Qwen-Image-2.1-Turbo : huit étapes de débruitage sur le même générateur 7B

Chronologie

1. 14 septembre 2026

   Le dépôt Qwen-Image-2.1 apparaît sur Hugging Face. Sa fiche décrit un modèle unifié de génération d’images à partir de texte et d’édition d’images, dont le composant de génération visuelle compte 7B paramètres répartis en 32 couches DiT à flux unique, avec transparence native, édition à partir de jusqu’à 10 images de référence et un pipeline Diffusers nommé QwenImage21Pipeline. Ses exemples d’appel demandent 40 étapes d’inférence.

   Qwen/Qwen-Image-2.1 model card

2. 9 octobre 2026

   Le dépôt Qwen-Image-2.1-Turbo apparaît. La fiche le présente comme un checkpoint accéléré de Qwen-Image-2.1 avec 8 étapes de débruitage, la même architecture 7B, CFG=1 par défaut et cache KV de préfixe, et précise qu’il faut installer Diffusers depuis les sources.

   Qwen/Qwen-Image-2.1-Turbo model card

D’abord le modèle de base, car Turbo n’a de sens que par rapport à lui

Le 14 septembre, un dépôt nommé Qwen-Image-2.1 est apparu sur Hugging Face, et la fiche s’ouvre sur une phrase modeste : l’équipe se réjouit de publier en open source un modèle unifié de génération d’images à partir de texte et d’édition d’images de la famille Qwen. Le détail qui suit est celui qui compte pour qui doit l’exécuter. Le composant de génération visuelle ne compte que 7B paramètres, construits à partir de 32 couches DiT à flux unique, et la fiche présente l’ensemble de la publication comme un équilibre entre qualité, efficacité et polyvalence plutôt que comme une course au plus gros modèle.

La fiche énumère quatre améliorations. Une architecture compacte avec attention à granularité mixte et réutilisation du cache KV de préfixe doit offrir une bonne qualité d’image à faible coût de calcul. La transparence native permet au modèle de générer des images ordinaires ou transparentes (RGBA) à partir de texte, de retoucher des calques transparents et d’extraire des sujets de photographies, le tout dans un seul modèle. L’édition accepte jusqu’à 10 images de référence, avec des retouches locales définies par des cercles, des annotations peintes ou des masques séparés, et la préservation de l’identité des personnes et des produits. Enfin, les auteurs revendiquent une meilleure typographie, un meilleur éclairage des portraits et plus de finesse dans les détails. Ce sont les affirmations des auteurs ; la fiche ne donne aucun tableau de benchmarks vérifiable, et nous n’avons pas exécuté le modèle.

Le code d’exemple est franc sur le coût d’utilisation. L’appel texte-vers-image demande 40 étapes d’inférence en 2048×2048, et la fiche donne une astuce mémoire pour les budgets serrés : appeler enable_model_cpu_offload sur le pipeline. C’est la base que Turbo a été conçu pour améliorer.

Quatre semaines plus tard : ce que veut dire « accéléré »

Quatre semaines plus tard, le 9 octobre, un second dépôt est apparu : Qwen-Image-2.1-Turbo. Le premier paragraphe de la fiche tient en une seule phrase dense. Il s’agit d’un checkpoint accéléré de Qwen-Image-2.1 pour la génération d’images à partir de texte et l’édition d’images, avec 8 étapes de débruitage, la même architecture de génération visuelle 7B, chargeable directement via le même QwenImage21Pipeline de Diffusers. Rien n’a changé dans l’architecture. Ce qui change, c’est le nombre de fois où le modèle tourne pour produire une image.

Pour ceux qui ne connaissent pas le terme, un modèle de diffusion fabrique une image en partant du bruit et en l’affinant à plusieurs reprises. Chaque affinage est une étape de débruitage, et chaque étape est un passage complet dans le réseau : le nombre d’étapes est donc le premier facteur qui décide du temps nécessaire. Les exemples de la fiche de base en utilisent 40. Ceux de Turbo en utilisent 8. Cela fait cinq fois moins de passages, ce qui rend le titre facile à écrire. C’est aussi pourquoi nous restons prudents : le nombre d’étapes n’est pas le temps réel. La résolution, le matériel, le contexte mis en cache et tout ce qui se passe hors du réseau y contribuent, et la fiche ne donne aucun chronométrage. Considérez « plus rapide » comme la conséquence attendue, pas comme une mesure.

Le deuxième changement est moins évident. La fiche indique que la génération utilise CFG=1 par défaut. Le classifier-free guidance consiste, dans sa formulation habituelle, à faire tourner le modèle une fois avec votre prompt et une fois sans, puis à éloigner le résultat de la réponse sans prompt. Une échelle de guidage de 1 coupe cette poussée supplémentaire ; c’est un contexte général que la fiche n’explicite pas, et cela explique en partie pourquoi les modèles distillés à peu d’étapes sont en général peu coûteux. Ce que la fiche dit bel et bien, c’est que le checkpoint est livré avec son calendrier d’échantillonnage recommandé, qu’on ne configure pas soi-même de scheduler, et que le cache KV de préfixe réutilise le contexte du texte et des images de référence d’une étape de débruitage à l’autre. Le raisonnement est simple : le prompt et les images de référence ne changent pas d’une étape à l’autre, leurs résultats intermédiaires peuvent donc être calculés une fois et réutilisés.

