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

兩款開放權重影像模型在同一段三週期間內相繼問世。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，全都在同一天推出，事前幾乎沒有任何預熱。十六天前，也就是 2026 年 9 月 4 日，inclusionAI（Ant Group 的研究實驗室）發布了LLaDA-Image-Turbo，沒有發布貼文、沒有新聞稿，也沒有任何形式的公告。如今兩者皆可下載。兩者都沒有任何一項獨立的基準測試分數。而真正決定你能使用哪一個的差異，並不在任何一份模型卡中——而是在文書作業裡。Qwen-Image 2.1 以研究授權發布，徹底禁止商業使用。LLaDA-Image-Turbo 則在其所有儲存庫上完全未宣告任何授權。

授權問題必須先處理，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的一切都是暫定的，而這一點並非如此。

• Qwen-Image 2.1依 2026 年 9 月 20 日的 Qwen 研究授權協議發布，該協議授予的權利為「僅限非商業用途」，並載明商業使用須另行向供應商申請授權。這與先前以 Apache 2.0 發布的 Qwen-Image 系列相比，是一項重大變更。這點無庸置疑：你可以閱讀它、評估它、對其進行基準測試，並撰寫相關文章。但你不能把它放進產品裡。

• LLaDA-Image-Turbo完全沒有宣告任何授權條款。不是寬鬆授權，也不是限制性授權，更不是佔位符。沒有授權條款的儲存庫，在任何法律意義上都不是「可免費使用」——它預設為保留所有權利，這比 Qwen 的研究授權更嚴格，而非更寬鬆。如果你打算以此為基礎進行開發，那是實驗室的問題，不是 README 的問題。

諷刺的是，這一點值得直說：那個問世時附帶正式且限制性授權條款的模型，反而是你今天能夠據以規劃的，因為你清楚知道自己的處境。沒有授權條款的那個模型，則是你無法據以規劃的。

這兩個模型實際上究竟是什麼

撇開授權不談，這確實是兩款截然不同的設計，出於不同原因而打造。

• 架構 — Qwen-Image 2.1 是具備 32 層的單流擴散 Transformer，其視覺生成元件擁有 7B 參數，搭配 Qwen3-VL 8B 文字編碼器，以及具備 16× 空間壓縮的 64 通道 RGBA VAE，整個套件約 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，而非一個基礎模型外加一條獨立的編輯路徑。

• 推理步數 — Qwen-Image 2.1 預設為 2048×2048、40 步，採用流匹配與 Euler 離散排程。LLaDA-Image-Turbo 透過 Twin-DMD 蒸餾至 2–4 步，建議使用 4 步，並以引導尺度 1.0 執行，相對於 Base 模型的 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 以個別下載的形式提供 BF16 與 FP8 檢查點。

• 參考圖條件控制 — Qwen-Image 2.1 最多可接受 10 張參考圖，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 的模型卡並未公布參考圖數量上限。

• 注意力 — Qwen-Image 2.1 採用區塊因果注意力：文字使用詞元層級的因果遮罩，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 時重複使用前綴 KV 快取。LLaDA-Image-Turbo 的模型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，對比未聲明者。

注意步數與參數量共同代表的意義。Qwen-Image 2.1 是一個更大的模型，執行的步數多十倍；LLaDA-Image-Turbo 則是較小的模型，被蒸餾到只需少數幾步。這兩者是在押注圖像生成成本落於何處的相反賭注，而正確答案完全取決於你的瓶頸是每張圖的 GPU 秒數，還是圖像外觀所能達到的上限。

速度經濟學：40 步對 4 步

Turbo 這個名稱在這裡確實名副其實。Twin-DMD 蒸餾把擴散軌跡壓縮成少數幾次大幅跳躍，這正是 LLaDA-Image-Turbo 能在 4 步內執行的原因，而它的 Base 模型則需要傳統的排程。在 guidance 1.0 時，它也會略過無分類器引導，而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 所暗示的還要更大。

這麼做能為你換來的是吞吐量與可預測性。一個 6B 模型在四步下，正是那種能裝進單張消費級顯示卡，且產生草稿影像的速度快到足以放進互動式迴圈裡的東西。Qwen-Image 2.1 在 40 步與 2048×2048 下，是品質優先的配置；模型卡本身對受限硬體的建議是 CPU 卸載，透過 pipe.enable_model_cpu_offload()，這只是權宜之計，而非真正的解決方案。

制衡之處在於，蒸餾是對能力的一種壓縮，而這裡的所有數字都沒有經過這兩間實驗室以外的任何人實測。兩個模型唯一存在的獨立數據點，是 Qwen 大使計畫中一位測試者對 Qwen-Image 2.1 的早期存取親測評論；他將最終權重跑在 ModelScope Studio 介面上，回報文生圖約需 10–15 秒、編輯約需 18–23 秒。那只是單一評論者的說法，用的是早期存取介面，也沒有顯示計時器——是有用的訊號，不是基準測試。LLaDA-Image-Turbo 則完全沒有任何可比的公開親測報告。

