Qwen-Image 2.1 与 LLaDA-Image-Turbo：两个开放图像模型，两种截然不同的许可证

两个开放权重的图像模型在同一个三周内相继落地。Qwen-Image 团队于 2026 年 9 月 20 日发布了 Qwen-Image 2.1——权重、许可证文件、模型卡和一篇博客文章全都在同一天上线，之前几乎没有任何预热。而在此前十六天，也就是 2026 年 9 月 4 日，inclusionAI（蚂蚁集团的研究实验室）发布了 LLaDA-Image-Turbo，没有发布帖、没有新闻稿，也没有任何形式的公告。如今两者都可以下载。两者都没有任何一个独立的基准测试分数。而真正决定你能用哪一个的差别，并不在任何一个模型卡里——而在那些文书里。Qwen-Image 2.1 采用的是直接禁止商业使用的研究许可证。LLaDA-Image-Turbo 则在它的所有代码仓库中都没有声明任何许可证。

许可证问题排在第一位，因为它是唯一一个有明确答案的问题。

从这里开始，因为这一对比中的其他一切都只是暂时的，而这个不是。

• Qwen-Image 2.1根据日期为 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厂商另行申请许可。与早先以 Apache 2.0 许可发布的 Qwen-Image 系列相比，这是一个重大变化。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，但不能将其用于产品中。

• LLaDA-Image-Turbo根本没有声明任何许可证。既不是宽松许可证，也不是限制性许可证，甚至连占位符都没有。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 的研究许可证更为严格，而非更宽松。如果你打算基于它进行开发，这该去问实验室，而不是看 README。

这种讽刺值得直白地说出来：那个带着正式、限制性许可证而来的模型，才是你今天可以围绕它做规划的那一个，因为你清楚自己究竟处在什么位置。而没有许可证的那个模型，才是你无法围绕它做规划的那一个。

这两个模型实际上是什么

抛开授权问题，这是两种真正不同的设计，出于不同的原因而打造。

• 架构 — Qwen-Image 2.1 是一个 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（16× 空间压缩），整个套件约 33 GB。LLaDA-Image-Turbo 则是一个 6B 的统一生成与编辑模型——用同一套权重同时完成两项任务，而非基础模型外加一条独立编辑路径。

• 推理步数 — Qwen-Image 2.1 默认在 2048×2048 分辨率下以 40 步运行，采用流匹配与 Euler 离散调度。LLaDA-Image-Turbo 通过 Twin-DMD 蒸馏至 2–4 步，推荐使用 4 步，其在引导尺度 1.0 下运行，而 Base 模型为 5.0。

• 精度选项 — Qwen-Image 2.1 通过其 vLLM-Omni 路径发布了 FP8 量化支持。LLaDA-Image-Turbo 以独立下载的形式同时提供 BF16 和 FP8 检查点。

• 参考条件控制 — Qwen-Image 2.1 最多可接受 10 张参考图像，支持通过圈选、涂鸦标注或独立蒙版进行局部编辑，并可生成原生 RGBA，实现透明图层编辑。LLaDA-Image-Turbo 的卡片未公布参考图像数量上限。

• 注意——Qwen-Image 2.1 采用块因果注意力：对文本使用令牌级因果掩码，对图像生成使用块级双向掩码，当检查点带有 causal_condition: true 时，会复用前缀 KV 缓存。LLaDA-Image-Turbo 的模型卡未以同样详尽的程度描述其掩码方案。

• 许可证 — 仅限研究且明确声明，相对于未声明。

注意步数与参数量的含义。Qwen-Image 2.1 是一个更大的模型，运行步数是其十倍；LLaDA-Image-Turbo 则是一个更小的模型，被蒸馏到只需少数几步。这是对图像生成成本究竟落在何处的两种相反押注，而正确答案完全取决于你的瓶颈是每张图消耗的 GPU 秒数，还是一张图能达到的视觉上限。

速度经济学：40 步对 4

Turbo 这个名字在这里名副其实。Twin-DMD 蒸馏把扩散轨迹压缩为少数几次大跳跃，这正是 LLaDA-Image-Turbo 能在 4 步下运行、而其 Base 模型却需要常规调度方案的原因。在 guidance 1.0 下，它还跳过了无分类器引导，而后者通常会使每步的前向传播次数翻倍——因此，实际差距比单看 40 对 4 所体现的要更大。

这为你换来的是吞吐量和可预测性。一个 6B 模型在四步下，正是那种能装进单张消费级显卡、并且生成草稿图像快到足以放进交互循环里的东西。Qwen-Image 2.1 在 40 步和 2048×2048 下是质量优先型配置；模型卡自身针对受限硬件的建议是采用 CPU 卸载，具体通过 pipe.enable_model_cpu_offload()，这更像一种权宜之计，而非修复方案。

平衡因素在于，蒸馏是对能力的压缩，而这里的一切都尚未被两家实验室之外的任何人测量过。对于这两个模型来说，唯一存在的独立数据点，是来自 Qwen Ambassador 计划的一位测试者对 Qwen-Image 2.1 的早期访问上手评测，他通过 ModelScope Studio 界面运行了最终权重，并报告文本到图像大约需要 10–15 秒，编辑大约需要 18–23 秒。这只是一名评测者、在一个早期访问 UI 上、没有显示计时器的情况下得出的结果——是有用的信号，而不是基准测试。LLaDA-Image-Turbo 则完全没有任何可比的公开上手报告。

