Qwen-Image-2.1-Turbo: ocho pasos de eliminación de ruido con el mismo generador de 7B

Cronología

1. 14 de septiembre de 2026

   El repositorio Qwen-Image-2.1 aparece en Hugging Face. Su ficha describe un modelo unificado de generación de imágenes a partir de texto y de edición de imágenes cuyo componente de generación visual tiene 7B parámetros en 32 capas DiT de flujo único, con transparencia nativa, edición a partir de hasta 10 imágenes de referencia y un pipeline de Diffusers llamado QwenImage21Pipeline. Sus ejemplos de llamada piden 40 pasos de inferencia.

   Qwen/Qwen-Image-2.1 model card

2. 9 de octubre de 2026

   Aparece el repositorio Qwen-Image-2.1-Turbo. La ficha lo describe como un checkpoint acelerado de Qwen-Image-2.1 con 8 pasos de eliminación de ruido, la misma arquitectura de 7B, CFG=1 por defecto y caché KV de prefijo, y dice que requiere instalar Diffusers desde el código fuente.

   Qwen/Qwen-Image-2.1-Turbo model card

Primero el modelo base, porque Turbo solo tiene sentido frente a él

El 14 de septiembre apareció en Hugging Face un repositorio llamado Qwen-Image-2.1, y su ficha se abre con una frase modesta: el equipo se alegra de publicar en código abierto un modelo unificado de generación de imágenes a partir de texto y de edición de imágenes de la familia Qwen. El dato que sigue es el que importa a quien tiene que ejecutarlo. El componente de generación visual tiene solo 7B parámetros, construidos con 32 capas DiT de flujo único, y la ficha presenta toda la publicación como un equilibrio entre calidad, eficiencia y versatilidad, en lugar de una carrera por el modelo más grande.

La ficha enumera cuatro mejoras. Una arquitectura compacta con atención de granularidad mixta y reutilización del caché KV de prefijo pretende ofrecer calidad de imagen con bajo coste de cómputo. La transparencia nativa permite al modelo generar imágenes normales o transparentes (RGBA) a partir de texto, editar capas transparentes y extraer sujetos de fotografías en un único modelo. La edición admite hasta 10 imágenes de referencia, con ediciones locales indicadas mediante círculos, anotaciones pintadas o máscaras separadas, y preservación de la identidad de personas y productos. Por último, los autores afirman una mejor tipografía, iluminación de retratos y detalle fino. Son afirmaciones de los autores; la ficha no da una tabla de benchmarks que podamos comprobar, y no ejecutamos el modelo.

El código de ejemplo es claro sobre el coste de usarlo. La llamada de texto a imagen pide 40 pasos de inferencia a 2048×2048, y la ficha ofrece un consejo de memoria para presupuestos ajustados: llamar a enable_model_cpu_offload en el pipeline. Esa es la base que Turbo se construyó para mejorar.

Cuatro semanas después: qué significa «acelerado»

Cuatro semanas más tarde, el 9 de octubre, apareció un segundo repositorio: Qwen-Image-2.1-Turbo. El primer párrafo de la ficha es una sola frase densa. Es un checkpoint acelerado de Qwen-Image-2.1 para generación de imágenes a partir de texto y edición de imágenes con 8 pasos de eliminación de ruido, con la misma arquitectura de generación visual de 7B, que se carga directamente con el mismo QwenImage21Pipeline de Diffusers. La arquitectura no cambió en nada. Lo que cambió es cuántas veces se ejecuta el modelo para producir una imagen.

Para quien no conozca el término: un modelo de difusión crea una imagen partiendo de ruido y refinándolo repetidamente. Cada refinamiento es un paso de eliminación de ruido, y cada paso es una pasada completa por la red, de modo que el número de pasos es lo primero que decide cuánto tarda una imagen. Los ejemplos de la ficha base usan 40. Los de Turbo usan 8. Son cinco veces menos pasadas, y por eso el titular es fácil de escribir. También por eso somos prudentes: el número de pasos no es tiempo real. La resolución, el hardware, el contexto en caché y todo lo que queda fuera de la red influyen, y la ficha no da tiempos. Toma «más rápido» como la consecuencia esperada, no como una medición.

El segundo cambio es menos evidente. La ficha dice que la generación usa CFG=1 por defecto. El classifier-free guidance es la técnica, en su formulación habitual, de ejecutar el modelo una vez con tu prompt y otra sin él, y alejar después el resultado de la respuesta sin prompt. Una escala de guía de 1 desactiva ese empuje adicional; es contexto general que la ficha no explica, y es parte de por qué los modelos destilados de pocos pasos suelen ser baratos. Lo que la ficha sí dice es que el checkpoint se entrega con su calendario de muestreo recomendado, que no se configura un scheduler propio y que el caché KV de prefijo reutiliza el contexto del texto y de las imágenes de referencia entre pasos de eliminación de ruido. El razonamiento es simple: el prompt y las imágenes de referencia no cambian de un paso al siguiente, así que sus resultados intermedios pueden calcularse una vez y reutilizarse.