編輯是這兩種設計分歧最大的地方

這兩個模型都能進行文字轉圖像與編輯，但它們達成的方式不同，而差異體現在底層機制，而非輸出結果。

Qwen-Image 2.1 將指令遵循視為一個獨立、可檢視的元件。除了影像模型之外，此版本還包含兩個提示改寫檢查點——Qwen/Qwen-Image-2.1-PE-T2I與Qwen/Qwen-Image-2.1-PE-I2I，各自是微調過的 Qwen3.5-VL 9B、約 18.8 GB——它們會接收模糊的指令，並在擴散模型看到之前，將其改寫成明確無歧義的指令。I2I 變體一定帶有輸入影像，因此它永遠是編輯任務，絕不是從無到有的生成。至關重要的是，改寫器隨附了一份system_prompt.txt，你可以自行閱讀並覆寫，而且它對語言的說明異常明確：描述所用的語言會遵循你的指令，而繪製到影像中的文字語言，則由一套嚴格的優先順序決定，即使你以另一種語言下提示，也會保留輸入影像既有的標籤語言。

這是個小小的工程環節，影響範圍卻很大。如果你正為包裝文字很重要的市場產出產品圖像，「改寫器會保留現有標籤語言」和「改寫器會很貼心地把所有內容翻譯成英文」之間的差別，就是素材可用還是被退件——而且因為它存在於系統提示中，而不是託管的黑箱裡，所以你可以對它進行 diff 並修改它。

LLaDA-Image-Turbo 做了相反的取捨：一個 6B 模型、一組權重，生成與編輯共享一切。更少的變動環節、更少的設定項目，也沒有任何可供檢視或覆寫的東西。它的模型卡引用 Qwen-Image-Bench 的數字：英文 53.53、中文 53.38，並宣稱達到開源 SOTA——由廠商自行回報、未經重現，而且請注意，它正在勝出的那個基準，是以它隱含競爭的模型來命名的。

你實際上會在哪裡執行它們

上線首日的生態系支援，是整個發布流程中最不光鮮亮麗的一環，卻也決定了你得花上一個下午，還是整個週末。

• Qwen-Image 2.1 全面登場：一個 QwenImage21Pipeline 在首日即合併進 Diffusers；原生 ComfyUI 支援，附帶文字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，以及張量／Ulysses 平行化；一份原生 SGLang 支援的 pull request 已於 9 月 17 日合併——比權重早三天——涵蓋 DiT、RGBA VAE、Qwen3-VL 條件化與多參考輸入，並已在 H200、B200、RTX PRO 6000、RTX 5090 與 RTX 4090 上完成驗證；還有透過 LightX2V 搭配 AMD Radeon（經由 ROCm）實現的首日加速，以及透過 FlagOS 的多晶片支援。

• LLaDA-Image-Turbo在 2026 年 9 月 7 日獲得 ComfyUI 支援，比權重發布晚三天，另外還有 Diffusers 與 Safetensors 發行版。這確實是一條能實際運行它的途徑，但這條路較為狹窄，而且沒有同等的前置發布推論服務工作可供佐證。

預先發布的 SGLang 拉取請求就是 Qwen-Image 2.1 的徵兆。框架支援比權重更早到位，意味著有人在對著檢查點測試服務路徑，而不是事後才照著模型卡來撰寫。

你與實驗一併保留的託管路徑

在撰寫本文時，這兩個模型都無法透過 OrcaRouter 進行路由，而本文也不會暗示並非如此——兩者都是自行託管的方案，一個採用不允許用於生產環境的授權條款，另一個則完全沒有任何授權。對正在評估它們的團隊而言，重要的是評估不必卡在關鍵路徑上。

OrcaRouter 以供應商定價、零加價，將 200 多個模型整合在單一 OpenAI 相容端點之後，並提供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一次呼叫對這項決策而言，實際的做法是這樣一條路由：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的檢查點——而且因為是直接沿用定價而非加價，任何被路由模型的供應商價格變動，在我們這邊當天就會生效，不必等待合約修訂。我們目前確實有在路由的圖像模型，包括 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。如果你打算花一週時間架起一個 33 GB 的擴散 Transformer，來確認它是否能勝過代管模型，代管模型就是對照組，而讓對照組早已掛在一組金鑰上，是值得的。

什麼會改變這個比較？

三件事，按它們的重要性排序。

首先，是這兩個模型各自的獨立基準分數。兩者都沒有，而在情況改變之前，雙方所有的品質主張都只是實驗室在替自己的作業打分。第二，是授權：Qwen-Image 2.1 的寬鬆授權變體會讓它成為 7B 開放圖像工作中顯而易見的預設選擇，而 LLaDA-Image-Turbo 只要有宣布任何授權，至少就能讓人納入規劃。第三，Qwen 9 月 17 日 ModelScope 計畫的早期存取測試者，被要求在 9 月 29 日前——也就是距今八天——發表樣本或評論。那一刻起，這就不再是兩份模型卡的比較，而開始成為真正的比較。在那之前，誠實的總結是：Qwen-Image 2.1 是看起來能力更強、但你無法商業化的模型；LLaDA-Image-Turbo 是更快、但若沒有先談過就完全無法使用的模型；而授權檔案則是這兩個發布中唯一完全確定下來的部分。