Qwen-Image 2.1 vs Z-Image Turbo：步數、授權條款，以及各自適合的場景

八步對上四十步，還有一個說「可以」的授權條款對上一個說「不行」的授權條款。Qwen-Image 2.1是該廠商的開放權重影像生成與編輯模型，於 2026 年 9 月 20 日根據僅限研究用途的協議發布，預設以 40 步去噪。Z-Image Turbo是同一企業家族旗下 Tongyi-MAI 組織的蒸餾檢查點，於 2025 年 11 月 26 日發布，在 Apache-2.0 之下以 8 步完成同樣的工作。兩者相隔近十一個月，較新者在帳面上是較小的下載檔案，而較舊者才是你能不經任何人同意就放進商業產品的那一個。這種倒置正是整個比較的重點。

簡短的回答，如果你想在推理之前先知道：當每張影像的速度、消費級硬體上的 VRAM，或寬鬆的授權是限制條件時，就選 Z-Image Turbo。當你需要編輯現有影像、想要原生透明背景，或想在獨立排行榜上取得更高分數時，就選 Qwen-Image 2.1。工作負載混合的人不必只能選一個，而本頁大部分篇幅都花在人們以為自己非得二選一的兩個原因上。

首先，命名的問題

這場對決中有兩樣東西都叫做 turbo，但它們並不是同一個 turbo。Qwen-Image 2.1 有它自己的加速變體——「Qwen-Image 2.1 的 turbo 變體」，於 2026 年 10 月 9 日發布，與基礎模型共享架構與 pipeline 類別，但以 8 步進行去噪，CFG 預設為 1。那並不是本頁拿來比較的模型。Z-Image Turbo 是來自另一條產品線的獨立模型，由 Tongyi-MAI 團隊打造，它蒸餾的是另一個不同的基礎模型——Z-Image 檢查點，後者以 50 步運行。

它們在蒸餾來源與蒸餾方式上也有所不同。Tongyi-MAI 將 Z-Image Turbo 描述為使用 Decoupled-DMD，加上一個它稱為 DMDR 的階段蒸餾而成；DMDR 會把 DMD 與強化學習融合。Qwen-Image 2.1 的 turbo 版本被其供應商呈現為檢查點變更，而非全新架構。兩者都採用 8 步；兩者並非同一者，而針對其中一方所寫的句子，不應被解讀為涵蓋另一方。

如果你是要拿「最快的 Qwen-Image 模型」跟 Z-Image Turbo 相比，那這頁就找錯了——那項比較是針對 Qwen-Image 2.1 的 turbo 版本，而「兩個 8 步檢查點」這種說法則是另一個問題，答案也不同。

Z-Image Turbo 實際上附帶了什麼

請以廠商自家資料為準，別採用摘要網站，因為大多數摘要網站都把規模寫錯或略而不提。Z-Image 系列的文件記載為 6B 參數，採用單串流擴散 Transformer 設計，其中文字詞元、視覺語意詞元與影像 VAE 詞元會串接成單一輸入序列。Turbo 是該系列的蒸餾成員，以 8 次 NFE 執行——參考程式碼設定num_inference_steps=9，並註明這會產生 8 次通過 Transformer 的前向傳遞——同時停用引導。

供應商的效能宣稱如下，而這些確實是供應商的說法：在企業級 H800 GPU 上達到不到一秒的推論延遲，以及在消費級裝置上「輕鬆容納於 16G VRAM 之內」。社群工具後來報告透過 stable-diffusion.cpp 可在約 4GB 下執行，這是社群的數據，而非供應商的數據。模型卡並未以範圍形式公布解析度；文件中的範例以 1024×1024 生成。該模型卡也列出 adapter、finetune 與量化模型的數量分別為 879、170 和 93 個，外加約 100 個 Spaces——這衡量的是託管平台上的生態系活躍程度，而非品質。

在獨立的文字生成圖像排行榜上，Z-Image Turbo 位居941 Elo，95% 區間為 933 至 949，來自 8,991 個樣本，在 991 個中排名第 83，每 1,000 張圖片為 $5.00，並設有開放權重標記，排行榜將該列標註為 2025 年 12 月。所有數據均來自 Artificial Analysis，於 2026 年 10 月 13 日以英文即時擷取。

廠商資料中附帶了一則值得正確解讀的歷史註記：2025 年 12 月 8 日，Artificial Analysis 將 Z-Image Turbo 列為總體第八名，並在開源模型中排名第一。這句話在撰寫當時是正確的，而且是一項有時效性的說法。時至今日已不再成立——如今排行榜上已有十六列封閉與開源模型排在它前面。原因並非 Z-Image Turbo 變差了，而是因為十個月過去了。

