Qwen-Image-2.1-Turbo 對上 Z-Image Turbo：兩個八步模型，兩種不同的押注

Qwen-Image-2.1-Turbo 與 Z-Image Turbo是目前大多數人最終會在兩者之間做選擇的兩個開放圖像檢查點，而這場比較之所以一直原地打轉，是因為它們宣傳的頭條數字相同。兩者都以八個去噪步驟運行。兩者都足夠開放，可以下載並在自己的機器上執行。兩者都宣稱比它們所衍生的來源模型快上許多。所有真正決定你該選哪一個的因素，都藏在那個共通的數字底下，而其中沒有一項是步數。Z-Image Turbo 於 2025 年 11 月 25 日發布，是採用 Apache-2.0 授權的 6B 模型，以公開的兩階段配方從 Z-Image 系列蒸餾而來。Qwen-Image-2.1-Turbo 則於 2026 年 10 月 9 日問世，是Qwen-Image-2.1的加速檢查點——這個基礎模型於 2026 年 9 月 20 日發布——保留了 7B 架構與該廠商的非商業研究授權。這兩個儲存庫相隔八個月，而它們在建造方式上的差異，比日期差距所暗示的還要大。

八個步驟是共同的症狀，而非共同的成因

當兩個模型透過不同途徑達到相同的步數時，步數就不再是有用的比較依據。它只告訴你，這兩個模型是為了可比的延遲而調校的，如此而已。

• Z-Image Turbo 是透過蒸餾，接著再經強化學習達成這個成果。Z-Image 系列說明卡將其描述為「Z-Image 的蒸餾版本，僅需 8 次 NFE 即可媲美或超越領先競爭對手」。技術報告點出了其機制名稱：Decoupled-DMD，這是分佈匹配蒸餾（Distribution Matching Distillation）的一種變體，它將既有 DMD 方法向來視為一體的兩項機制拆解開來，其後再採用 DMDR，於後訓練階段融合 DMD 與 RL。說明卡上的變體表格明確顯示了訓練路徑——預訓練、SFT 與 RL 全數標記，8 個步驟，CFG 已停用。

• Qwen-Image-2.1-Turbo 是靠重新包裝一個強大的基礎模型而達成此成果。其說明卡將它描述為「Qwen-Image-2.1 的加速檢查點，用於文字轉圖像生成與圖像編輯，具備 8 個去雜訊步驟」，並採用相同的 7B 視覺生成架構。目前並無公開的蒸餾配方。有明文記載的是，該檢查點帶有自身建議的取樣排程，因此 Diffusers 會自動載入它，單獨設定 `num_inference_steps` 無法將其覆寫；此外，生成預設為 CFG=1，並透過前綴 KV 快取在各步驟間重複使用文字與參考圖像脈絡。

實際後果是：使用 Z-Image Turbo 時，你跑的模型，其速度是訓練過程的產物；而使用 Qwen-Image-2.1-Turbo 時，你跑的是某個本來就很好的模型的檢查點，取樣路徑被縮短並凍結進檔案裡。兩者都合理正當。它們失敗的方式不同。蒸餾模型有一份品質預算，是在訓練期間花掉的；重新打包的檢查點則有一份，是在建立檢查點時花掉的。兩者的模型卡都沒有公布究竟花了多少。

真正將它們分隔開的界線

五個維度決定這場對決。每一項都載明於你能開啟的一手來源中。

• 尺寸： Z-Image Turbo 為 6B 參數，Qwen-Image-2.1-Turbo 則為 7B。兩者都小到足以在消費級硬體上運行，而這個差距並非決定你成果的關鍵。

• 授權條款：Z-Image Turbo 採用 Apache-2.0；Qwen-Image-2.1-Turbo 則適用 qwen-research 協議，該協議僅授予「僅限非商業用途」的權利，商業用途須另行申請授權。這是兩款模型之間差異最大的一點，也是唯一屬於二元性質的差異。

• 編輯： Qwen-Image-2.1-Turbo 只需一次下載，即可進行文字轉圖像與指令引導編輯——其卡片以同一份已儲存的排程示範這兩項功能。Z-Image Turbo 是生成模型；編輯功能位於 Z-Image-Edit，這是另一個獨立變體，系列卡片仍將其列為「尚未發布」。如果你的工作流程現在就需要以指令為基礎的編輯，這條產品線就能定案。

• 文字渲染與語言：Z-Image 卡片特別點出英文與中文雙語文字渲染是 Turbo 的頭號強項。Qwen-Image-2.1-Turbo 的卡片則沒有提出對等的說法——其展示是按輸出類別（人像、姿勢與動態、透明 RGBA、字體排印與海報設計、UI 版面配置、單圖轉換、多參考構圖）而非按語言來編排。

• 記憶體與部署成熟度：Z-Image 的模型卡指出 Turbo「能輕鬆容納於 16G VRAM 的消費級裝置」，並聲稱在 H800 等級硬體上可達到亞秒級推論——這些是廠商說法，並未附上任何量測方法。Qwen-Image-2.1-Turbo 的模型卡則完全未公布任何記憶體或延遲數據。在其問世後的四天內，一個獨立的 macOS 移植版本測得它在 16 GB M1 Pro 上峰值為 1.8 至 2.7 GB、零 swap，輸出上限為 1024×1536；那是第三方實作上的第三方數據，並非廠商數據。

