Qwen-Image-2.1-Turbo: Acht Denoising-Schritte auf demselben 7B-Generator

Zeitleiste

1. 14. September 2026

   Das Repository Qwen-Image-2.1 erscheint auf Hugging Face. Die Karte beschreibt ein einheitliches Modell für Text-zu-Bild und Bildbearbeitung, dessen visuelle Generierungskomponente 7B Parameter in 32 Single-Stream-DiT-Schichten hat, mit nativer Transparenz, Bearbeitung anhand von bis zu 10 Referenzbildern und einer Diffusers-Pipeline namens QwenImage21Pipeline. Die Beispielaufrufe verlangen 40 Inferenzschritte.

   Qwen/Qwen-Image-2.1 model card

2. 9. Oktober 2026

   Das Repository Qwen-Image-2.1-Turbo erscheint. Die Karte nennt es einen beschleunigten Checkpoint von Qwen-Image-2.1 mit 8 Denoising-Schritten, derselben 7B-Architektur, standardmäßig CFG=1 und Prefix-KV-Caching, und sagt, dass Diffusers aus dem Quellcode installiert sein muss.

   Qwen/Qwen-Image-2.1-Turbo model card

Zuerst das Basismodell, denn Turbo ergibt nur im Vergleich Sinn

Am 14. September erschien auf Hugging Face ein Repository namens Qwen-Image-2.1, und die Karte beginnt mit einem bescheidenen Satz: Das Team freue sich, ein einheitliches Modell für Text-zu-Bild-Generierung und Bildbearbeitung aus der Qwen-Familie als Open Source zu veröffentlichen. Das Detail danach ist für alle wichtig, die es betreiben müssen. Die visuelle Generierungskomponente hat nur 7B Parameter, aufgebaut aus 32 Single-Stream-DiT-Schichten, und die Karte beschreibt die ganze Veröffentlichung als Balance aus Qualität, Effizienz und Vielseitigkeit und nicht als Griff nach dem größten Modell.

Die Karte führt vier Verbesserungen auf. Eine kompakte Architektur mit Attention gemischter Granularität und Wiederverwendung des Prefix-KV-Caches soll Bildqualität bei geringem Rechenaufwand liefern. Native Transparenz lässt das Modell aus Text normale oder transparente (RGBA) Bilder erzeugen, transparente Ebenen bearbeiten und Motive aus Fotos freistellen, alles in einem Modell. Die Bearbeitung unterstützt bis zu 10 Referenzbilder, lokale Änderungen per Kreis, gemalter Anmerkung oder separater Maske sowie Identitätserhalt bei Personen und Produkten. Schließlich behaupten die Autoren bessere Typografie, Porträtbeleuchtung und Feindetails. Das sind Aussagen der Autoren; die Karte enthält keine Benchmark-Tabelle, die wir prüfen könnten, und wir haben das Modell nicht ausgeführt.

Der Beispielcode macht den Aufwand der Nutzung deutlich. Der Text-zu-Bild-Aufruf verlangt 40 Inferenzschritte bei 2048×2048, und für knappere Speicherbudgets gibt die Karte den Tipp, enable_model_cpu_offload an der Pipeline aufzurufen. Das ist die Grundlinie, die Turbo verbessern soll.

Vier Wochen später: was „beschleunigt“ heißt

Vier Wochen später, am 9. Oktober, erschien ein zweites Repository: Qwen-Image-2.1-Turbo. Der erste Absatz der Karte ist ein einziger dichter Satz. Es ist ein beschleunigter Checkpoint von Qwen-Image-2.1 für Text-zu-Bild-Generierung und Bildbearbeitung mit 8 Denoising-Schritten, mit derselben 7B-Architektur der visuellen Generierung und direkt über dieselbe QwenImage21Pipeline in Diffusers ladbar. An der Architektur hat sich nichts geändert. Geändert hat sich, wie oft das Modell für ein Bild ausgeführt wird.