Ce qui va vous mordre : l’installation

Quiconque a déjà épinglé la version d’une bibliothèque connaît la phrase la plus importante de la fiche Turbo. Le checkpoint exige une version de Diffusers qui prend en charge les sigmas d’échantillonnage configurés par le pipeline, ajoutés dans la pull request 14950 de Diffusers ; il faut donc installer Diffusers depuis son dépôt source plutôt que depuis une version publiée. Il demande aussi transformers 5.17.0 ou plus récent, ainsi que accelerate et pillow, et un build de PyTorch compatible CUDA. Concrètement, un déploiement fondé sur Turbo dépend d’une modification qui n’est peut-être pas encore dans le paquet que votre système de build récupère par défaut. Épinglez le commit.

Les instructions d’échantillonnage contiennent un second piège. Le calendrier enregistré à 8 étapes se charge automatiquement, et la fiche précise que définir num_inference_steps seul ne le remplace pas. Pour expérimenter, il faut passer un argument sigmas explicite à l’appel, et la fiche reconnaît franchement que d’autres calendriers n’ont pas été évalués pour ce checkpoint. Autrement dit, la recette à 8 étapes est la voie prise en charge, et s’en écarter est à vos risques. Ceux qui ont l’habitude d’augmenter le nombre d’étapes pour gagner en qualité verront que ce réglage ne se comporte pas comme prévu.

Les deux exemples détaillés de la fiche montrent ce que les auteurs jugent typique. L’exemple texte-vers-image demande une affiche pédagogique en format portrait en 1696×2528, décrite par un très long prompt qui dicte la mise en page, les couleurs et chaque ligne de texte, y compris une équation chimique écrite en entier. C’est un test de résistance volontaire de la typographie. L’exemple d’édition part du croquis d’un yacht à moteur et demande une photographie photoréaliste en 2048×2048, le prompt précisant la couleur de la coque, celle de la cheminée, les hublots et l’état de la mer. La fiche liste aussi les formats pris en charge, du 1:1 en 2048×2048 au 9:16 en 1536×2752, et une vitrine classée par photographie de portrait, poses et mouvements humains, génération d’images transparentes, typographie et conception d’affiches, transformation d’image unique, composition multi-références et composition d’intérieur à quatre images.

La licence est le passage à lire

En bas des deux fiches figure la ligne qui décide si l’on a affaire à un jouet ou à un composant : le modèle est sous licence Qwen Research License Agreement. Ce n’est pas une licence open source au sens de l’OSI ; « poids ouverts » est donc une description exacte, alors que « libre d’être livré dans un produit » n’est pas à supposer. Si vous construisez quelque chose de commercial, lisez l’accord lui-même : nous n’en avons pas résumé les termes ici et ne les devinerons pas.

Le signal d’adoption se voit sur les pages. Hugging Face liste 31 Spaces qui utilisent le checkpoint Turbo, contre 100 pour le modèle de base, ce qui montre que des gens l’ont essayé, sans dire s’il fonctionne bien. La fiche Turbo invite aussi à donner un retour via un formulaire officiel qui met les utilisateurs en relation avec l’équipe de recherche Qwen Image, et leur demande de partager prompts, images et workflows. C’est un bon indice de maturité : l’équipe collecte encore des cas d’échec.

Comment nous le testerions, avec un GPU de libre

La façon honnête d’évaluer un checkpoint distillé est de tenir tout le reste constant. Prenez vingt prompts qui comptent pour vous, dont au moins un avec du texte intégré et un avec fond transparent si vous en avez besoin, fixez les seeds, et rendez chacun avec le modèle de base en 40 étapes puis avec Turbo en 8. Chronométrez les deux sur votre propre carte, à la résolution que vous utiliserez vraiment. Comparez ensuite les paires pour repérer l’échec qui compte pour votre produit : lettrage illisible, identité qui dérive dans les retouches ou franges sur les bords transparents. La fiche ne revendique pas de parité, et vous ne devez pas la supposer.

Notre avis

Turbo est intéressant pour l’usage interactif, où une personne itère sur ses prompts et attend chaque résultat. Générer rapidement beaucoup de brouillons puis rendre les meilleurs avec le modèle de base est un flux de travail sensé, que les deux checkpoints sont conçus pour soutenir. Si vous construisez des outils autour, la dépendance à une modification non publiée de Diffusers est ce qui risque le plus de casser, et la licence de recherche ce qui risque le plus de bloquer un lancement. Aucun des deux n’est une raison d’ignorer le modèle. Ce sont deux raisons de lire la section d’installation avant la vitrine. L’article complémentaire sur ce qu’apporte le modèle de base, transparence et édition, traite l’autre moitié de l’histoire.

La ligne de modèles de langage à côté de ce modèle d’image est la chronologie des modèles Qwen.

Pour continuer la lecture

Tous les articles, du plus récent au plus ancien, sont sur l’index du blog Front.

• Qwen Image 2.1 : transparence et retouches: Les fonctions de Qwen Image 2.1 pour les images transparentes et l’édition.
• Ling 3.1 Flash : ce que demande son exécution: Le matériel nécessaire pour exécuter Ling 3.1 Flash.
• Chronologie de Reflection Beam 501B: La publication des poids de Reflection Beam 501B, dans l’ordre du temps.
• Choisir une alternative à Blender: Le guide général pour choisir un outil 3D.
• Chronologie des modèles Qwen: Qwen de Qwen-7B à Qwen3-Coder, avec licences et contexte.

Questions fréquentes

Journal des mises à jour

• 17 octobre 2026 — Première publication.

Sources

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