排行榜涵蓋的內容，以及那兩個不存在的資料列

這正是比較最常被誤讀的地方，因此值得精確釐清每個數字分別屬於哪個模型。

在公開的文字轉圖像競技場上，有一列是 Z-Image Turbo，941 Elo，約 9,000 票；另有一列是 Z-Image Base，877。有一列是 Qwen-Image-2.1，1,038 Elo，約 5,500 票，標註日期為 2026 年 9 月，並標示為沒有可用的 API。編輯排行榜上也有一列 Qwen-Image-2.1。

請注意少了什麼。兩張榜單上都沒有 Qwen-Image-2.1-Turbo 的列 — 該檢查點是 2026 年 10 月 9 日的版本，尚未被單獨評估。而編輯榜上也沒有 Z-Image Turbo 的列，因為 Z-Image Turbo 不做編輯。所以「Q​wen 為 1,034 對上 Z-Image 為 941」這個看似乾淨的比較，並不是本文所要討論的兩個檢查點之間的比較；而是拿 Z-Image Turbo 蒸餾來源的模型，去比 Qwen-Image-2.1-Turbo 加速來源的模型。Qwen-Image-2.1-Turbo 在八步中的品質，公開資料中並未測量；而基礎模型的排名有多少能在縮短後的排程中保留下來，也同樣未被測量。

看待那些數字正確的方式，是把它們視為帶有附帶但書的上限：Qwen-Image-2.1-Turbo 所出自的家族，在文生圖排行榜上大約比 Z-Image Turbo 所出自的家族高出 97 Elo，而且沒有人發表過 Turbo 檢查點是否保留了那個差距。

授權在這場對決中絕非附註

在兩個能力如此接近的模型之間，授權條款往往就是整個決策的關鍵，而在這裡，兩者根本毫不接近。

Z-Image Turbo 以 Apache-2.0 授權條款發布。那是一份寬鬆的授權條款：你可以使用它、修改它、散布它，也可以販售你用它所打造的成果，但須遵守一般的姓名標示與聲明條件。

Qwen-Image-2.1-Turbo 原封不動地承繼了基礎模型的 Qwen Research License Agreement。閱讀該協議後，其關鍵條文並無歧義——授權是「FOR NON-COMMERCIAL PURPOSES ONLY」，商業使用則須另行向供應商取得授權。該協議同時禁止將「Qwen」用作衍生作品的主要名稱或識別標示，但允許諸如「fine-tuned from Qwen Image」這類描述性使用。

如果你是在做原型、評估或研究，那個差異不會讓你付出任何成本，你可以依能力來挑選。如果你正在打造打算販售或商業營運的東西，這兩者中有一個可以使用，另一個則需要和 Alibaba Cloud 談一談。這是一個遠比 8 步驟時程表更重大的事實。

執行其中任一個，以及路由器何時會派上用場

這兩者都是你自己託管的權重下載檔。兩者皆非 OrcaRouter上的託管端點，若暗示並非如此並不誠實——我們所路由的圖像模型是 OpenAI GPT-Image 系列。這個產品之所以根本該出現在這場對話中，原因在於：當像這兩個其中之一的檢查點背後有了託管供應商時，會發生什麼事。

當那一天到來，決策就不再是「我該下載哪個檔案」，而是「我到底要維護多少個供應商整合」。這正是 OrcaRouter 為了解決而打造的問題：200 多個模型藏在單一相容於 OpenAI 的端點之後，以供應商定價提供、零加成，一套路由 DSL，用來表達你在什麼條件下想要哪個模型；當供應商效能衰退時自動容錯移轉；以及用於合併輸出的模型融合。一個 8 步驟的開放檢查點與一個路由器並不是彼此競爭的答案；前者是你磁碟上的一個檔案，後者則是讓你不再在乎某個模型名稱背後是哪個端點的方法。

在那之前，本機路徑就是完整路徑，而限制條件就是卡片與授權條款所載明的那一些。

哪一個要先下載？

這個決定最誠實的簡短版本：

• 選擇 Z-Image Turbo如果你需要推出商業用途的產品、想要採用有更完整文件記載且具備公開訓練路徑的加速方案、中英雙語文字渲染確實是必要需求，或者你的目標是 16 GB 裝置並希望符合廠商明列的記憶體範圍，那就

• 就選用 Qwen-Image-2.1-Turbo如果你目前需要從單一檢查點同時取得指令引導的編輯與文字轉圖像功能，而不是等待一個獨立的編輯變體；如果你的工作屬於研究或評估性質；而且如果你偏好採用更強大基礎模型的傳承，並接受其八步之後的品質目前尚未經過實測，

• 兩者都選，如果你是為團隊挑選。它們小到足以並排放在同一顆磁碟上，兩者都由同一類本機執行器提供服務，而同時安裝兩者後唯一不能做的事，就是將 Q​wen 檢查點商業化發布。

今天這兩者都沒能給你的是：一份基準測試。八個步驟、6B 對上 7B、Apache-2.0 對上一種研究授權——這些全都是規格卡上的事實。兩者之中哪一個在八個去雜訊步驟之後能生成更好的圖片，這個問題目前還沒有任何一手來源給出答案；現階段最誠實的做法，是拿你自己的提示詞把兩者都跑一遍，而不是去相信排行榜上屬於另一個檢查點的那一列。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。