Wer den Begriff nicht kennt: Ein Diffusionsmodell erzeugt ein Bild, indem es von Rauschen ausgeht und es wiederholt verfeinert. Jede Verfeinerung ist ein Denoising-Schritt, jeder Schritt ist ein voller Durchlauf durch das Netz, und die Zahl der Schritte bestimmt deshalb zuerst, wie lange ein Bild dauert. Die Beispiele der Basiskarte nutzen 40, die von Turbo 8. Das sind fünfmal weniger Durchläufe, weshalb sich die Schlagzeile leicht schreibt. Deshalb sind wir auch vorsichtig: Die Schrittzahl ist nicht die Laufzeit. Auflösung, Hardware, der zwischengespeicherte Kontext und alles außerhalb des Netzes spielen mit, und die Karte nennt keine Zeiten. „Schneller“ ist die erwartete Folge, keine gemessene.

Die zweite Änderung ist weniger auffällig. Laut Karte wird standardmäßig mit CFG=1 generiert. Classifier-free Guidance bedeutet in der üblichen Formulierung, das Modell einmal mit Ihrem Prompt und einmal ohne ihn laufen zu lassen und das Ergebnis dann von der Antwort ohne Prompt wegzuschieben. Ein Guidance-Wert von 1 schaltet diesen zusätzlichen Schub ab; das ist allgemeiner Hintergrund und steht nicht so auf der Karte, und es ist ein Grund, warum destillierte Modelle mit wenigen Schritten meist günstig sind. Was die Karte sagt: Der Checkpoint wird mit seinem empfohlenen Sampling-Plan ausgeliefert, einen Scheduler konfigurieren Sie nicht selbst, und Prefix-KV-Caching verwendet den Text- und Referenzbildkontext über die Denoising-Schritte hinweg wieder. Der Gedanke ist einfach: Prompt und Referenzbilder ändern sich von Schritt zu Schritt nicht, ihre Zwischenergebnisse lassen sich also einmal berechnen und wiederverwenden.

Was Ihnen zu schaffen macht: die Einrichtung

Wer schon einmal eine Bibliotheksversion festgepinnt hat, kennt den wichtigsten Satz der Turbo-Karte. Der Checkpoint verlangt eine Diffusers-Version mit Unterstützung für pipelinekonfigurierte Sampling-Sigmas, hinzugefügt in Diffusers-Pull-Request 14950, das heißt: Diffusers aus dem Quell-Repository statt aus einem Release installieren. Außerdem werden transformers 5.17.0 oder neuer, accelerate und pillow sowie ein CUDA-kompatibler PyTorch-Build verlangt. Praktisch hängt ein Deployment auf Turbo-Basis an einer Änderung, die womöglich noch nicht im Paket steckt, das Ihr Build-System standardmäßig zieht. Pinnen Sie den Commit.

Die Sampling-Hinweise enthalten eine zweite Falle. Der gespeicherte 8-Schritte-Plan wird automatisch geladen, und laut Karte überschreibt num_inference_steps allein ihn nicht. Wer experimentieren will, muss beim Aufruf ein explizites sigmas-Argument übergeben, und die Karte räumt offen ein, dass andere Pläne für diesen Checkpoint nicht evaluiert wurden. Das 8-Schritte-Rezept ist also der unterstützte Weg, und wer davon abweicht, ist auf sich gestellt. Wer gewohnt ist, die Schrittzahl der Qualität zuliebe hochzudrehen, wird feststellen, dass der Regler nicht wie erwartet reagiert.

Die beiden durchgerechneten Beispiele der Karte zeigen, was die Autoren für typisch halten. Das Text-zu-Bild-Beispiel verlangt ein hochformatiges Lehrposter mit 1696×2528, beschrieben durch einen sehr langen Prompt, der Layout, Farben und jede Textzeile vorgibt, darunter eine ausgeschriebene chemische Gleichung. Das ist ein bewusster Stresstest der Typografie. Das Bearbeitungsbeispiel nimmt die Skizze einer Motoryacht und verlangt ein fotorealistisches Foto mit 2048×2048, wobei der Prompt Rumpffarbe, Schornsteinfarbe, Bullaugen und Seegang vorgibt. Die Karte listet außerdem unterstützte Seitenverhältnisse von 1:1 bei 2048×2048 bis 9:16 bei 1536×2752 und eine Vitrine, gegliedert nach Porträtfotografie, menschlichen Posen und Bewegung, transparenter Bilderzeugung, Typografie und Posterdesign, Einzelbild-Transformation, Multi-Referenz-Komposition und Innenraum-Komposition aus vier Bildern.