Qwen-Image 2.1 實際上推出了什麼

架構完全不同。Qwen-Image 2.1 的視覺生成元件為 7B 參數，橫跨 32 層單流 DiT，並搭配規模大得多的文字編碼器——Qwen3-VL 8B——以及具備 16× 空間壓縮的 64 通道 RGBA VAE。透明效果正是來自最後這一項：它是原生生成的，而非事後裁切而來。基礎檢查點的預設取樣為 40 步，預設解析度 2048×2048，並提供從 1:1 到 9:16 的七種官方預設。

• 輸入彈性——單獨使用提示詞、提示詞搭配一張影像，或提示詞搭配最多 10 張參考影像。

• 局部編輯控制 — 繪製圓圈、塗繪標註，或傳入一個獨立的遮罩作為其自身輸入，使原始照片保持無標記。

• 雙向透明度 — 產生 RGBA、在透明圖層內進行編輯，或將主體從一般 RGB 照片中提取為 RGBA 圖層。

• 下載大小 — Diffusers 儲存庫位於 Qwen/Qwen-Image-2.1，大小為 33.1 GB，其中約 17.5 GB 是文字編碼器。這就是將視覺語言模型納入堆疊的實際成本。

在同一張榜單上，Qwen-Image 2.1 位於1,038 Elo，區間為 1,029 至 1,047，取自 5,554 個樣本，在 168 個中排名第 20，並標有開放權重標記，價格欄位顯示「無可用 API」。在編輯榜單上，它是兩者中唯一有出現的：1,072 Elo，區間為 1,063 至 1,081，取自 6,132 個樣本，在 81 個中排名第 21。Z-Image Turbo 在編輯榜單上沒有對應條目。

那兩列——1,038 對 941，九十七分的差距，且區間不重疊——是本文最有力的獨立證據；不過，解讀時仍應留意一項但書：這裡的 Elo 是盲測投票偏好分數。它說明的是群眾偏好哪一項輸出，而不是哪個模型更快、更便宜，或已獲授權供你使用。

步數不是秒數

閱讀這個對決時最常見的錯誤，是把 8 步和 40 步當成五倍的速度比。它們並非兩個模型之間可互相比較的單位。步數是去噪器執行的次數；而每一次執行耗時多久，取決於 transformer 的大小、解析度、精度、注意力實作方式以及硬體。Z-Image Turbo 的廠商公布了在某一解析度、某一 GPU 等級下的延遲數據。Qwen-Image 2.1 的廠商則完全沒有公布任何延遲數據。

能夠誠實比較的是方向與限制條件。Z-Image Turbo 的設計是在消費級 VRAM 上以 8 個 NFE 運行，廠商標示的範圍為 16GB，而社群回報則低於此。Qwen-Image 2.1 的基礎檢查點在 33 GB 的下載量之上運行 40 步，並搭配 Qwen3-VL 8B 編碼器；它之所以有自家的 turbo 變體，正是因為 40 步並非快速配置。如果推論成本是你主要的限制條件，那麼方向本身無庸置疑，即使比例仍有疑問。

此外，還有一種每步品質的取捨，兩家廠商都沒有量化。蒸餾出的少步數檢查點是訓練來近似多步軌跡的，而這項近似最弱的地方——細小文字、密集版面、微小的重複細節——會因模型而異，且未對外公布。不要假設八步模型的第八步就等同於四十步模型的第四十步；針對這一特定組合，在相同設定下的獨立並列比較證據並不存在，而本頁不會憑空捏造證據無法支撐的排名。

許可證就是做出決定之處。

Z-Image Turbo 採用 Apache-2.0 授權。這是該儲存庫的授權條款，明白載明，沒有門檻、無需註冊，也沒有營收條件。你可以執行它、修改它、微調它、再散布衍生作品，並用它發布商業輸出，完全無需聯絡 Tongyi-MAI。

Qwen-Image 2.1 並不是那樣。它的儲存庫帶有 license: other，授權名稱爲 qwen-research，而 LICENSE 檔案是日期爲 2026 年 9 月 20 日的 Qwen Research License Agreement。於 2026 年 10 月 13 日閱讀，它授予非專屬、全球性、免權利金的授權，以使用、重製、散布及修改該等素材 僅限於非商業用途，並將「Non-Commercial」定義爲研究或評估用途，其他任何用途則須另行取得商業授權——需以電子郵件提出申請。再散布還附帶進一步條件：轉傳該協議、標示經修改的檔案、保留載明 Hangzhou Tongyi Laboratory Technology Co., Ltd 的聲明、若輸出被用於訓練另一個散布的模型則顯示「Built with Qwen」，且不得將「Qwen」用作衍生作品的主要名稱。

