来：那个带着正式而严苛的许可证问世的模型，恰恰是你今天可以据以做规划的——因为你确切地知道自己站在什么位置。而那个没有许可证的模型，才是你无从据以做规划的那一个。

这两个模型到底是什么

撇开授权协议不谈，这是两种真正不同的设计，出于不同的原因而构建。

• 架构——Qwen-Image 2.1 是一款 32 层单流扩散 Transformer，其视觉生成组件拥有 7B 参数，配备 Qwen3-VL 8B 文本编码器和 64 通道 RGBA VAE，空间压缩率为 16×，整套组合约 33 GB。LLaDA-Image-Turbo 是一款 6B 的统一生成与编辑模型——用一套权重同时完成两项任务，而非一个基础模型外加一条独立的编辑路径。

• 推理步数 — Qwen-Image 2.1 默认采用 2048×2048 分辨率、40 步，并使用流匹配与欧拉离散调度。LLaDA-Image-Turbo 通过 Twin-DMD 蒸馏至 2–4 步，推荐使用 4 步，其引导尺度为 1.0，而 Base 模型为 5.0。

• 精度选项 — Qwen-Image 2.1 通过其 vLLM-Omni 路径发布 FP8 量化支持。LLaDA-Image-Turbo 将 BF16 和 FP8 检查点作为单独的下载项提供。

• 参考图条件控制——Qwen-Image 2.1 最多可接受 10 张参考图，支持通过圈选、涂抹标注或单独遮罩进行局部编辑，并可生成原生 RGBA 及透明图层编辑。LLaDA-Image-Turbo 的模型卡未公布参考图数量上限。

• 注意 — Qwen-Image 2.1 使用块因果注意力：对文本采用 token 级因果掩码，对图像生成采用块级双向掩码，并在检查点带有 causal_condition: true 时复用前缀 KV 缓存。LLaDA-Image-Turbo 的模型卡没有以同样的详细程度描述其掩码方案。

• 许可证 — 仅限研究且明确声明，与未声明相对。

注意步数和参数量放在一起意味着什么。Qwen-Image 2.1 是一个更大的模型，跑的步数是它的十倍；LLaDA-Image-Turbo 则是一个更小的模型，被蒸馏到只剩几步。这是关于图像生成的成本究竟花在哪里的两种相反押注，而正确答案完全取决于你的瓶颈是每张图所消耗的 GPU 秒数，还是图像表现力的上限。

速度经济学：40 步对 4

Turbo 这个名字在这里并非虚名。Twin-DMD 蒸馏将扩散轨迹压缩成几次大幅跳跃，正因如此，LLaDA-Image-Turbo 能在 4 步内运行，而它的 Base 模型却需要常规的调度。在引导值为 1.0 时，它还会跳过无分类器引导，而后者通常会使每一步的前向传递次数翻倍——因此实际差距比单看 40 对 4 所显示的更大。

这样换来的是吞吐量和可预测性。一个 6B 模型跑四步，正属于那种能塞进单张消费级显卡、并且生成草稿图快到足以放进交互式循环里的配置。Qwen-Image 2.1 跑 40 步、2048×2048 是一种质量优先的配置；模型卡自己针对受限硬件给出的建议是通过pipe.enable_model_cpu_offload()做 CPU offload，这是一种退路，而非真正的修复。

抵消这一点的是，蒸馏是对能力的压缩，而这里的一切都尚未被这两家实验室之外的任何人测量过。对于这两个模型中的任何一个，唯一存在的独立数据点，是来自 Qwen Ambassador 计划中一位测试者对 Qwen-Image 2.1 的早期访问实测评测；该测试者通过 ModelScope Studio 界面运行了最终权重，并报告文生图大约需要 10–15 秒，编辑大约需要 18–23 秒。这只是一名评测者，在早期访问的 UI 上，且没有显示计时器——是有用的信号，而非基准测试。LLaDA-Image-Turbo 则完全没有公开的、可与之相比的实测报告。

编辑是两种设计分歧最大的地方

两个模型都能实现文本生成图像和编辑，但它们达成的方式不同，差异体现在底层架构而非输出结果上。

Qwen-Image 2.1 将指令遵循视为一个独立且可检查的组件。除了图像模型之外，此次发布还包含两个提示词重写检查点——Qwen/Qwen-Image-2.1-PE-T2I 和 Qwen/Qwen-Image-2.1-PE-I2I，每个都是一个微调过的 Qwen3.5-VL 9B，大小约 18.8 GB——它们接收模糊的指令，并在扩散模型看到它之前，将其重写为明确无歧义的指令。I2I 变体始终有输入图像，因此它始终是编辑任务，而绝不是凭空生成。关键的是，重写器还附带一个 system_prompt.txt 可供你阅读和覆盖，而且它对语言的说明异常明确：描述语言遵循你的指令，而绘制到图像中的文本语言由严格的优先级顺序决定，该顺序会保留输入图像已有的标签语言，即使你使用不同语言给出提示。