Die Lizenz sollten Sie lesen

Am Ende beider Karten steht die Zeile, die entscheidet, ob das hier ein Spielzeug oder ein Baustein ist: Das Modell steht unter der Qwen Research License Agreement. Das ist keine Open-Source-Lizenz im OSI-Sinn, „offene Gewichte“ ist also zutreffend, „frei in ein Produkt einbaubar“ sollte man nicht annehmen. Wer etwas Kommerzielles baut, sollte die Vereinbarung selbst lesen, denn wir haben ihre Bedingungen hier nicht zusammengefasst und raten nicht herum.

Das Interesse sieht man auf den Seiten. Hugging Face listet 31 Spaces mit dem Turbo-Checkpoint, beim Basismodell sind es 100. Das zeigt, dass Leute es ausprobieren, aber nicht, wie gut es funktioniert. Die Turbo-Karte lädt außerdem über ein offizielles Formular zu Feedback an das Qwen-Image-Forschungsteam ein und bittet um Prompts, Bilder und Workflows. Das ist ein brauchbarer Hinweis auf den Reifegrad: Das Team sammelt noch Fehlerfälle.

Wie wir es testen würden, wäre eine GPU frei

Ein destillierter Checkpoint lässt sich ehrlich nur bewerten, wenn alles andere konstant bleibt. Nehmen Sie zwanzig Prompts, die für Sie zählen, mindestens einen mit eingebettetem Text und, falls nötig, einen mit transparentem Hintergrund, legen Sie die Seeds fest und rendern Sie jeden auf dem Basismodell mit 40 Schritten und auf Turbo mit 8. Messen Sie beide auf Ihrer eigenen Karte in der Auflösung, die Sie tatsächlich nutzen. Schauen Sie sich dann die Paare auf den Fehler an, der für Ihr Produkt zählt, etwa verstümmelte Schrift, abdriftende Identität bei Bearbeitungen oder Säume an transparenten Kanten. Die Karte behauptet keine Gleichwertigkeit, und Sie sollten sie nicht annehmen.

Unsere Einschätzung

Turbo ist für die interaktive Nutzung interessant, bei der jemand Prompts iteriert und auf jedes Ergebnis wartet. Viele Entwürfe schnell zu erzeugen und die Treffer auf dem Basismodell zu rendern, ist ein sinnvoller Ablauf, für den beide Checkpoints gedacht sind. Wer Werkzeuge darum baut: Die Abhängigkeit von einer unveröffentlichten Diffusers-Änderung bricht am ehesten, und die Forschungslizenz stoppt am ehesten einen Launch. Beides ist kein Grund, das Modell zu ignorieren, aber beides ein Grund, den Abschnitt zur Einrichtung vor der Vitrine zu lesen. Der Begleittext zu dem, was das Basismodell ergänzt, Transparenz und Bearbeitung, behandelt die andere Hälfte der Geschichte.

Die Sprachmodell-Linie neben diesem Bildmodell ist die Qwen-Modell-Zeitleiste.

Weiterlesen

Alle Beiträge, neueste zuerst, stehen im Front-Blog.

• Qwen Image 2.1: Transparenz und Bearbeitung: Die Funktionen von Qwen Image 2.1 für transparente Bilder und Bearbeitung.
• Ling 3.1 Flash: Was der Betrieb verlangt: Welche Hardware für Ling 3.1 Flash nötig ist.
• Reflection-Beam-501B-Zeitleiste: Die Veröffentlichung der Gewichte von Reflection Beam 501B in zeitlicher Folge.
• Blender-Alternative finden: Der Gesamtleitfaden zur Wahl eines 3D-Werkzeugs.
• Qwen-Modell-Zeitleiste: Qwen von Qwen-7B bis Qwen3-Coder, mit Lizenzen und Kontext.

Häufige Fragen

Änderungsprotokoll

• 17. Oktober 2026 — Erstveröffentlichung.

Quellen

• Qwen/Qwen-Image-2.1-Turbo model card
• Qwen/Qwen-Image-2.1 model card