Lo que te va a morder: la instalación

Quien haya fijado alguna vez la versión de una biblioteca conoce la frase más importante de la ficha de Turbo. El checkpoint requiere una versión de Diffusers con soporte para sigmas de muestreo configurados por el pipeline, añadidos en la pull request 14950 de Diffusers, lo que significa instalar Diffusers desde su repositorio fuente en lugar de una versión publicada. También pide transformers 5.17.0 o posterior, además de accelerate y pillow, y una compilación de PyTorch compatible con CUDA. En la práctica, un despliegue basado en Turbo depende de un cambio que quizá aún no esté en el paquete que tu sistema de compilación descarga por defecto. Fija el commit.

Las instrucciones de muestreo contienen una segunda trampa. El calendario guardado de 8 pasos se carga automáticamente, y la ficha dice que establecer solo num_inference_steps no lo sustituye. Si quieres experimentar, debes pasar un argumento sigmas explícito en la llamada, y la ficha admite con franqueza que otros calendarios no se han evaluado para este checkpoint. Es decir, la receta de 8 pasos es el camino soportado, y apartarse de él corre por tu cuenta. Quien esté acostumbrado a subir el número de pasos para ganar calidad verá que ese mando no se comporta como espera.

Los dos ejemplos desarrollados de la ficha muestran lo que los autores consideran un uso típico. El de texto a imagen pide un póster educativo en formato vertical a 1696×2528, especificado con un prompt larguísimo que dicta la composición, los colores y cada línea de texto, incluida una ecuación química escrita completa. Es una prueba de esfuerzo deliberada de la tipografía. El de edición toma el boceto de un yate a motor y pide una fotografía fotorrealista a 2048×2048, con el prompt indicando el color del casco, el de la chimenea, los ojos de buey y el estado del mar. La ficha también lista las relaciones de aspecto admitidas, de 1:1 a 2048×2048 hasta 9:16 a 1536×2752, y una galería agrupada por fotografía de retrato, poses y movimiento humanos, generación de imágenes transparentes, tipografía y diseño de carteles, transformación de una sola imagen, composición con varias referencias y composición de interiores con cuatro imágenes.

La licencia es lo que hay que leer

Al pie de ambas fichas está la línea que decide si esto es un juguete o un componente: el modelo se publica bajo la Qwen Research License Agreement. No es una licencia de código abierto al estilo OSI, así que «pesos abiertos» es una descripción exacta y «libre para incluir en un producto» no es algo que dar por supuesto. Si construyes algo comercial, lee el propio acuerdo: no hemos resumido aquí sus términos y no vamos a adivinarlos.

La señal de adopción se ve en las páginas. Hugging Face lista 31 Spaces que usan el checkpoint Turbo, frente a 100 del modelo base, lo que indica que la gente lo ha probado, aunque no lo bien que funciona. La ficha de Turbo también invita a dar opinión mediante un formulario oficial que conecta a los usuarios con el equipo de investigación de Qwen Image, y les pide compartir prompts, imágenes y flujos de trabajo. Eso dice algo útil sobre la madurez: el equipo sigue recopilando casos de fallo.

Cómo lo probaríamos si tuviéramos una GPU libre

La forma honesta de evaluar un checkpoint destilado es mantener todo lo demás quieto. Toma veinte prompts que te importen, incluido al menos uno con texto incrustado y uno con fondo transparente si lo necesitas, fija las semillas y renderiza cada uno con el modelo base a 40 pasos y con Turbo a 8. Mide el tiempo de ambos en tu propia tarjeta a la resolución que vayas a usar de verdad. Luego revisa los pares buscando el fallo que importa a tu producto, ya sean letras ilegibles, identidad que se desvía en las ediciones o halos en los bordes transparentes. La ficha no afirma paridad, y tú tampoco deberías suponerla.

Nuestra opinión

Turbo es interesante para el uso interactivo, donde una persona itera sobre los prompts y espera cada resultado. Generar muchos borradores rápidamente y renderizar los elegidos con el modelo base es un flujo sensato que los dos checkpoints están pensados para apoyar. Si construyes herramientas en torno a él, lo que más probablemente se romperá es la dependencia de un cambio de Diffusers sin publicar, y lo que más probablemente frenará un lanzamiento es la licencia de investigación. Ninguna de las dos cosas es motivo para ignorar el modelo. Son dos motivos para leer la sección de instalación antes que la galería. El artículo complementario sobre qué aporta el modelo base, transparencia y edición, cubre la otra mitad de la historia.

La línea de modelos de lenguaje junto a este modelo de imagen es la cronología de modelos Qwen.

Sigue leyendo

Todos los artículos, del más reciente al más antiguo, están en el índice del blog de Front.

• Qwen Image 2.1: transparencias y ediciones: Las funciones de Qwen Image 2.1 para imágenes transparentes y edición.
• Ling 3.1 Flash: qué hace falta para ejecutarlo: El hardware necesario para ejecutar Ling 3.1 Flash.
• Cronología de Reflection Beam 501B: La publicación de los pesos de Reflection Beam 501B, en orden temporal.
• Cómo elegir una alternativa a Blender: La guía general para elegir una herramienta 3D.
• Cronología de modelos Qwen: Qwen de Qwen-7B a Qwen3-Coder, con licencias y contexto.

Preguntas frecuentes

Registro de cambios

• 17 de octubre de 2026 — Primera publicación.

Fuentes

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