Qwen-Image 2.1 對比 LLaDA-Image-Turbo：兩個開源圖像模型，兩種截然不同的授權條款

兩款開放權重圖像模型在同一個三週內問世。Qwen-Image 團隊發布了Qwen-Image 2.1於 2026 年 9 月 20 日——權重、授權檔案、模型卡與一篇部落格文章，全都在同一天，事前幾乎毫無鋪墊。十六天前，也就是 2026 年 9 月 4 日，inclusionAI（螞蟻集團的研究實驗室）發布了LLaDA-Image-Turbo，既沒有發布貼文、沒有新聞稿，也沒有任何形式的公告。兩者今天都可下載。兩者都沒有任何一項獨立基準測試分數。而真正決定你能使用哪一個的差異，不在任何一份模型卡中——而是在文書文件裡。Qwen-Image 2.1 以研究授權條款發布，完全禁止商業使用。LLaDA-Image-Turbo 則完全未在其任何儲存庫中宣告授權條款。

授權問題得先處理，因為它是唯一有明確答案的問題。

從這裡開始，因為這份比較中其他一切都是暫定的，唯獨這項不是。

• Qwen-Image 2.1依據 2026 年 9 月 20 日的《Qwen 研究授權協議》發布，該協議授予的權利「僅限非商業用途」，並載明商業使用須另行向廠商申請授權。這與先前以 Apache 2.0 釋出的 Qwen-Image 系列相比，是一項重大變更。這點毫不含糊：你可以閱讀它、評估它、對它進行基準測試，也可以撰寫相關文章，但你不能把它放進產品裡。

• LLaDA-Image-Turbo完全未宣告任何授權條款。既不是寬鬆授權，也不是限制性授權，甚至不是佔位符。一個沒有授權條款的儲存庫，在任何法律意義上都不是「可自由使用」——它預設就是保留所有權利，這比 Qwen 的研究授權更嚴格，而不是更寬鬆。如果你打算以它為基礎進行開發，這該去問實驗室，而不是看 README。

諷刺的是，這點值得直說：那個帶著正式且限制性授權問世的模型，正是你今天可以據以規劃的那一個，因為你完全清楚自己的處境。沒有授權的模型，則是你無法據以規劃的那一個。

這兩個模型實際上究竟是什麼

撇開授權不談，這兩者確實是截然不同的設計，出於不同的原因而打造。

• 架構 — Qwen-Image 2.1 是視覺生成元件中具備 7B 參數的 32 層單流擴散 Transformer，搭配 Qwen3-VL 8B 文字編碼器，以及在 16× 空間壓縮下的 64 通道 RGBA VAE，整體套件約 33 GB。LLaDA-Image-Turbo 則是 6B 的統一生成與編輯模型——以一組權重同時完成這兩項工作，而非一個基礎模型再加上獨立的編輯路徑。

• 推論步數 — Qwen-Image 2.1 採用 flow matching 與 Euler 離散排程，預設以 40 步生成 2048×2048 影像。LLaDA-Image-Turbo 則透過 Twin-DMD 蒸餾至 2–4 步，建議使用 4 步，並以 guidance scale 1.0 執行，而 Base 模型則為 5.0。

• 精度選項 — Qwen-Image 2.1 透過其 vLLM-Omni 路徑發布 FP8 量化支援。LLaDA-Image-Turbo 則以獨立下載的形式，同時提供 BF16 與 FP8 檢查點。

• 參考圖條件 — Qwen-Image 2.1 最多接受 10 張參考圖片，支援以圈選、塗繪標註或獨立遮罩進行局部編輯，並能生成原生 RGBA 與透明圖層編輯。LLaDA-Image-Turbo 的說明卡並未公布參考圖片數量上限。

• 注意力機制 — Qwen-Image 2.1 採用區塊因果注意力：文字使用 token 層級的因果遮罩，圖像生成則使用區塊層級的雙向遮罩，並在檢查點帶有 causal_condition: true 時重用前綴 KV 快取。LLaDA-Image-Turbo 的說明卡並未以同樣的細節描述其遮罩機制。