這值得當成整個系列的通則來陳述，而非一次性特例，因為這代表方向上的轉變。較早的 Qwen-Image 檢查點——Qwen-Image、Qwen-Image-Edit，以及 -2509、-2511、-Layered 與 -2512 版本——依 2026 年 10 月 13 日所見，全都採用 Apache-2.0。Qwen-Image 2.1 打破了這個模式。已授予的授權不會追溯變更，因此較舊的檢查點仍可依原始條款使用，但任何人都不應基於最新的 Qwen-Image 模型為寬鬆授權這個假設，來規劃商業化流程。

這讓兩個模型呈現出與其授權條款檔案、而非規格表相同的樣貌：Z-Image Turbo 是你今天就能直接出貨、無須任何協商的那一個，而 Qwen-Image 2.1 則是那個需要一場你可能根本不想進行的協商。

你可以用什麼執行每一個

Qwen-Image 2.1 推出時即具備有文件記載的執行階段支援，而非日後才取得：可透過 QwenImage21Pipeline 使用 Diffusers、原生 ComfyUI 並提供範本工作流程、vLLM-Omni 的離線與線上服務、透過 sglang generate 使用 SGLang，以及用於加速的 LightX2V，並支援 AMD ROCm 與涵蓋八個晶片平台的 FlagOS 路徑。另隨其發布兩個提示重寫檢查點，以獨立下載形式提供。

Z-Image Turbo 的支援在某個特定層面上更為廣泛：由於它體積小、採用 Apache-2.0 授權，且已問世近一年，因此累積了廣泛的量化與封裝生態系——GGUF 轉換、FP8 與 SDNQ 變體、int4 版本，以及 ComfyUI 單一檔案重新打包版本——這正是讓低於 16GB 與低於 8GB 的執行路徑得以實現的原因。採用寬鬆授權的 6B 模型會被移植；採用研究授權的 33 GB 模型則會被更緩慢、更審慎地移植。這種二階效應在規格表上很容易被忽略，而它往往正是決定讀者本週實際能做什麼的關鍵。

在兩者中運作，無需第二套技術堆疊

OrcaRouter 不會路由 Qwen-Image 2.1，也不會路由 Z-Image Turbo。我們在 2026 年 10 月 13 日檢查了我們的即時模型清單，兩者都未出現，因此下文沒有任何內容是聲稱我們有提供它們——這兩者的路由是自行架設，或使用廠商自家的託管端點。

把這兩者湊在一起的模式，正是這對組合所召喚的：以 Z-Image Turbo 作為廉價的第一輪處理，再以更強的模型做最終算繪。這是個合理的流程，而它暗藏的成本屬於營運層面——兩套下載堆疊、兩組設定，而且只要其中任一方有所變動，就得再做一次整合。OrcaRouter 把 200 多個模型放在單一 OpenAI 相容端點之後，以供應商定價、零加成提供，並具備當某家供應商效能衰退時跨供應商的自動容錯移轉，因此「草稿＋成品」的流程可以把它實際呼叫的模型放在單一金鑰與單一用戶端之後，供應商一時出狀況也只會變成一次重試，而不是整批作業卡住。路由 DSL 對組合本身也扮演同樣角色，讓多個模型能以一次呼叫來取用，而不是當成多個整合來處理。

哪一個，給誰？

• 你正在推出一款商業產品—— Z-Image Turbo。Apache-2.0，無需對話，也沒有營收項目需要檢查。

• 你需要編輯現有影像、使用遮罩，或產生透明素材 — Qwen-Image 2.1。Z-Image Turbo 文件所載的模式是提示詞生成影像；該系列中沒有編輯檢查點，文件所載路徑中也沒有遮罩輸入。

• 你的限制是 VRAM 或每張影像的成本——Z-Image Turbo。一個背後累積了十年量化工作的 6B 模型，對比搭載 8B 視覺語言編碼器的 33 GB 堆疊。

• 你的限制條件是由陌生人評判的輸出品質—— Qwen-Image 2.1，在兩者皆有排名的排行榜上，以大約一百個 Elo 分的差距，且區間不重疊。

• 你正在做的是研究，而非正式生產——Qwen-Image 2.1 的授權正是為此而設，而它的編輯介面，就是值得你付出下載成本的理由。

最常起決定作用的事實，用一句話說：只要成品必須交付，或必須在讀者原本就擁有的機器上運行，Z-Image Turbo 就會勝出；而只要任務牽涉到一張已經存在的圖片，Qwen-Image 2.1 就會勝出。