编辑功能是两种设计差异最大之处

这两个模型都能实现文本生成图像和图像编辑，但它们的实现路径不同，而这种差异体现在底层机制上，而非输出结果上。

Qwen-Image 2.1 将指令遵循视为一个独立的、可检查的组件。除图像模型之外，该版本还包含两个提示词改写检查点——Qwen/Qwen-Image-2.1-PE-T2I 和 Qwen/Qwen-Image-2.1-PE-I2I，二者均为微调后的 Qwen3.5-VL 9B，体积约 18.8 GB——它们会在扩散模型看到提示词之前，先把含糊的指令改写成明确无歧义的指令。I2I 变体始终有输入图像，因此它永远是一项编辑任务，而绝非从无到有的生成。关键在于，该改写器附带一份你可以阅读并覆盖的 system_prompt.txt，而且它对语言的说明异常明确：描述所用的语言遵循你的指令，而绘制到图像中的文字采用何种语言，则由一套严格的优先级顺序决定——即使你用另一种语言发出提示，它也会保留输入图像中已有的标签语言。

这是一项小工程，但影响范围很大。如果你正在为一个包装文案至关重要的市场制作产品图像，那么“重写器保留现有标签语言”和“重写器好心地将所有内容翻译成英语”就是可用素材与被拒素材之间的区别——而且因为它存在于系统提示中，而不是在某个托管黑盒里，你可以对它进行 diff 并修改它。

LLaDA-Image-Turbo 做出了相反的取舍：一个 6B 模型、一套权重，生成与编辑共享一切。更少的活动部件，更少的配置项，也没有任何可供检查或覆盖的东西。它的模型卡引用了 Qwen-Image-Bench 上的分数：英文 53.53、中文 53.38，并宣称开源 SOTA——但这是厂商自报、未经复现，而且请注意，它所赢得的这个基准，是以它暗中竞争的模型命名的。

你实际上会在什么上面运行它们

发布日的生态系统支持是发布过程中最不引人注目的部分，却也是决定你是花一个下午还是一个周末的部分。

• Qwen-Image 2.1实现了全面落地：QwenImage21Pipeline在首发当天即合并进 Diffusers；原生支持 ComfyUI，并提供文生图与图像编辑工作流模板；vLLM-Omni 支持分步执行、前缀 KV 缓存、CUDA Graph 解码、FP8 量化以及张量/Ulysses 并行；一项原生支持 SGLang 的 pull request 于 9 月 17 日落地——提前三天，在权重发布之前——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；同时通过 LightX2V 实现零日加速，在 AMD Radeon 上经由 ROCm 运行，并通过 FlagOS 实现多芯片支持。

• LLaDA-Image-Turbo于 2026 年 9 月 7 日获得 ComfyUI 支持，比权重发布晚三天，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，但相对单薄，而且没有可与之对应的预发布服务阶段的工作可资参照。

SGLang 的预发布拉取请求是 Qwen-Image 2.1 的信号。框架支持先于权重落地，意味着有人是在用检查点测试服务路径，而不是事后照着模型卡来补写。

你与实验一起保留的托管路径

在撰写本文时，这两个模型都无法通过 OrcaRouter 进行路由，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用途，另一个则完全没有任何许可证。对于评估它们的团队来说，重要的是，评估不必处于关键路径上。

OrcaRouter 将 200 多个模型统一置于一个兼容 OpenAI 的端点之后，按供应商目录价提供、零加价，并具备跨供应商的自动故障转移能力，以及一套路由 DSL，让你可以把多个模型组合成一次调用。对于眼下这个决策，其实际形态就是一条路由：你已信任的模型承载生产流量，同时让一个自托管检查点在它旁边接受测试——而且由于目录价是直接透传而非加价，任何被路由模型的供应商调价当天就会在我们这边生效，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 各档位以及 Gemini 图像预览版，还有 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，只为弄清它能否胜过某个托管模型，那么托管模型就是对照组，而让对照组已经挂在一把密钥上，是值得的。

什么会改变这一比较？

三件事，按它们的重要性排序。

第一，要为这两个模型中的任何一个给出独立的基准测试分数。两者都没有，而在这一点改变之前，双方所有关于质量的宣称都不过是实验室在给自己批改作业。第二，许可证：Qwen-Image 2.1 若有一个宽松许可证的变体，就会让它成为 7B 规模开放图像工作的显然默认选择；而 LLaDA-Image-Turbo 只要声明任何许可证，至少就能让人把它纳入规划。第三，Qwen 于9月17日在 ModelScope 项目中的早期访问测试者被要求在9月29日之前发布样本或评测——也就是八天后。到那时，这就不再只是两份模型卡之间的比较，而开始成为真正的对比。在那之前，诚实的总结是：Qwen-Image 2.1 是看起来能力更强、却无法商用的模型；LLaDA-Image-Turbo 是速度更快、但不谈一谈就完全没法用的那个；而许可证文件是这两个发布中唯一完全尘埃落定的部分。