这是一小段工程实现，却有着很大的影响范围。如果你要为包装文字很重要的市场制作产品图像，那么“改写器会保留现有的标签语言”和“改写器会贴心地把所有内容都翻译成英语”之间的差别，就是可用素材与被拒素材之间的差别——而且因为它存在于系统提示中，而不是托管在某个黑盒里，你可以对它做 diff 并修改它。

LLaDA-Image-Turbo 做了相反的取舍：一个 6B 模型、一套权重，生成与编辑共享一切。活动部件更少，需要配置的东西更少，也没有什么可供检查或覆盖。它的模型卡引用了 Qwen-Image-Bench 的数据，英文 53.53、中文 53.38，并宣称达到开源 SOTA——但这由厂商自报、未经复现；而且要注意，它正在取胜的这项基准，是以它暗中竞争的那个模型命名的。

你实际上会在什么上运行它们

发布当天的生态支持是发布过程中最不起眼的一环，却也决定了你只需花一个下午，还是要搭上整个周末。

• Qwen-Image 2.1实现了广泛落地：QwenImage21Pipeline在首日就合入 Diffusers；ComfyUI 原生支持，并提供文生图与图像编辑工作流模板；vLLM-Omni 支持逐步执行、前缀 KV 缓存、CUDA Graph 解码、FP8 量化以及张量/Ulysses 并行；一项原生 SGLang 支持的拉取请求于 9 月 17 日合入——早于权重发布三天——涵盖 DiT、RGBA VAE、Qwen3-VL 条件注入与多参考输入，并已在 H200、B200、RTX PRO 6000、RTX 5090 和 RTX 4090 上完成验证；以及通过 LightX2V 实现的首日加速，在 AMD Radeon 上依托 ROCm，并通过 FlagOS 实现多芯片支持。

• LLaDA-Image-Turbo于2026年9月7日获得了ComfyUI支持，比权重发布晚了三天，同时还提供了Diffusers和Safetensors分发版本。这确实是一条可行的运行路径，但它更为单薄，而且没有可与之对应的预发布服务化工作可供指出。

预发布的 SGLang 拉取请求，正是 Qwen-Image 2.1 露出的马脚。框架支持先于权重落地，说明有人是拿着检查点在实测服务链路，而不是事后照着模型卡补写出来的。

你随实验一并保留的托管路径

在撰写本文时，这两个模型都无法通过 OrcaRouter 路由，本文也不会暗示并非如此——两者都是自托管方案，一个采用的许可证排除了生产环境使用，另一个则完全没有任何许可证。对于评估它们的团队而言，关键在于评估不必处在关键路径上。

OrcaRouter 将 200 多个模型置于同一个兼容 OpenAI 的端点之后，按提供商标价提供、零加价，并支持跨提供商自动故障转移，还提供一套路由 DSL，让你能把多个模型组合成一次调用。就这一决策而言，它的实际形态是这样一条路由：你已经信任的模型承载生产流量，同时在其旁侧测试一个自托管检查点——而且由于标价是直接透传而非加价，任何被路由模型的供应商价格变动都会当天就在我们这边生效，而不必等待合同修订。我们今天实际路由的图像模型包括 OpenAI 的 GPT-Image 系列、Google 的 Imagen 4 各档位与 Gemini 图像预览版，以及 xAI 的 Grok Imagine 图像端点。如果你打算花一周时间搭建一个 33 GB 的扩散 Transformer，来验证它是否能胜过托管模型，那么托管模型就是对照组，而让对照组已经挂在一个密钥上，是值得的。

什么会改变这个比较？

三件事，按其重要程度排序。

第一，针对任一模型的独立基准分数。两者都没有，而在这一点改变之前，双方的所有质量声明都不过是实验室在给自己批改作业。第二，许可证：Qwen-Image 2.1 如果能有一个宽松许可证变体，就会让它成为 7B 规模开放图像工作的明显默认选择；而 LLaDA-Image-Turbo 只要有任何明示许可证，至少就能让它变得可规划。第三，Qwen 于 9 月 17 日在 ModelScope 项目中开展的早期访问计划，要求测试者在 9 月 29 日前发布样本或评测——距今只有八天。到那时，这才会从两张模型卡的对比，变成一场真正的对比。在那之前，诚实的总结是：Qwen-Image 2.1 是看起来能力更强、但你不能商用的模型；LLaDA-Image-Turbo 是速度更快、但不谈一谈就完全不能使用的模型；而许可证文件则是这两个发布中唯一完全尘埃落定的部分。