• 授權 — 僅限研究且明確聲明，相對於未聲明。

請留意步數與參數量共同代表的意義。Qwen-Image 2.1 是較大的模型，執行步數多達十倍；LLaDA-Image-Turbo 則是較小的模型，經蒸餾後只需少數幾步。這兩者對影像生成成本究竟落在何處，押的是相反的注，而正確答案完全取決於你的瓶頸是每張影像的 GPU 秒數，還是影像外觀所能達到的上限。

速度經濟學：40 步對 4 步

{{1}}Turbo{{/1}} 這個名字在這裡名副其實。{{2}}Twin-DMD{{/2}} 蒸餾將擴散軌跡壓縮成少數幾個大跳躍，這就是為什麼 {{3}}LLaDA-Image-Turbo{{/3}} 能在 4 步下運行，而其 {{4}}Base{{/4}} 模型卻需要傳統排程。在 guidance 1.0 下，它還略過無分類器引導，這通常會讓每步的前向傳遞次數加倍——因此實際差距比單看 40 對 4 本身所暗示的還要大。

這換來的是吞吐量與可預測性。一個 6B 模型跑四步，正是那種能塞進單張消費級顯卡、又能快速產出草稿影像以放進互動式迴圈裡的配置。Qwen-Image 2.1 以 40 步、2048×2048 執行，則是品質優先的設定；模型卡本身對硬體受限環境的建議，是透過 pipe.enable_model_cpu_offload() 進行 CPU 卸載，而這只是權宜之計，並非真正的解決方案。

相對的另一面是，蒸餾是對能力的壓縮，而這裡沒有任何一項是由這兩個實驗室以外的人測量過的。兩個模型中唯一存在的獨立資料點，是來自 Qwen 大使計畫一位測試者對 Qwen-Image 2.1 的早期存取實測評論，他透過 ModelScope Studio 介面執行最終權重，並回報文字生成圖像約需 10–15 秒，編輯則約需 18–23 秒。那只是單一評測者、在早期存取版介面上、且沒有顯示計時器 —— 是有用的訊號，不是基準測試。LLaDA-Image-Turbo 則完全沒有任何公開的類似實測報告。

編輯是這兩種設計分歧最大的地方。

兩個模型都能進行文字轉圖像和編輯，但它們達成的方式不同，而差異體現在底層架構而非輸出結果上。

Qwen-Image 2.1 將指令遵循視為獨立且可檢視的元件。除了影像模型之外，此次發布還包含兩個提示詞改寫檢查點——Qwen/Qwen-Image-2.1-PE-T2I與Qwen/Qwen-Image-2.1-PE-I2I，兩者各自是微調過的 Qwen3.5-VL 9B、約 18.8 GB，會接收模糊的指令，並在擴散模型看到之前將其改寫成明確無歧義的指示。I2I 變體必定帶有輸入影像，因此它永遠是編輯任務，絕非從無到有的生成。至關重要的是，這個改寫器附帶一個 system_prompt.txt，你可以閱讀並覆寫它，而且它對語言的規定異常明確：描述所用的語言會依循你的指令，而繪製到影像上的文字語言，則由嚴格的優先順序決定，即使你以不同語言下提示，仍會保留輸入影像既有的標籤語言。

那是一件規模很小、影響範圍卻很大的工程。如果你要為某個包裝文字很重要的市場製作產品圖像，那麼「改寫器會保留既有的標籤語言」與「改寫器會好心地把所有內容都翻譯成英文」，就是可用素材與被退件素材之間的差別——而且因為它存在於系統提示中，而不是在代管的黑盒子裡，所以你可以對它做差異比對並加以修改。

LLaDA-Image-Turbo 則做出相反的取捨：一個 6B 模型、一組權重，生成與編輯共用一切。更少的活動零件、更少需要設定的東西，也沒有任何可供檢視或覆寫的項目。它的模型卡引用 Qwen-Image-Bench 的成績：英文 53.53、中文 53.38，並宣稱達到開源 SOTA —— 這些都是廠商自行回報、未經重現的數據；而且要注意，它勝出的那個基準，是以它隱然與之競爭的模型命名的。

你實際上會用什麼來運行它們

上市日的生態系支援是發行過程中最不光鮮亮麗的部分，也是決定你只需花一個下午、還是得耗上整個週末的部分。

• Qwen-Image 2.1全面登場：QwenImage21Pipeline在零時差就合併進 Diffusers；ComfyUI 原生支援，並附上文生圖與圖像編輯工作流程範本；vLLM-Omni 具備逐步執行、前綴 KV 快取、CUDA Graph 解碼、FP8 量化，以及 tensor／Ulysses 平行處理；一份原生 SGLang 支援的 pull request 於 9 月 17 日比權重發布早了三天——涵蓋 DiT、RGBA VAE、Qwen3-VL 條件處理與多重參考輸入，並已在 H200、B200、RTX PRO 6000、RTX 5090 與 RTX 4090 上完成驗證；同時透過 LightX2V 搭配 AMD Radeon（經由 ROCm）達成零時差加速，並透過 FlagOS 提供多晶片支援。

• LLaDA-Image-Turbo於 2026 年 9 月 7 日取得 ComfyUI 支援，也就是在權重釋出三天後，另外還提供了 Diffusers 與 Safetensors 發行版本。這確實是一條可行的實際執行途徑，但相對單薄，而且沒有同等的前置搶先版推論服務成果可供指陳。

預發布的 SGLang 拉取請求，正是 Qwen-Image 2.1 的關鍵跡象。框架支援比權重更早落地，代表有人正拿檢查點測試服務路徑，而不是事後才根據模型卡來撰寫。

你與實驗並存保留的託管路徑

這兩款模型在撰寫本文時都無法透過 OrcaRouter 路由，而本文也不會暗示並非如此——兩者都屬於自架方案，一款所採用的授權條款排除了正式環境使用，另一款則完全沒有授權。對評估它們的團隊而言，重要的是這項評估不必卡在關鍵路徑上。

OrcaRouter 把 200 多個模型放在單一 OpenAI 相容端點之後，以供應商定價原價提供、零加價，並具備跨供應商的自動容錯移轉，以及一套路由 DSL，讓你將多個模型組合成單次呼叫。就這個決策而言，其實際樣貌是一條路由：由你已經信任的模型承載正式流量，同時在旁測試一個自架檢查點——而且因為是原價透傳而非加價，任何被路由的模型一旦供應商調價，我們這邊當天就生效，不必等待合約修訂。我們目前確實有在路由的圖像模型，是 OpenAI 的 GPT-Image 系列、Google 的 Imagen 4 各級版本與 Gemini 圖像預覽版，以及 xAI 的 Grok Imagine 圖像端點。如果你打算花一週架起一個 33 GB 的擴散 Transformer，只為了弄清楚它是否勝過託管模型，託管模型就是對照組，而預先讓對照組掛在一把金鑰上，是值得的。

什麼會改變這個比較？

三件事，依它們會有多重要的順序排列。

首先，是任一模型的獨立基準測試分數。兩者都沒有，而在情況改變之前，雙方所有品質宣稱都只是實驗室在批改自己的作業。其次，是授權條款：Qwen-Image 2.1 的寬鬆變體會讓它成為 7B 開放圖像工作的明顯預設選擇，而 LLaDA-Image-Turbo 只要有任何明示的授權條款，至少就能讓它變得可規劃。第三，Qwen 在 9 月 17 日 ModelScope 計畫的早期存取測試者被要求在 9 月 29 日之前發布樣本或評論——也就是八天後。到那時，這就不再是兩份模型卡的比較，而是開始成為真正的比較。在那之前，誠實的總結是：Qwen-Image 2.1 是看起來更有能力、但你無法商業化的模型；LLaDA-Image-Turbo 是速度更快、但若不先談過就完全無法使用的模型；而授權檔案則是這兩項發布中唯一完全定案的部分。